心音去噪的研究与实现

心音去噪的研究与实现心音是最重要的信号之一。然而，许多外界因素会影响心音信号的采集。心音是弱电气信号以至很弱的外部噪声就能导致信号中的病理和生理信息的错误判断，从而导致疾病的错诊。因此对心音信号去噪的研究非常重要。本文提出了一种基于matlab的更系统的心音去噪的研究与分析。基于matlab的心音去噪的研究首先应用matlab的强大的图像处理功能将含噪心音信号变换到小波域，用小波变换在母粒的层次上对其进行分解，并采用软阈值函数的小波变换阈值法去噪，得到小波分解系数，采用这样的方法信号的去噪效果显著改善了。根据小波分解得到的各段分解系数，利用小波变换合成重构信号。最后，本文是使用陷波滤波器消除50HZ的工频和35HZ的机电干扰信号。引言心音信号是用于检测心脏性能，获取生理和病理信息的重要信号之一。然而，在心音信号的采集过程中不可避免的会受到周围噪音的影响，比如电磁干扰，工频噪声，由人本身的呼吸、肺音产生的电干扰等。因此，我们采集到的是混合信号。有时噪声信号会严重干扰有效信号，造成有效信号的丢失，这对于提取相应的病理信息是及其不利的。为了减少有用信息的缺失，去噪是采集信号中的至关重要的过程。心音信号去噪旨在消除干扰信号保留有效信号。1.1研究的背景国外稍早于国内开始研究心音信号的去噪。LiangH,Lukkarinens，HartimoI在1997年提出了基于信号包络图的心音分段算法，采用了小波的分解与重构，使用shannon平均能量包络计算，选定阈值，找出峰值点位置，利用小波变换识别S1和S2。Hebden等主要运用统计学原理和神经网络识别S1和S2。由于识别过程不需要同时记录心音图作为参考信号，不仅节省了存储空间，也免于了隔离设备的限制，更重要的是,在某种程度上节约了费用。另外，从2005年起如何提取第三心音S3成为了研究热点。由于低振幅、低频率、持续时间短，提取S3成了个难题。提取S1和S2的方法可以获得准确的结果但计算比较复杂且不适用于S3。Kumar等首先采用小波阈值变换过滤从含噪心音中分离出S1,S2,和S3，然后使用高频标记和识别S3。在中国，心音分析仍处于初级阶段，时间频率分析已应用于心音信号的处理。现阶段已经完成了信号的线性分析（短时傅里叶变换，小波变换和Garboexpanding）非线性时频分析（winger-Ville分布,科恩分布和时频分布级数），提出了心音信号处理的应用和研究。然而，心音信号去噪仍停留在硬件去噪水平。1.2研究的价值心音信号包含了心脏各部分的心理病理信息.更重要的是心音信号易被心血管疾病影响，心音信号检测是心血管疾病无创性检测的重要方法。在采集心音信号的过程中，心音信号易受外界噪声的干扰（人本身呼吸的声音，皮肤摩擦的声音，工频噪声（50HZ），机电干扰（35HZ）和外部环境的高斯白噪声）。这样的情况下部分有用的心音信号就丢失了，导致诊断疾病的准确性和精度降低了。传统的去噪方法仅使用硬件去噪，但去噪效果不尽人意。更糟糕的是，硬件去噪中频率干扰很容易被引入。本文提出matlab编程去噪算法,最小化有效信息的损失,以便更有效地消除噪声。2.心音数据库的建设研究基于matlab的心音去噪，去噪需采用不同类型的心音信号。我们数据库里，心音去噪包括正常心音和非正常心音数据库。前者包括正常心音信号，快速的心跳声音，心底和心尖部正常心音。后者则包括第二心音的重叠率的分裂、减弱、增强，第一心音的分裂、减弱、程度不等的增强，二尖瓣不足,宽分裂,连续的杂音,轻度二尖瓣狭窄,心室萼片缺陷,老年人心脏肥大的反向分割，心音混乱,主动脉瓣关闭不全，主动脉瓣逆流，狭窄的主动脉瓣、逆流以及主动脉瓣区的第二心音的增强等等。我们的心音数据库里包含了详细的有关心音信号特点的分析和总结以及心音信号与噪声信号之间的比较，这些数据为心音去噪研究提供了相应的基础。3.心音去噪算法和陷波滤波器的设计用于心音去噪的多层小波分解阈值去噪算法的步骤。