[发明专利]一种心音信号周期的检测与心音的状态分割方法

说明书

本发明公开了一种心音信号周期的检测与心音的状态分割方法，该方法包括下列步骤：步骤1)对于一段时长的心音信号，加窗截取若干段长度为L的信号；对任一段信号Y，进行自相关分析，得到心音信号的一个心动周期长度N；据此进行整周期的心音信号切分，得到k段信号；步骤2)对k段整周期心音信号进行主成分分析，得到经典心音周期信号x；步骤3)对经典心音周期信号x进行分帧处理，提取能量包络，采取极大似然估计算法建立二元隐马尔可夫模型，得到各帧所属状态，并据此得到4个状态的分割点。本发明的方法能够准确划分心音信号的状态，增强心音分析应用系统对噪声环境的适应性。

技术领域

本发明涉及语音信号处理的技术领域，具体的说，涉及一种心音信号周期的检测与心音的状态分割方法。其中，心音的状态分割方法是在时间维度上判断某时刻某段时长内出现的心音状态的类别。

背景技术

心音信号的周期性检测与状态的分割是进行心音信号的分析必不可少的组成部分，它是进行心音信号分析的第一步也是最为重要的一步，是进行一系列心音分析后续处理的关键，状态分割的正确性直接影响心音特征分析的效果。

在心音信号的分析中，所要面对的一个问题就是噪声干扰，它们直接影响着周期长度的检测和心音状态分割的效果。呼吸音、肠鸣音、心肺杂音等人体噪声、听诊设备与体表的摩擦噪声，以及周围环境噪声等等各种噪声的干扰是必须要克服的一个重要影响因素。目前提出了很多方法来对试图减弱噪声对心音信号分析的干扰，多数方法是依赖于启发式算法，存在的问题如下：

1、现有算法多是筛选出几乎没有干扰的心音记录作为参考信号，再从中进行人工划分状态，提取参数。在实际应用当中，一旦实际记录心音出现摩擦冲激或是噪音干扰比较明显的情形，就会分类失败。

2、现有的算法往往采用比较简单的监督或半监督方法获取不同状态的分布参数，对训练集中样本的要求较高，受到人工分类的主观性影响较大。

3、心音信号是一种个体间差异相对较大的信号，现有算法通过训练集样本获取参数的方式是一个很大的限制因素，因此分类的鲁棒性不高。

发明内容

本发明的目的在于克服目前心音信号的周期性检测与状态的分割方法存在的上述缺陷，基于心音信号的周期性，将一段记录心音划为多个心动周期，将不具备周期性的杂音如摩擦冲激、周围噪声等通过提取主成分的方法消除或减弱，从而获得典型心音特征的心动周期信号；同时基于一个心动周期内4个状态间的时序相关性，提供一种基于主成分分析与隐马尔可夫模型的心音的周期检测与状态划分方法，该方法利用主成分分析提取典型心音特征，二元隐马尔可夫模型对心音信号的时序相关性进行建模，把能量包络看作一个马尔可夫链，这个链条在第一与第二心音的“出现”和“不出现”两种状态间跳转，对于每个状态，采用一个高斯分布描述其分布，再根据HMM模型的前、后向因子，可以导出S1、S2在某个时刻的出现概率。再使用一个心音周期中4个状态间的时序特点，划分出各个状态的起止时刻及持续时长。

为了实现上述目的，本发明提供了一种心音信号周期的检测与心音的状态分割方法，该方法基于主成分分析与隐马尔可夫模型来实现对心音信号主要信息的提取，实现对心音信号4个状态的准确分割，该方法包括下列步骤：

步骤1)对于一段时长的心音信号，加窗截取若干段长度为L的信号；对任一段信号Y，进行自相关分析，得到心音信号的一个心动周期长度N；据此进行整周期的心音信号切分，得到k段整周期心音信号；

步骤2)对k段整周期心音信号进行主成分分析，得到经典心音周期信号x；

步骤3)对经典心音周期信号x进行分帧处理，提取能量包络，采取极大似然估计算法建立二元隐马尔可夫模型，得到各帧所属状态，并据此得到4个状态的分割点。

上述技术方案中，所述步骤1)具体包括：

步骤1-1)对数字化信号进行预处理后进行加窗；截取出含有多个周期的长度为L的信号Y；