阅读说明：本技术 基于概率神经网络模型的心音分析系统 (Heart sound analysis system based on probabilistic neural network model ) 是由 史沛然 李秋霖 完晓妍 于 2018-08-13 设计创作，主要内容包括：一种基于概率神经网络模型的心音分析系统。这个系统由心音采集处理模块和心音智能分析模块构成,硬件部分为心音采集电路单元,软件部分为心音处理单元、心音自动诊断单元以及数据显示单元。本系统通过对心音信号的采集、处理和智能分析可以实现常见心脏疾病的自动诊断,给人们提供健康信息和健康建议,也可作为医院辅助诊断设备。(A heart sound analysis system based on a probabilistic neural network model. The system consists of a heart sound acquisition and processing module and a heart sound intelligent analysis module, wherein the hardware part is a heart sound acquisition circuit unit, and the software part is a heart sound processing unit, a heart sound automatic diagnosis unit and a data display unit. The system can realize automatic diagnosis of common heart diseases through acquisition, processing and intelligent analysis of heart sound signals, provides health information and health advice for people, and can also be used as auxiliary diagnosis equipment of hospitals.)

基于概率神经网络模型的心音分析系统

技术领域

本发明涉及医疗分析领域，尤其是涉及一种心音处理与分析的系统。

背景技术

据世界心脏联盟对世界范围内死亡人员的统计，三分之一的死因为心血管类疾病，而死于心血管疾病的人中，80%来自中低收入国家或地区。心脏疾病已成为不可忽视的“健康杀手”。所以，有效的预防与治疗心血管疾病措施亟需提出。

临床上对心脏及心血管疾病的诊断分为无创和有创两类，无创诊断（包括心阻抗图、心尖搏动图、超声心动图等）在测量的准确性、简便性和稳定性方面存在问题，限制其广泛应用；有创诊断（包括心血管造影和漂浮导管法等）效果良好，但属于有创检测，具有一定风险且费用昂贵，尚未被普遍接受。心电图诊断仍然存在诊断滞后的缺陷，如冠状动脉阻塞疾病的诊断，当阻塞达到70%~75%以上时才能引起心电图改变，而阻塞率为 25%时即可引起心音信号改变，这说明心音中包含丰富的心脏血管信息，心音信号分析在心血管系统疾病的诊断和预防中有极其重要的现实意义。

在现代医疗科技特别是心脏诊断技术蓬勃发展的今日，心脏听诊依然是重要的辅助诊断手段，心脏听诊得到的心音信号含有大量的病理信息。传统听诊技术过分依赖医生的经验判断，容易出现判断失误或者诊断效率低下等问题。

发明内容

本发明的目的就是利用机器学习中的神经网络模型，实现基于心音的心脏辅助诊断，以克服以上提出的问题。

本发明的目的可以通过以下技术方案来实现：

（1）使用音频软件工作平台中的音频读取函数读取心音录音。

（2）对心音信号进行消噪处理，使用阈值消噪。

（3）对心音信号进行阶段分析，得到截断心音波形。

（4）将经过预处理的心音信号进行多尺度小波分解，对心音信号进行五层小波分解。略去小波分解得到的低频系数以及第四层、第五层高频系数。第一层高频系数代表正常心音的频段信息，而第二层、第三层高频系数代表可能出现的心脏杂音的频段信息。

（5）依据以下公式对采样数据进行归一化处理：

其中为原信号，

为时间域上幅度最大值。部分声音数据在预处理后的时域波形图中就可以观察到声音***情况。

（6）对数据进行分段处理，每15ms为一段，其间隔为5ms，依据平均香农能量的定义，由分段数据计算整段心音信号的归一化香农能量，在归一化香农能量分布的时域图上直接识别出第一心音和第二心音，进而得到心动周期（hrt）、第一二心音的时延(s1t、s2t)与幅值（I1、I2），最后计算出心音在时域上的特征值包括：每分钟心率（hr）、S1 时限与心率比值（s1t/hr）、S2 时限与心率比值（s2t/hr）、S1 幅值与 S2 幅值的比值（I1/I2 )。

（7）心音诊断模型将选取的特征值作为模型的输入，使用概率神经网络（PNN）进行诊断。

诊断过程分为训练过程以及实际应用过程。在训练过程中：

1设置 PNN 网络参数初始值

2将训练集输入 PNN 网络进行训练，调整参数，得到诊断模型。

3将测试集输入网络进行测试。

在诊断过程中输入待诊断样本，最终得到输出诊断结果。

与现有技术相比，本发明具有以下优点：

1.小波变换和归一化香农处理可以较为全面准确的表征心音的时域特征。

2. PNN 模型建立速度快，学习过程简单，可以根据样本确定隐层神经元数量，不需要进行繁琐的反复训练，模型构造效率很高。

3.PNN 的诊断基于最小风险的 Bayes 决策，可以得到比现有BP算法更为准确的结果。

附图说明

图1为采集电路系统框图；

图2为本发明的算法流程图；

图3为概率神经网络分析心音流程图。

具体实施方式

下面结合附图对本发明作进一步说明：

如图1所示，是本发明可用的采集电路，以机械听诊器听头和驻极体话筒为信号采集器、传感器，模拟信号处理部分进行放大、滤波，在耳机、单片机、上位机电脑进行播放储存和进一步处理。

如图2所示，是本发明信号采集后的分析处理具体算法流程。

心音信号预处理过程首先对数据进行阈值消噪，然后对心音信号进行五层小波分解，由于不同的小波分解系数代表不同频段的信号信息，略去低频系数以及第四层、第五层高频系数。在分解结果中保留第一层、第二层和第三层高频系数。第一层高频系数为正常心音的频段信息，第二层、第三层高频系数为可能出现的心脏杂音的频段信息。

选取诊断特征值过程先对数据在时域上进行分段处理，再对采样数据进行归一化处理，得到心动周期（hrt）、每分钟心率（hr）、S1 时限与心率比值（s1t/hr）、S2 时限与心率比值（s2t/hr）、S1 幅值与 S2 幅值的比值（I1/I2 )等心音诊断特征值。

如图3所示，是本发明使用概率神经网络分析心音的流程。

第一层为输入层，该层把输入的心音特征传递给所有的模式单元，神经元个数等于心音特征向量的长度。输入的心音特征向量先与系数ω_i加权后输入到模式层中进行计算。

第二层为模式层，模式层的神经元个数与训练样本总数相等。模式层中计算每一类心音中的每一个神经元输出的概率，并将计算出的概率输入求和层进一步分析。

第三层为求和层，求和层神经元数目与心音类型数相同，将模式层中属于同一种心音类型的隐含神经元的输出做加权平均，并得到每一种心音类型的概率密度函数。

第四层为输出层，输出层根据各类对输入向量的概率的估计，采用Bayes分类规则，选出具有最大后验概率的心音类型输出作为诊断结果。