心音信号的聚类分析
作者：吴延军 赵 艳 吕维雪
单位：(浙江大学 生命科学与医学工程系，杭州 310013)
关键词：神经网络；心音信号；小波变换谱
生物医学工程学杂志980314 内容摘要 通过对ART-2神经网络进行改进，构造了适合于对信号的时变谱进行分类的二维ART神经网络，而后根据心音信号的特点，我们选择了心音的小波变换谱作为网络的输入特征。调整网络的参数，使之能够将输入的心音信号特征聚类成为两类，实验结果表明我们所设计的分类系统能够从连续32个正常人的心音信号中区分出两个正常分裂的心音。这个结果在基础生理研究和临床诊断上都有一定的应用价值。
Clustering Analysis of Phonocardiagrams
Wu Yanjun Zhao Yan Lu Weixue
, 百拇医药
(The Department of Life Science and Medical Engineering,Zhejiang University,Hangzhou 310013)
Abstract Through the development of the ART-2 neural network,we had constructed the 2-dimensional ART neural network appropriate for clustering the time-varying spectrums.After that ,according to the character of phonocardiagram(PCG),we chose the scalogram of PCG to be the input feature of the network.By adjusting parameters the network was enabled to cluster the input PCGs to two clusters.The result demonstrates that the system we designed can pick out,from among 32 continuous PCGs,two PCGs which have the tendency toward abnormality.This result may be applicable to basic physiological studies and clinical diagnosis.
, 百拇医药
Key words Neural network Phonocardiagram Scalogram
1 引 言
心音信号中含有人体心脏大量的生理病理信息，因此对用数字信号处理方法提取的心音特征，用模式识别或神经网络的方法对心音进行自动分类与识别，一直是人们十分感兴趣的研究课题之一。
心音信号的模式识别主要有两大类方法，其一是基于传统模式识别方法的心音识别[1，2]，另一类方法是基于神经网络的心音识别[3]。心音信号是非平稳性和随机性都很强的信号，利用传统的模式识别方法，对这种信号的识别往往遇到较大的困难。神经网络方法以其独具的优点而在心音模式识别中得到了越来越广泛的应用。
例如M.Akay[3]在对神经网络模式识别用于冠状动脉狭窄的无创声检测进行了研究。识别结果表明：学习后的神经网络可以从64例冠状动脉狭窄的心音信号中正确地选出50例，从36例无冠状动脉狭窄的心音信号中正确地选出32例，其准确率高于以往他所用的其它的识别方法。
, http://www.100md.com
本文在对心音信号的分析的基础之上，引入ART神经网络对心音信号进行识别。首先选择心音信号的小波变换谱作为识别网络的输入特征；其次构造了对于两维信号进行分类的二维ART神经网络。在用软件模拟实现了识别系统以后，对于特定人的心音信号的分类进行了研究。
2 改进的二维ART-2神经网络[4，5]
ART神经网络具有以下一些优点：它对任何输入观察矢量可以进行实时学习，可以适应非平稳环境；对已学习过的对象具有稳定的快速识别能力，通过定位子系统能迅速适应未学习的新对象；具有较高的抗噪性能，可以根据某些特征在全体中占的比例，有时作为关键特征，又有时当作噪声处理。系统可以完全避免陷入局部最小点的问题，从而可以避免网络作出错误的抉择。为了能够利用ART神经网络对于心音信号的时变谱进行识别，我们在ART-2的基础上构造了二维的ART神经网络。
2.1 二维的ART神经网络
, http://www.100md.com
二维的ART神经网络的系统结构如图所示。
图1 二维ART-2神经网络系统框图
Fig 1 2-dimensional ART-2 neural network
