先天性心脏病心音识别与量化研究

《先天性心脏病心音识别与量化研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

－ｆｃ．：．－．．；—．ｒＶ’：．；■’’竿若ｔＬ分类号密级ＵＤＣ、ｆ．采寺硕壬学位论文Ｖ｜－二ｉ．＿－先天性也脏病也音识別与量化研究＇－：ａ：；：作者姓名唐替．＇．‘始窜：学科、专业：信号与信息处理＇■■学号：２１２Ｑ１２０８１Ｑ０２０Ｑ２，＾＾ＳＳｓｉ与－；社紫蘇ｊ：！ｔ指导教师：王海纔Ｘ．＇＇ｉ—＂Ｖ心；：２０１５４月＾完成日期；年ｒＸ＾Ｉ＾■寺卢＇？＾’ｍ＾ｉｙ盛，三 西华大学学位论文独创性声明、作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究工作所取得的成果。尽我所知，除文中己经注明引用内容和致谢的地方外，本论文不包含其他个人或集体己经发表的研究成果，也不包含其他已申请学位或其他用途使用过的成果一。与我同王作的同志对本研究所做的贡献均己在论文中做了明确的说明并表示了谢意。若有不实之处，本人愿意承担相关法律责任。学位论文作者签名：曰期心巧的別日期心佔幸而巧西华大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，在校攻读学位期间论文工作的知识产权属于西华大学，同意学校保留并向国家有关部口或机构送交论文的复印件和电子版，允许论文被查閑和借閑，西华大学可レ义将本论文的全部或部分内容编入有关数据库进行检索，可《采影印、缩巧或担描等复巧手段保存和汇编本学位论文。（保密的论文在解密后遵守此规定）学位论文作者签名：指导教师签曰期：心（ｒ７３曰期２〇ｔ年勺川命巧 ClassifiedIndex:UDC:密级：XihuaUniversityMasterDegreeDissertationResearchofCHDHeartSoundRecognitionandQuantizationCandidate:TangZanMajor:SignalandInformationProcessingStudentID:212012081002002Supervisor:Prof.WangHaibinApril,2015 西华大学硕士学位论文摘要心音信号是由于心脏瓣膜的开关、肌腱和肌肉的舒张收缩、血流的冲击及心血管壁振动而产生的一种复合音，心音中出现的心脏杂音包含着重要的诊断信息，尤其是对先天性心脏病的初级诊断具有分析价值。由于心音信号所包含的心脏生理病理信息复杂多变，目前对心音所作的分析研究，多数仅限于定性的特征描述，要得到定量的特征值并作为诊断的指标还需进一步的努力。本课题为“先天性心脏病心音识别与量化研究”，主要在临床先心病心音识别与定量分析研究方面作了一些研究工作。具体研究工作主要从以下几个方面展开：(1)熟悉心音听诊的基本信息，掌握心音信号的产生机理以及心音杂音与心脏疾病之间的关系；总结国内外心音研究现状，了解心音研究的发展，发现研究中的主要问题。(2)心音信号的采集与预处理：介绍了本文心音数据采集所用的数字听诊器和基于BIOPAC的四导心音采集系统，对系统的功能及主要参数指标做了详细的介绍。并对采集得到的心音数据进行了相应的预处理手段，以便于后期提取特征及分析。(3)心音识别系统研究：主要介绍了基于MFCC参数和LPMCC参数作为心音识别参数，采用基于VQ和DTW算法作为识别模型的心音解析系统，该系统较好地实现了正常心音与常见先天性心脏病心音的识别。(4)心音量化系统研究：本文针对临床常见先天性心脏病，提出了一种临床先心病缺损孔径定量分析方法，初步实现了临床心音量化分析的目标。其具体内容如下：1.几种临床常见的先心病的病理信息介绍，并根据实际的听诊知识，选择适合分析的采集部位的心音信号进行下一步的分析。2.心音信号的预处理。基于心音信号的时间连续性和短时平稳特性，本文对心音信号进行自适应小波阈值降噪后，进行了预加重、加窗分帧等一系列处理，以便于特征提取及分析。3.先心病心音信号识别系统。先心病心音识别系统分为特征提取和心音识别两个部分，特征提取阶段本文引入了语音识别参数MFCC及改进LPCC得到的LPMCC参数，在心音识别部分本文采用基于VQ和DTW的混合识别模型，取得了较好的识别效果。4.基于小波能谱熵的先心病缺损孔径大小量化研究。本文在小波分解重构的基础上，提出不同频带下的小波能谱熵，并与缺损孔径大小做相关分析比较，从而初步提取了表征常见先心病的心音缺损孔径大小的定量评价方法。I 先天性心脏病心音解析量化系统综上所述：本文对临床先天性心脏病心音的识别及量化系统进行了研究，并利用临床心音数据进行了验证，实验证明：该识别系统能较好的识别正常心音及常见先心病心音，基于小波能谱熵的量化方法也能较好地表征先心病缺损孔径大小。关键词：临床心音；先天性心脏病；心音识别；心音量化分析；小波能谱熵；II 西华大学硕士学位论文AbstractHeartsoundsignalisacompoundsoundofheartvalvesswitch,tendonandmusclerelaxationshrinkage,bloodflowimpactandcardiovascularwallvibration.Themurmursincludedinheartsoundareusefulinformationfordiagnosis,especiallyfortheprimarydiagnosisofCHD.Asheartsoundsignalincludecomplexandchangefulcardiacphysiologyandpathologyinformation,themajorityofheartsoundanalysisandresearchesarelimitedtoqualitativedescriptionatpresent,andquantitativeanalysiswillneedgreateffortsinthefuture.Thisstudyisnamedas"ResearchofCHDHeartSoundRecognitionandQuantization".thisdissertationmainlystudiesonrecognitionandquantitativeanalysisofclinicalCHDheartsounds.Mainworksareintroducedindetailfromthefollowingaspects:(1)Befamiliarwithbasicinformationofheartsoundauscultation,graspthetheoryofheartsoundsignalgenerationandtherelationshipbetweenheartmurmurandheartdiseases;summarizetheresearchesonheartsoundinhomeandoverseas,understanddevelopmentofheartsoundresearch,andfindoutmainproblemsinthisfield.(2)Heartsoundsignalacquisitionandpre-processing:ThedigitalstethoscopeandheartsoundacquisitionsystembasedonBIOPACthatusedinHSdataacquisitionisintroduced.Andthefunctionsandmainparametersofthesystemaredescribedindetail.TheHSdataispre-processedinappropriateway,forlaterfeatureextractingandanalysis.(3)Heartsoundrecognitionsystemresearch:MainlyintroduceaheartsoundrecognitionsystembasedonMFCCparametersandLPMCCasheartsoundidentificationparameters,andusingVQandDTWalgorithmastheidentificationmodel,thesystemhasrealizedawellrecognitiononnormalheartsoundswithcommonCHDheartsounds.