[发明专利]基于VMD和多小波的心音分割定位方法

说明书

本发明公开了一种基于VMD和多小波的心音分割定位方法，首先对心音信号样本中心音区间和类型进行标记，采用滑动窗对心音信号样本进行片段划分，使用峭度对VMD分解得到的各个IMF分量进行挑选，对最有效的IMF分量进行GHM多小波包分解，基于分解结果构建心音信号样本的时频域矩阵，根据标记的心音区间从中提取子矩阵并得到时间频率列向量，将其作为训练样本对预设的分类模型进行训练；对待分割定位的心音信号采用相同方法得到时频域矩阵，提取香农能量包络，基于最大类间方差法确定心音区间，提取子矩阵并采用相同方法获取时刻频率列向量，输入训练好的分类模型得到心音信号分割定位结果。采用本发明可以提高高噪声下的心音分割性能。

技术领域

本发明属于心音处理技术领域，更为具体地讲，涉及一种基于VMD和多小波的心音分割定位方法。

背景技术

目前采用可穿戴心音检测设备进行心音监测已经成为了诊断和控制心脏疾病的重要手段，但是现有的可穿戴心音检测设备所采集的心音信号具有低幅值、低频率、易受干扰等特性，考虑到可穿戴心音检测设备使用的复杂环境，使用过程中可能会引入其他生理音干扰、背景噪声、工频干扰以及运动伪影等，进而会严重影响对所采集到心音信号做进一步的处理。

传统的心音分割定位算法是与心电图相结合，在使用心电图作为参考的情况下，心音分割的效果很好。然而，心电图作为另一种信号源，在医学检查中可能不方便使用。如果嵌入ECG电路会极大地提高电子听诊器的硬件复杂度。因此，使用心音信号作为唯一信号源也是当下的主要研究方向。目前不使用参考信号的主流心音信号处理流程为先对原始心音信号进行去噪之后，对其进行特征提取、分类，从而对心动周期的各组分进行分割定位。

在信号去噪方面，最传统的方法是基于心音信号的频域特征进行滤波去噪，但这种方法仅可抑制心音分量频带外的干扰，心音作为典型的非平稳信号，非常容易受带内噪声或其他生理音干扰，由于时频率(TF)域可以产生更健壮的定位和分类方法，特别是对非平稳信号，因此时频域的分析方法也被应用于了心音处理领域。

目前，研究非平稳信号常用的时频分析工具有：短时傅里叶变换、维格纳-维尔分布、科恩类、小波变换和S变换等。时傅里叶变换的时频分辨率不能自适应，而维格纳-维尔分布和科恩类虽然具有良好的时频特性，但是由于存在交叉干扰项，影响了它们的实际应用范围。作为短时傅里叶变换的继承和发展，S变换采用高斯窗函数且窗宽与频率的倒数成正比，免去了窗函数的选择和改善了窗宽固定的缺陷，并且时频表示中各频率分量的相位谱与原始信号保持直接的联系，使其在信号分析中可以采用更多的特征量。S变换的缺点是在较高频带范围内相对于小波变换来说，对频域的分析上不够精确。

另外，因为可穿戴心音监测平台采集的单通道测量信号是由不同的物理过程产生的，而且它们在统计上是相互独立的，所以可以看作心音信号和背噪两个独立信号的叠加，因此采用基于盲源分离的方法进行处理也是现在的一种新的处理思路。目前使用频率比较高的盲源信号分离的方法主要是经验模态分解(Empirical Mode Decomposition,EMD)、小波分解以及他们的衍生算法如(Ensemble Empirical Mode Decomposition,EEMD)等。然而EMD算法存在模态混叠、模态残差噪声及虚假模态问题，而且EMD算法现实中所产生的本征模函数(Intrinsic Oscillatory Mode,IMF)不会保持完全稳定的频率和振幅。因此在2014年提出了VMD(Variational Mode Decomposition，变分模态分解)的方法，此方法是一种自适应、完全非递归的模态变分和信号处理的方法。该技术具有可以确定模态分解个数的优点它克服了EMD方法存在端点效应和模态分量混叠的问题，并且具有更坚实的数学理论基础。

在心音特征提取方面，传统的方法所提取的特征大多以频域特征和时域特征为主，或者对信号提取包络特征，即利用各种技术构造心音包络来进行心音分割，其中香农包络和希尔伯特包络是最常使用的两种包络。基于包络抽取方法参数的推导直接受到阈值的影响，阈值选择主要是依靠经验值，所以容易因为过学习而导致在不同样本集之间泛化性不强。