其中神经元的工作原理同ART神经网络的工作原理一样，X为网络的输入特征，Y为网络的分类输出，PL为警戒值，w1，w1′为由底向上和由上向下的长期记忆。输入的二维特征，首先被网络的底层分解为L个一维的输入向量，进入L个ART-2神经网络的输入端。在选择不同的PL以后，二维ART神经网络可以根据实际情况，使不同的局部特征对于整个识别结果产生不同的影响。这是我们所构造的二维ART神经网络的特点。
在以上构造的二维ART神经网络的基础之上，我们用C语言实现了二维ART神经网络。
, http://www.100md.com
2.2 网络输入特征的选取
输入特征的选取，直接关系着识别的方法及结果的准确性。小波变换以其对信号的非平稳成分的反映能力以及其稳健性(robust)而愈来愈广泛地用于信号分析之中。在选择合适的参数时，小波变换可以充分发挥出它的优越性，即既对高频时快变成分有充分的反映能力，又对低频时的慢变成分有较好的反映能力。
连续小波变换和离散小波变换都可以作为神经网络的输入特征矢量。
在ATR-2神经网络输入特征的提取方法中，我们选用了二进非正交小波变换，小波基函数采用时频局部定位性最好的Morlet小波。它具有以下特点：
(1)采用Morlet小波的二进非正交小波变换具有很好的时频定位性能，随着其尺度以2的指数幂的增加，小波的等效滤波器的带宽以2的指数幂减少。因此信号在二进非正交小波基函数上的分解类似于仿人耳听觉模型的带通滤波器，能够很好反映心音信号中的信息。
, 百拇医药
(2)二进非正交小波变换将信号分解到各个不同尺度上的信号长度是相同的，这为实现一个较为方便的二维ART-2网络提供了可能性。
(3)它采用的基函数形式为：
g(t)=π-1/4exp(-t2/2jwt)
可以看出，以上的小波基函数对信号的作用，将运算的结果取模的平方可以得到信号的功率谱，从而可以消除心音信号中较强的相位随机性的影响，使小波变换谱在各个尺度上的分布趋于稳定。有利于网络识别性能的提高。
2.3 参数的选取
(1)根据Carpenter的实验结果，我们选取a=b=10； c=0.1； d=0.9；
，(N为输入特征的维数)。
, 百拇医药
(2)警戒值P的选取：警戒值P的选取对分类的结果有着较大的影响，P选得过高，有可能会将同一类的心音信号划分成不同的类，而P选得过低，则又会产生把不同类的心音信号分成一类。在实验中，我们通过对大量已知的心音信号的小波变换的谱的特征的分类训练，以确定最佳的P值，使得网络的误判率最小。
3 用二维ART神经网络对心音的小波变换谱的分类
3.1 心音信号的小波变换谱特征
心音信号的小波变换谱在不同尺度上的分布相应于心脏不同部分的振动信息。尺度较小的部分相应于信号的高频部分，可以表示心脏瓣膜的振动信息，血流本身及其对其他部分相互作用的信息，由于受呼吸状态等的影响，其随机性较强，对同一个人的不同周期也表现出很大的差异；而对于尺度较大的部分，相应于信号的低频部分，这是心肌与大血管等心脏的质量较大的部分，在瓣膜、血流和肌肉的作用之下产生的振动，表现出较大的确定性。
, http://www.100md.com
根据上述的小波变换谱在不同尺度上的特性，我们可以对尺度较小部分选取小的警戒值，而对尺度大的小波变换谱则选取大的警戒值，这样一来不同尺度的输入特征在分类中的作用是不同的，信号的随机性被削弱了，而确定性的部分被加强了，其结果使得分类的结果的准确性会大大提高。
对于二维的ART-2神经网络而言，若将上述的小波变换谱作为其输入特征，就需要解决几个问题。
(1)正常人群的个体差异是比较大的，不同的人在静息状态下，其心率的差异不仅很大，而且其心音信号的频率分布也会表现出剧烈的随机变化。对正常心音而言，其平均心率大约在75 Hz左右。即使对同一个人而言，心率也因其呼吸状态、情绪、测试时的身体状态而呈现出显著的变化。从心音信号的时域波形来看，其随机性的变化也是非常显著的。另外，正常的心音信号中也含有一些类似于异常的心音信号，如第一、第二心音的正常分裂。这就给心音的处理带来了相当大的困难。由于心音的随机性强，以及个体差异大，使得它成为长期以来许多研究人员解决的难点问题之一。我们这里仅仅对于特定人的心音信号的分类进行研究，以简化工作的复杂性。
, 百拇医药
(2)特征提取：我们参照对心音信号作出的时-频表示来提取小波变换谱的特征。对于正常心音，以及异常心音的小波变换谱，心音的高频部分能量主要集中在400 Hz附近，而低频部分能量主要集中在100 Hz左右，为使小波谱特征能够充分反映心音信号的主要信息而且又覆盖整个时频平面中的心音信号的主要成分，我们选取四个不同频率的小波变换谱作为神经网络的输入特征，其频率分别为410 Hz，310Hz，210 Hz，110 Hz，此时的小波函数我们仍然选取Morlet小波。