(4)Heartsoundquantitativesystemresearch:AimingatcommonclinicalCHD.ThisstudyproposesaclinicalCHDdefectaperturequantitativemethod,achievethegoaloftheclinicalheartsoundquantitativeanalysispreliminarily.Thisspecificfollowingcontains:1.PathologyinformationofseveralcommonclinicalCHDareintroduced,andaccordingtotheactualauscultationknowledge,heartsoundsignalfromsuitablecollectionpositionischosenfortheanalysisinthenextstep.2.Heartsoundpreprocessing.Basedonthetimecontinuityandshort-timestationarycharacteristicsofHS,inthisthesistheheartsoundneedaseriesofprocessingincludepre-emphasisandwindowingafterwaveletthresholdde-noising.3.ThesystemofCHDheartsoundrecognition.ThesystemofCHDheartsoundrecognitionincludefeatureextractionandheartsoundrecognition,onthestageoffeatureIII 先天性心脏病心音解析量化系统extraction,thethesisintroducedthevoicerecognitionparameters:MFCCandimprovedLPCC:LPMCCparameters,onthestageofheartsoundrecognition,arecognitionmodelbasedonthemixtureofDTWandVQwasproposed,andachievesagoodrecognitioneffect.4.TheCHDdefectaperturesizequantitativeanalysisbasedonwaveletspectrumentropy.Inthisthesis,onthebasisofwaveletdecompositionreconstruction,thewaveletenergyspectrumentropyunderdifferentfrequencybandswasextracted,thenanalysisandcomparethecorrelationwiththedefectaperturesize,whichcanextractthequantitativeevaluationmethodofcommonCHDheartsoundsdefectaperturesize.Inconclusion:ThisdissertationresearchesonclinicalCHDheartsoundrecognitionandquantitativesystem.Andvalidatedbyclinicalheartsounddata,experimentshowthatthisrecognitionsystemcanrecognizewellonnormalheartsoundsandcommonCHDheartsounds,ThequantitativemethodbasedonwaveletspectrumentropycanrepresenttheCHDdefectaperturesizeaswell.KeyWords:Clinicalheartsounds;Congenitalheartdisease;Heartsoundrecognition;Quantitativeanalysisofheartsounds;ThewaveletenergyspectrumentropyIV 西华大学硕士学位论文目录摘要·····························································································································IAbstract·····························································································································III引言····························································································································11心音信号概述············································································································51.1心音概述············································································································51.2心脏杂音············································································································61.2.1心音信号中的杂音特性·······································································61.2.2心音与常见心血管疾病的关系···························································61.3心音听诊及采集·······························································································81.4本章小结·········································································································132心音信号预处理······································································································142.1降噪·················································································································142.1.150Hz工频陷波器设计·········································································152.1.2自适应小波阈值降噪算法··································································162.3预加重·············································································································182.4分帧加窗·········································································································