心音去噪算法根据心音信号与噪声信号的在各尺度上的小波系数具有不同特征的特点采用多层小波分解阈值法来消除噪声。在小波域，根据噪声信号机制构造了与之相应的小波系数处理的规则以及如何更多的过滤掉这些系数。同时，尽可能多的保留有用心音信号的小波系数。最后，心音信号采用阈值小波系数进行重建。小波变换阈值法降噪的整体框架。其中第二、第三、第四步是多层小波阈值去噪算法的核心部分。所有采集到的信号均是含噪心音信号。为了体现出所提出的方法的优点，可按如下步骤进行试验：首先在纯信号中加入高斯白噪声，然后采用本文提出的方法去噪，最后综合分析以上两个步骤，你会发现本文所提出的方法的可行性和实用性。3.1小波基函数的选择：最优小波函数的选择对多层小波变换算法是个关键。不同的小波有着不同性质以及与之对应的优缺点。此外，没有一个小波能以绝对的优势来表示所有的信号。所以在使用过程中有必要根据实际情况选择最佳小波函数。本文根据理论与实践相结合的原则，综合分析了各种小波的特点并得出了结论。最后，实验结果验证了得出的结论，从而我们得到了合适的小波函数。图1多层小波变换阈值法降噪的整体框架根据是否支持紧支撑选择db小波，sym小波，coif小波和Bio小波。我们可以根据不同类型的小波是否支撑正交分析或者双正交分析选择db小波，sym小波，coif小波和Bio小波（正交基的选择更接近实际的信号本身故比传统方法和基于双正交小波变换具有更好的线性相位）。根据小波是否具有对称性，是否能避免相移来选择db小波，sym小波，coif小波和Bio小波。所选小波的支撑长度范围从5到9，sym小波支持的长度是2N-1，coif是6N-1。由于N.Payattention的支撑长度不是太长也不是太短所以我们可以基于它来选择支持长度。因为太短的支持长度会导致太低不为零矩阵，这不利于信号能量的聚焦，太长的支撑长度又会导致边界值问题。随着实验验证，紧支撑的长度范围从5到9。在这个范围内已经消除噪声的信号更接近真实信号，从而证明了本文分析是可行的。3.2小波变换算法的阈值选择在小波变换阈值法降噪中，阈值的设置直接影响信号去噪的效果。目前选择阈值的方法很多，包括通用阈值选择、Stein无偏似然估计阈值选择、启发式确定阈值选择和采用极大极小进行阈值选择等等。启发式确定阈值选择是前两种阈值选择的综合。在高信噪比情况下，由于阈值是基于基于确定抑制噪声限制的，因此启发式确定阈值法可以利用启发式函数自动地选择前两种阈值中的一个。最小最大方差法采用极大极小原理产生阈值。经过多次测试比较启发式选择阈值法和最小最大方差法，我们发现最小最大方差法比其他方法更好。它不仅能够消除相关的噪声，还能保证降噪后的心音信号更接近原信号。3.3设置阈值函数从对小波系数不同的处理方法看，阈值函数包括硬阈值函数和软阈值函数。这两种阈值函数均是去除低频部分的小波系数保留高频部分的小波系数。在实际应用中，硬阈值函数是不连续的，因此会直接导致去噪后出现突变震荡点。这种现象在高性噪比的情况下更加明显。相比之下，软阈值函数能弥补这一缺点。但正所谓任何事物都有好坏，软阈值函数也不例外。当小波系数很大时，去噪后得到的小波系数和原始小波系数之间会存在恒定的偏差，这会直接影响重构信号与真实信号的逼近程度。然后，最重要的是震荡问题，所以最好采用软阈值函数。3.4陷波滤波器的设计和实现采样频率：Fs=1102HZ,陷波滤波器的传递函数是：(1/)(exp(*2**0))*(exp(*2**0))()(1/)(*exp(*2**0))*(*exp(*2**0))BzzjpifzjpifHzAzzajpifzajpiff0是陷波滤波器测出的信号频率，a是陷波滤波器的一个深度相关的系数，a越大，深度越深。陷波滤波器的主要功能设计是消除30HZ的机电干扰和50HZ的工频干扰。实验结果表明，这种类型的数字滤波器的设计不仅仅只需要更少的计算，还可以有效的消除30HZ的机电干扰和50HZ的工频干扰，而且有效信息的损失很少。