(3)特征定位：心音信号时变谱在频率方向上的平移表示心脏内部的振动状态的改变，可能预示着心脏疾病信息，在时间方向上的平移表示着心率或者心电—心肌的传导的变异；其次尺度的改变也喻示着心脏的运动的变化。这些实际上都是我们所要识别的信息，因此我们就直接采用小波变换谱作为网络的输入特征。
利用小波变换谱作为网络的输入特征，小波变换谱的频率方向上的信息即频率分布是实现聚类的依据之一。对于心音信号的小波变换谱的时间上的准确定位直接影响着系统的分类的性能，是我们需要考虑的关键问题之一。
, 百拇医药
利用心电信号的QRS波群作为参考信号对心音信号进行定位是较为常用的方法，但是这种方法对于有心电—心肌传导变异的受试者(例如左、右束支传导阻滞)来说就显得不合适，因为在这种情况下心电信号就会影响到对于心音的定位的准确度。
通过对心音信号的小波变换谱的分析中我们可以看到，第一、第二心音的小波变换谱中都含有瓣膜振动所产生的类似于脉冲信号的成分，这些脉冲成分在其特定的频率上的谱在时间上的变化非常尖锐，对于第二心音而言，首先出现的脉冲成分是主动脉瓣的振动所产生的，而且它也是第二心音的主要成分的起始点，此时主动脉瓣的振动与心脏的舒张期的开始密切相关，在其后心肌以及大血管的振动、肺动脉瓣的振动依次出现。因此将其作为心音信号的定位标准是合适的，而且它在时间上的尖锐变化会使对于心音的定位较为准确。对于第一心音的二尖瓣的振动所产生的脉冲信号作为第一心音的定位标准也会得到同样的结果。
选择这样的输入特征，将会使心音信号的主要成分在时间上的位置、在频率上的分布决定心音信号的分类结果。
, 百拇医药
(4)特征压缩：我们只选取4个尺度上的小波变换谱作为识别系统的输入特征，实际上也起到了特征压缩的作用。
3.2 对于特定人的心音信号的自动分类
(1)心音信号的小波变换谱特征数据的形成：对于一个正常人的心音一共选取了六个时间段，每一段有六个心音周期，采样率2 kHz，以文件形式存在计算机中，以形成心音信号的数据。然后对36个心音周期第一、第二心音分别计算出频率为410 Hz，310 Hz，210 Hz，110 Hz的小波变换谱。
图2为1个心动周期中第一心音的小波变换谱的波形，第一心音的小波变换谱的不同周期在相应的频率位置上的波形具有极好的相似性，这给神经网络的准确识别提供了可能性。位于310 Hz的小波变换谱的脉冲成分比较规则，将这个频率上的小波变换谱作为心音信号的时间定位信号是合适的。
(2)对36个心音周期的分类结果：第一心音的特征谱经压缩较准以后，以标准长度300点存入计算机的构成心音特征谱数据库。用ART2维神经网络系统对已形成的特征谱数据库进行聚类。在聚类过程中调整ρ1警戒值，以达到准确地将各个类别区分的目的。为了研究网络对于正常的第一心音的聚类能力，我们调整ρ1使得这36个心音可以聚类为两类。
, http://www.100md.com
图2 第一心音的小波变换谱
Fig 2 The scalogram of the first heart sound
图3 正常的第一心音的小波包AR谱阵
Fig 3 The wavelet packet AR spectrum array of the first heart sound
结果表明：其中占有绝大多数的34个第一心音被分成了一类，我们任选其中之一在作出它的小波包分解以后，计算出它在0～256 Hz的AR谱阵，如图3所示。
让我们来观察第二类结果。图4(a)、4(b)是被聚类到第二类的两个第一心音的时域波形。图4(a)是第一心音分裂的典型波形，这个结果是非常有意义的。这个心音的出现属于正常的第一心音分裂的范围之内，但是分裂的时间宽度接近异常分裂的临床标准，喻示着受试者心脏的生理状况出现异常的可能性；同时，这个结果的出现，也显示了网络具有较高的聚类性能。图4(b)的时域波形并没有与分到第一类的心音信号有较大的差别，但从谱分布来看，它可以被聚到第二类。让我们来计算出这两个信号的小波包AR谱阵进行比较分析。
, 百拇医药
图4 第二类的两个心音波形
Fig 4 Two heart sound waves of the second kind
图5(a) 图4(a)的AR谱阵
Fig 5(a) The AR array of the signal in Fig 4(a)
图5(b) 图4(b)的AR谱阵Fig 5(b) The AR array of the signal in Fig4(b)
图5(a)、5(b)分别是图4(a)、4(b)的小波包AR谱阵，其频率范围为(0～256 Hz)。图5(a)中的二尖瓣成分距离三尖瓣成分的时间将近35 ms，比图3中的相应的时间要大得多，而且三尖瓣成分的能量较小。
