0 引言

    心血管疾病包括動脈粥樣硬化、高血壓、高血脂等多種疾病。《中國心血管病報告2017》概要^[1]中指出中國心血管疾病患病率持續上升，直到2015年心血管疾病死亡率仍高居中國城鄉居民主要疾病死亡率首位，且發病人群低齡化嚴重。心血管疾病的潛伏期長，發病突然，在預防的同時，盡早確診是降低心血管疾病威脅的重要一步。目前多依賴于心電圖、血常規、CT成像等傳統醫學手段進行心血管疾病篩查，需要醫生具有較高醫術，且主觀性強。因此，利用現代化數字手段對心血管疾病進行分析，輔助醫生確診疾病具有重要意義。大數據技術和機器學習的發展使得利用數字方法處理、識別人體生理信號，從而輔助傳統醫療方式對病人的心血管疾病做出診斷成為可能^[1-3]。近幾年，大量心音身份識別，異常心音識別研究結果皆表明使用心音進行識別是可行的，這些研究多采用機器學習的方式對心音進行分類，取得了較好的效果。成謝鋒團隊^[4-6]做了大量相關工作，給出了心音識別的可行性與未來工作方向的討論，同時也進行了異常心音識別等研究，提出了一種心音小波神經網絡^[7]，針對早搏心音具有較好的識別效果。

    由于心音信號具有單周期平穩性^[8]，在對心音進行特征提取時需先提取其單心動周期，但目前的心音識別研究中多采用同步ECG(Electro Cardio Gram)進行輔助分割^[9]或人工分割，這種分割方式在需要進行大量數據訓練時實用性較低，且無法構成完整系統。目前已有的心音分割算法^[10-11]，前者采用形態學濾波與峰間距計算進行周期心動分割，規避了包絡提取時包絡毛刺的干擾，后者采用自相關函數進行周期估計，均具有較高分割準確度，但對心音質量要求較高，魯棒性差，且未能給出成熟系統。此外，在心音識別時，應用MFCC(Mel Frequency Cepstral Coefficients)特征參數進行識別優勢明顯。MFCC通過將音頻從標準頻率域映射至MEL標度頻率域，使其更符合人耳聽覺特性^[12-13]，能夠更好地表征發聲器官的頻率響應特性。在深度學習的心音識別中也能較好反映心音產生模型的頻響特性，提高識別精確度。例如，Chairisni Lubis^[14]與Tien-En Chen^[15]在各自的心音識別系統中均采用MFCC作為特征參數，識別準確度較高，魯棒性強。可見，在研究高效的心音心動周期分割方法的同時給出MFCC特征參數，是進一步實現智能心音識別系統的基礎。本文針對目前使用機器學習進行心音識別的研究中存在的心動周期分割以及MFCC特征提取問題，提出了一種基于低頻提取的單心動周期自動分割及MFCC特征提取系統，該系統能夠直接采集心音信號，提取心音信號中的單心動周期并計算其MFCC特征參數，為后續的機器學習提供大量原始數據，對心音識別系統從理論研究向實際應用過渡有積極意義。

本文詳細內容請下載：http://www.tom3567.com/resource/share/2000003268

作者信息：

李昊宇，張榮芬，劉宇紅

(貴州大學 大數據與信息工程學院，貴州 貴陽550025)