图2：第二心音信号的频率分布和消除30HZ的机电干扰和50HZ的工频干扰后信号的频率分布图4小波变换的实验结果4.1水平分解图3正常心音信号的6层分解图4正常心音信号的9层分解图5原心音信号和经软阈值函数法降噪后的图形图6降噪前后信噪比对比图在图6中，横坐标1-8按序分别代表：正常的心音的心音信号，消弱的第二心音信号，分裂的第二心音信号，快速的心跳信号，增强的第一心音信号，轻度二尖瓣狭窄信号，老年人心脏肥大的反向分割和心室中隔缺损信号。从图3到图6，我们能够看出采用多层小波分解的最佳分解层数。当分解层数越低时，性噪比的增加越慢。但如果分解层数太高，就会导致有用信号的缺失。4.2采用heursure和mininaxi确定阈值的处理结果图7采用heursure和mininaxi确定阈值的处理结果在图7中，横坐标1到9按序分别表示：锯齿波信号，正常的心音的心音信号，消弱的第二心音信号，分裂的第二心音信号，快速的心跳信号，增强的第一心音信号，轻度二尖瓣狭窄信号，老年人心脏肥大的反向分割和心室中隔缺损信号。在信噪比保持不变的情况下，对原信号采用软阈值函数。从仿真结果可以看出由极小极大阈值确定阈值进行去噪法效果更好。这个方法可以在尽可能多的保存有效信息的情况下提高信噪比。4.3采用软阈值函数和硬阈值函数的结果图8采用软阈值函数和硬阈值函数处理的性噪比在图8中，横坐标从1到9按序分别表示：锯齿波信号，正常的心音的心音信号，消弱的第二心音信号，分裂的第二心音信号，快速的心跳信号，增强的第一心音信号，轻度二尖瓣狭窄信号，老年人心脏肥大的反向分割和心室中隔缺损信号。从图8，我们可以看出采用软阈值函数比采用硬阈值函数性噪比提高更多。5．总结本文介绍了心音去噪的研究与实现。这次研究应用了强大的图像处理功能，由此可以用软件来实现心音去噪，弥补了硬件去噪的缺点。采用多层小波变换来处理每级详细的小波系数阈值来消除噪声和各个频带的干扰。同时，选择陷波滤波器来滤除工频噪声和人体的机电干扰。在消噪的设计过程中，选择最佳小波基，决定小波变换的最佳分解级数，决定阈值的方法及各方法的比较，详细分析了各方法提高性噪比的效果。此外，设计数字滤波器过滤小波弥补了模拟滤波器的缺点。同时，本文还对处理的结果做了比较，我们从强制去噪和给定阈值去噪的结果能够看出采用多层小波变换阈值法降噪的优点和灵活性。我对这篇文章的看法：1.这篇文章实现了利用软件去噪取代了硬件去噪。2.这篇文章采用多层小波变换阈值法降噪。小波变换具有低熵性、多分辨率特性、去相关性、选基灵活性等良好特性。阈值去噪方法是一种实现简单、效果较好的小波去噪方法。阈值去噪方法的思想是对小波分解后的各层系数中模大于和小于某阈值的系数分分别处理，然后多处理完的小波系数再进行反变换，重构出经过去噪后信号。如何选择最佳小波基、阈值、阈值函数对多层小波分解变换阈值法降噪都十分重要。在这篇文章中都有详细描述。3.这篇文章在处理含噪心音信号之前先使用陷波滤波器对信号进行过滤。陷波滤波器的原理是：陷波器是一种特殊的带阻滤波器,其阻带在理想情况下只有一个频率点,因此也被称为点阻滤波器.这种滤波器主要用于消除某个特定频率的干扰,例如,在各种测量仪器和数据采集系统中用于消除电源干扰的工频陷波器.数字陷波器一般为IIR滤波器.由于陷波器频率特性的特殊性,它除了可采用双线性变换进行设计外,还可以采用所谓零极点配置的方法进行设计.这篇文章中使用陷波滤波器主要功能是消除30HZ的机电干扰和50HZ的工频干扰。实验结果表明，这种类型的数字滤波器的设计不仅仅只需要更少的计算，还可以有效的消除30HZ的机电干扰和50HZ的工频干扰，而且有效信息的损失很少。4.这篇文章采用minimaxi法即采用极大极小值进行阈值选择。’minimaxi’它不仅能够消除相关的噪声，还能保证降噪后的心音信号更接近原信号。5.这篇文章采用软阈值函数。相比硬阈值函数在阈值点的不连续，会直接导致去噪后出现突变震荡点。软阈值函数在阈值点是连续的