, http://www.100md.com
图5(b)的AR谱阵和图5(a)具有非常相似的时频分布，其二尖瓣与三尖瓣的时间距离更长，为45 ms。这表明虽然它在时域波形上并未表现出明显的分裂，但是实际上它的二尖瓣和三尖瓣的 成分之间的距离已经非常接近第一心音异常分裂的范围。
4 讨 论
本文在深入分析ART神经网络的基础之上，设计出适合于对信号的时变谱进行分类的二维ART-2神经网络，利用小波变换谱作为神经网络的输入特征，实现了识别系统的特征提取、特征压缩和特征定位。并且用软件模拟实现了系统的所有功能，最后采用所设计出的神经网络识别系统对36个第一心音的分类进行了研究，研究了系统的性能。
小波变换谱对于心音信号的快变成分具有很高的反映能力，不仅可以对心音信号进行准确的定位，而且可以表示信号的时频动态变化信息；ART神经网络具有很好的稳定性、快速的识别能力以及抑制噪声的能力，并且它是无监督的学习。利用小波变换谱作为输入特征的ART神经网络具有较高的识别能力，可以实现对于心音信号的快速、准确的分类。
, http://www.100md.com
利用小波变换谱作为输入特征的ART神经网络，可以从正常人的连续36个第一心音信号中分离出两个趋于异常的心音，这个实验结果说明本文所设计的二维ART神经网络对于心音信号的分类具有较高的性能。
从生理意义的角度来看，此实验结果也表明了正常人的心脏的工作状态会在一个很小的概率范围内表现出不正常的运动趋势，这提示我们对于利用心音信号的心脏功能的评价而言，较为合适的方法是采用概率统计的方法，即通过对于连续几十个、甚至上百个心音信号的统计结果来对心脏功能作出合理的评价，而只依靠一个或几个心音周期的分析结果所作出的判断将会导致最终的结果的可信性较低。但是，偶尔检测到出现的心音信号的异常现象(例如偶发的心肌梗塞，在常规的检查中很难被检测到，而它所引起的心脏的振动系统的改变将会反映在心音的时变谱上)，对于心功能的评价也具有很大的参考价值，它会捕捉到心脏工作过程中偶发的异常状态，使得对于心脏功能的发展趋势和对于心脏功能的评价更为全面。
以往对于非特定人的心音信号的自动识别所采取的方法，一般都是对于某一个人的数个心音信号进行平均，然后用平均后的结果作为识别系统的输入特征[1～3]。从以上分析可以看出，这样平均的结果将会使部分趋于异常的心音影响分类的结果。本实验的结果表明，在对非特定人的心音信号进行识别时，需要选出某个人的具有代表性的心音信号的谱作为识别系统的输入特征，才可能使系统作出正确的判断。从这点意义上来说，本方法为心音的自动识别提供了新的方法。
, http://www.100md.com
参 考 文 献
1 Durand LG,Blanchard M,Cloutier G et al. Comparison of recognition methods for computer-assisted classification of spectra of heart sounds in patient's porcine bioprosthetic valve implanted in the mitral position.IEEE Trans.on Biomed.Eng,1990;BME-37(12)∶1121
2 Durand LG,Guo Z,Sabbah HN et al. Comparison of spectral techniques for computer-assisted classification of heart sounds in patient with porcine bioprosthetic valves.Med.Biol.Eng.& Comput,1993;5∶229
, http://www.100md.com
3 Kay M,Welkowitz W.Acoustical detection coronary occlusions using neural networks.J.Biomed.Eng,1993;15(11)∶469
4 Gail AC,Grossberg S,ART2:Self-organization of stable category recognition codes for analog input patterns. Applied Optics,1987;26(23)∶4919
5 Gail AC,Grossbergs S Rosen DB,ART2-A:An adaptiveresonance algorithm for rapid category learning and recognition,Neural networks.1991;4∶493
(收稿：1997-04-21), 百拇医药
单位：(浙江大学 生命科学与医学工程系，杭州 310013)
关键词：神经网络；心音信号；小波变换谱
生物医学工程学杂志980314 内容摘要 通过对ART-2神经网络进行改进，构造了适合于对信号的时变谱进行分类的二维ART神经网络，而后根据心音信号的特点，我们选择了心音的小波变换谱作为网络的输入特征。调整网络的参数，使之能够将输入的心音信号特征聚类成为两类，实验结果表明我们所设计的分类系统能够从连续32个正常人的心音信号中区分出两个正常分裂的心音。这个结果在基础生理研究和临床诊断上都有一定的应用价值。
Clustering Analysis of Phonocardiagrams
Wu Yanjun Zhao Yan Lu Weixue
, 百拇医药
(The Department of Life Science and Medical Engineering,Zhejiang University,Hangzhou 310013)
Abstract Through the development of the ART-2 neural network,we had constructed the 2-dimensional ART neural network appropriate for clustering the time-varying spectrums.After that ,according to the character of phonocardiagram(PCG),we chose the scalogram of PCG to be the input feature of the network.By adjusting parameters the network was enabled to cluster the input PCGs to two clusters.The result demonstrates that the system we designed can pick out,from among 32 continuous PCGs,two PCGs which have the tendency toward abnormality.This result may be applicable to basic physiological studies and clinical diagnosis.
, 百拇医药
Key words Neural network Phonocardiagram Scalogram
1 引 言
心音信号中含有人体心脏大量的生理病理信息，因此对用数字信号处理方法提取的心音特征，用模式识别或神经网络的方法对心音进行自动分类与识别，一直是人们十分感兴趣的研究课题之一。
心音信号的模式识别主要有两大类方法，其一是基于传统模式识别方法的心音识别[1，2]，另一类方法是基于神经网络的心音识别[3]。心音信号是非平稳性和随机性都很强的信号，利用传统的模式识别方法，对这种信号的识别往往遇到较大的困难。神经网络方法以其独具的优点而在心音模式识别中得到了越来越广泛的应用。
例如M.Akay[3]在对神经网络模式识别用于冠状动脉狭窄的无创声检测进行了研究。识别结果表明：学习后的神经网络可以从64例冠状动脉狭窄的心音信号中正确地选出50例，从36例无冠状动脉狭窄的心音信号中正确地选出32例，其准确率高于以往他所用的其它的识别方法。
, http://www.100md.com
本文在对心音信号的分析的基础之上，引入ART神经网络对心音信号进行识别。首先选择心音信号的小波变换谱作为识别网络的输入特征；其次构造了对于两维信号进行分类的二维ART神经网络。在用软件模拟实现了识别系统以后，对于特定人的心音信号的分类进行了研究。
2 改进的二维ART-2神经网络[4，5]
ART神经网络具有以下一些优点：它对任何输入观察矢量可以进行实时学习，可以适应非平稳环境；对已学习过的对象具有稳定的快速识别能力，通过定位子系统能迅速适应未学习的新对象；具有较高的抗噪性能，可以根据某些特征在全体中占的比例，有时作为关键特征，又有时当作噪声处理。系统可以完全避免陷入局部最小点的问题，从而可以避免网络作出错误的抉择。为了能够利用ART神经网络对于心音信号的时变谱进行识别，我们在ART-2的基础上构造了二维的ART神经网络。
2.1 二维的ART神经网络
, http://www.100md.com
二维的ART神经网络的系统结构如图所示。
图1 二维ART-2神经网络系统框图
Fig 1 2-dimensional ART-2 neural network
其中神经元的工作原理同ART神经网络的工作原理一样，X为网络的输入特征，Y为网络的分类输出，PL为警戒值，w1，w1′为由底向上和由上向下的长期记忆。输入的二维特征，首先被网络的底层分解为L个一维的输入向量，进入L个ART-2神经网络的输入端。在选择不同的PL以后，二维ART神经网络可以根据实际情况，使不同的局部特征对于整个识别结果产生不同的影响。这是我们所构造的二维ART神经网络的特点。
在以上构造的二维ART神经网络的基础之上，我们用C语言实现了二维ART神经网络。
, http://www.100md.com
2.2 网络输入特征的选取
输入特征的选取，直接关系着识别的方法及结果的准确性。小波变换以其对信号的非平稳成分的反映能力以及其稳健性(robust)而愈来愈广泛地用于信号分析之中。在选择合适的参数时，小波变换可以充分发挥出它的优越性，即既对高频时快变成分有充分的反映能力，又对低频时的慢变成分有较好的反映能力。
连续小波变换和离散小波变换都可以作为神经网络的输入特征矢量。
在ATR-2神经网络输入特征的提取方法中，我们选用了二进非正交小波变换，小波基函数采用时频局部定位性最好的Morlet小波。它具有以下特点：
(1)采用Morlet小波的二进非正交小波变换具有很好的时频定位性能，随着其尺度以2的指数幂的增加，小波的等效滤波器的带宽以2的指数幂减少。因此信号在二进非正交小波基函数上的分解类似于仿人耳听觉模型的带通滤波器，能够很好反映心音信号中的信息。
, 百拇医药
(2)二进非正交小波变换将信号分解到各个不同尺度上的信号长度是相同的，这为实现一个较为方便的二维ART-2网络提供了可能性。
(3)它采用的基函数形式为：
g(t)=π-1/4exp(-t2/2jwt)
可以看出，以上的小波基函数对信号的作用，将运算的结果取模的平方可以得到信号的功率谱，从而可以消除心音信号中较强的相位随机性的影响，使小波变换谱在各个尺度上的分布趋于稳定。有利于网络识别性能的提高。
2.3 参数的选取
(1)根据Carpenter的实验结果，我们选取a=b=10； c=0.1； d=0.9；
，(N为输入特征的维数)。, 百拇医药
(2)警戒值P的选取：警戒值P的选取对分类的结果有着较大的影响，P选得过高，有可能会将同一类的心音信号划分成不同的类，而P选得过低，则又会产生把不同类的心音信号分成一类。在实验中，我们通过对大量已知的心音信号的小波变换的谱的特征的分类训练，以确定最佳的P值，使得网络的误判率最小。
3 用二维ART神经网络对心音的小波变换谱的分类
3.1 心音信号的小波变换谱特征
心音信号的小波变换谱在不同尺度上的分布相应于心脏不同部分的振动信息。尺度较小的部分相应于信号的高频部分，可以表示心脏瓣膜的振动信息，血流本身及其对其他部分相互作用的信息，由于受呼吸状态等的影响，其随机性较强，对同一个人的不同周期也表现出很大的差异；而对于尺度较大的部分，相应于信号的低频部分，这是心肌与大血管等心脏的质量较大的部分，在瓣膜、血流和肌肉的作用之下产生的振动，表现出较大的确定性。
, http://www.100md.com
根据上述的小波变换谱在不同尺度上的特性，我们可以对尺度较小部分选取小的警戒值，而对尺度大的小波变换谱则选取大的警戒值，这样一来不同尺度的输入特征在分类中的作用是不同的，信号的随机性被削弱了，而确定性的部分被加强了，其结果使得分类的结果的准确性会大大提高。
对于二维的ART-2神经网络而言，若将上述的小波变换谱作为其输入特征，就需要解决几个问题。
(1)正常人群的个体差异是比较大的，不同的人在静息状态下，其心率的差异不仅很大，而且其心音信号的频率分布也会表现出剧烈的随机变化。对正常心音而言，其平均心率大约在75 Hz左右。即使对同一个人而言，心率也因其呼吸状态、情绪、测试时的身体状态而呈现出显著的变化。从心音信号的时域波形来看，其随机性的变化也是非常显著的。另外，正常的心音信号中也含有一些类似于异常的心音信号，如第一、第二心音的正常分裂。这就给心音的处理带来了相当大的困难。由于心音的随机性强，以及个体差异大，使得它成为长期以来许多研究人员解决的难点问题之一。我们这里仅仅对于特定人的心音信号的分类进行研究，以简化工作的复杂性。
, 百拇医药
(2)特征提取：我们参照对心音信号作出的时-频表示来提取小波变换谱的特征。对于正常心音，以及异常心音的小波变换谱，心音的高频部分能量主要集中在400 Hz附近，而低频部分能量主要集中在100 Hz左右，为使小波谱特征能够充分反映心音信号的主要信息而且又覆盖整个时频平面中的心音信号的主要成分，我们选取四个不同频率的小波变换谱作为神经网络的输入特征，其频率分别为410 Hz，310Hz，210 Hz，110 Hz，此时的小波函数我们仍然选取Morlet小波。
(3)特征定位：心音信号时变谱在频率方向上的平移表示心脏内部的振动状态的改变，可能预示着心脏疾病信息，在时间方向上的平移表示着心率或者心电—心肌的传导的变异；其次尺度的改变也喻示着心脏的运动的变化。这些实际上都是我们所要识别的信息，因此我们就直接采用小波变换谱作为网络的输入特征。
利用小波变换谱作为网络的输入特征，小波变换谱的频率方向上的信息即频率分布是实现聚类的依据之一。对于心音信号的小波变换谱的时间上的准确定位直接影响着系统的分类的性能，是我们需要考虑的关键问题之一。
, 百拇医药
利用心电信号的QRS波群作为参考信号对心音信号进行定位是较为常用的方法，但是这种方法对于有心电—心肌传导变异的受试者(例如左、右束支传导阻滞)来说就显得不合适，因为在这种情况下心电信号就会影响到对于心音的定位的准确度。
通过对心音信号的小波变换谱的分析中我们可以看到，第一、第二心音的小波变换谱中都含有瓣膜振动所产生的类似于脉冲信号的成分，这些脉冲成分在其特定的频率上的谱在时间上的变化非常尖锐，对于第二心音而言，首先出现的脉冲成分是主动脉瓣的振动所产生的，而且它也是第二心音的主要成分的起始点，此时主动脉瓣的振动与心脏的舒张期的开始密切相关，在其后心肌以及大血管的振动、肺动脉瓣的振动依次出现。因此将其作为心音信号的定位标准是合适的，而且它在时间上的尖锐变化会使对于心音的定位较为准确。对于第一心音的二尖瓣的振动所产生的脉冲信号作为第一心音的定位标准也会得到同样的结果。
选择这样的输入特征，将会使心音信号的主要成分在时间上的位置、在频率上的分布决定心音信号的分类结果。
, 百拇医药
(4)特征压缩：我们只选取4个尺度上的小波变换谱作为识别系统的输入特征，实际上也起到了特征压缩的作用。
3.2 对于特定人的心音信号的自动分类
(1)心音信号的小波变换谱特征数据的形成：对于一个正常人的心音一共选取了六个时间段，每一段有六个心音周期，采样率2 kHz，以文件形式存在计算机中，以形成心音信号的数据。然后对36个心音周期第一、第二心音分别计算出频率为410 Hz，310 Hz，210 Hz，110 Hz的小波变换谱。
图2为1个心动周期中第一心音的小波变换谱的波形，第一心音的小波变换谱的不同周期在相应的频率位置上的波形具有极好的相似性，这给神经网络的准确识别提供了可能性。位于310 Hz的小波变换谱的脉冲成分比较规则，将这个频率上的小波变换谱作为心音信号的时间定位信号是合适的。
(2)对36个心音周期的分类结果：第一心音的特征谱经压缩较准以后，以标准长度300点存入计算机的构成心音特征谱数据库。用ART2维神经网络系统对已形成的特征谱数据库进行聚类。在聚类过程中调整ρ1警戒值，以达到准确地将各个类别区分的目的。为了研究网络对于正常的第一心音的聚类能力，我们调整ρ1使得这36个心音可以聚类为两类。
, http://www.100md.com
图2 第一心音的小波变换谱
Fig 2 The scalogram of the first heart sound
图3 正常的第一心音的小波包AR谱阵
Fig 3 The wavelet packet AR spectrum array of the first heart sound
结果表明：其中占有绝大多数的34个第一心音被分成了一类，我们任选其中之一在作出它的小波包分解以后，计算出它在0～256 Hz的AR谱阵，如图3所示。
让我们来观察第二类结果。图4(a)、4(b)是被聚类到第二类的两个第一心音的时域波形。图4(a)是第一心音分裂的典型波形，这个结果是非常有意义的。这个心音的出现属于正常的第一心音分裂的范围之内，但是分裂的时间宽度接近异常分裂的临床标准，喻示着受试者心脏的生理状况出现异常的可能性；同时，这个结果的出现，也显示了网络具有较高的聚类性能。图4(b)的时域波形并没有与分到第一类的心音信号有较大的差别，但从谱分布来看，它可以被聚到第二类。让我们来计算出这两个信号的小波包AR谱阵进行比较分析。
, 百拇医药
图4 第二类的两个心音波形
Fig 4 Two heart sound waves of the second kind
图5(a) 图4(a)的AR谱阵
Fig 5(a) The AR array of the signal in Fig 4(a)
图5(b) 图4(b)的AR谱阵Fig 5(b) The AR array of the signal in Fig4(b)
图5(a)、5(b)分别是图4(a)、4(b)的小波包AR谱阵，其频率范围为(0～256 Hz)。图5(a)中的二尖瓣成分距离三尖瓣成分的时间将近35 ms，比图3中的相应的时间要大得多，而且三尖瓣成分的能量较小。
, http://www.100md.com
图5(b)的AR谱阵和图5(a)具有非常相似的时频分布，其二尖瓣与三尖瓣的时间距离更长，为45 ms。这表明虽然它在时域波形上并未表现出明显的分裂，但是实际上它的二尖瓣和三尖瓣的 成分之间的距离已经非常接近第一心音异常分裂的范围。
4 讨 论
本文在深入分析ART神经网络的基础之上，设计出适合于对信号的时变谱进行分类的二维ART-2神经网络，利用小波变换谱作为神经网络的输入特征，实现了识别系统的特征提取、特征压缩和特征定位。并且用软件模拟实现了系统的所有功能，最后采用所设计出的神经网络识别系统对36个第一心音的分类进行了研究，研究了系统的性能。
小波变换谱对于心音信号的快变成分具有很高的反映能力，不仅可以对心音信号进行准确的定位，而且可以表示信号的时频动态变化信息；ART神经网络具有很好的稳定性、快速的识别能力以及抑制噪声的能力，并且它是无监督的学习。利用小波变换谱作为输入特征的ART神经网络具有较高的识别能力，可以实现对于心音信号的快速、准确的分类。
, http://www.100md.com
利用小波变换谱作为输入特征的ART神经网络，可以从正常人的连续36个第一心音信号中分离出两个趋于异常的心音，这个实验结果说明本文所设计的二维ART神经网络对于心音信号的分类具有较高的性能。
从生理意义的角度来看，此实验结果也表明了正常人的心脏的工作状态会在一个很小的概率范围内表现出不正常的运动趋势，这提示我们对于利用心音信号的心脏功能的评价而言，较为合适的方法是采用概率统计的方法，即通过对于连续几十个、甚至上百个心音信号的统计结果来对心脏功能作出合理的评价，而只依靠一个或几个心音周期的分析结果所作出的判断将会导致最终的结果的可信性较低。但是，偶尔检测到出现的心音信号的异常现象(例如偶发的心肌梗塞，在常规的检查中很难被检测到，而它所引起的心脏的振动系统的改变将会反映在心音的时变谱上)，对于心功能的评价也具有很大的参考价值，它会捕捉到心脏工作过程中偶发的异常状态，使得对于心脏功能的发展趋势和对于心脏功能的评价更为全面。
以往对于非特定人的心音信号的自动识别所采取的方法，一般都是对于某一个人的数个心音信号进行平均，然后用平均后的结果作为识别系统的输入特征[1～3]。从以上分析可以看出，这样平均的结果将会使部分趋于异常的心音影响分类的结果。本实验的结果表明，在对非特定人的心音信号进行识别时，需要选出某个人的具有代表性的心音信号的谱作为识别系统的输入特征，才可能使系统作出正确的判断。从这点意义上来说，本方法为心音的自动识别提供了新的方法。
, http://www.100md.com
参 考 文 献
1 Durand LG,Blanchard M,Cloutier G et al. Comparison of recognition methods for computer-assisted classification of spectra of heart sounds in patient's porcine bioprosthetic valve implanted in the mitral position.IEEE Trans.on Biomed.Eng,1990;BME-37(12)∶1121
2 Durand LG,Guo Z,Sabbah HN et al. Comparison of spectral techniques for computer-assisted classification of heart sounds in patient with porcine bioprosthetic valves.Med.Biol.Eng.& Comput,1993;5∶229
, http://www.100md.com
3 Kay M,Welkowitz W.Acoustical detection coronary occlusions using neural networks.J.Biomed.Eng,1993;15(11)∶469
4 Gail AC,Grossberg S,ART2:Self-organization of stable category recognition codes for analog input patterns. Applied Optics,1987;26(23)∶4919
5 Gail AC,Grossbergs S Rosen DB,ART2-A:An adaptiveresonance algorithm for rapid category learning and recognition,Neural networks.1991;4∶493
(收稿：1997-04-21), 百拇医药