182.5本章小结·········································································································183心音信号特征参数提取方法研究··········································································193.1常见语音识别参数························································································193.1.1线性预测系数······················································································193.1.2梅尔倒谱系数·····················································································213.1.3线性预测系数梅尔变换·····································································243.2本章小结·········································································································254先心病心音识别系统研究························································································264.1基于VQ/DTW的先心病心音识别系统研究···············································264.2矢量量化的基本原理·····················································································274.2.1矢量量化的算法原理··········································································274.2.2VQ码本设计的LBG算法及实现·····················································274.2.4VQ初始码本的选定···········································································284.3动态时间规划(DTW)算法原理·····································································294.4基于VQ/DTW的心音识别系统实现···························································30V 先天性心脏病心音解析量化系统4.4.1先心病心音识别模型的训练······························································304.5基于VQ/DTW的心音识别实验···································································344.5.1不同特征参数对心音识别效果影响··················································344.5.2不同码本长度下心音识别效果影响··················································344.5.3不同心音数据长度下心音识别效果影响··········································364.6本章小结·········································································································375先心病心音量化系统研究······················································································385.1先心病心音量化分析概述·············································································385.2基于小波能谱熵的先心病心音量化系统·····················································395.2.1小波分析······························································································395.2.2小波能谱熵··························································································405.2.3临床数据试验······················································································425.3本章小结·········································································································51结论··························································································································52参考文献····················································································································54攻读硕士学位期间发表的论文及科研成果··································································57致谢··························································································································58VI 西华大学硕士学位论文引言先天性心脏病一种常见的先天性畸形，一般形成于婴儿胚胎时期心脏发育障碍或异常。常见的先天性心脏病主要有以下几种：肺动脉或主动脉狭窄、房间隔缺损、室间隔缺损、动脉导管未闭以及法洛氏四联症。2014年发布的《中国心血管病报告2013》中[1]显示，中国先天性心脏病患者数约为200万人，每年新增约15万例。其中大部分患者需要治疗，而先心病的治疗时机非常关键。因此及早发现并开展治疗具有重要的意义。心音是由于心脏瓣膜的开关、肌腱和肌肉的舒张收缩、血流的冲击及心血管壁振动[2]而产生的一种复合音。临床上，心音听诊作为一种评估心脏功能的基本方法，可以凭[3]借心音中出现的杂音和畸变作为重要的诊断信息。早期的心音听诊并没有听诊器，而是采用医生用耳直接贴在患者胸部听诊心脏活动的方式。自1819年法国医生雷纳克发明听诊器，听诊器基本原理并没有太大变化，心音听诊作为临床诊断心脏功能的一种方法，由于对医生的临床经验要求较高，主观性较强，使得听诊准确性受到了限制。近年来，由于现代信息技术及无创检测的广泛应用，基于心音信号的心血管疾病智能诊断系统研究成为国内外研究的一个热点。土耳其：FiratUniversity与SelcukUniversity合作采用支持向量机、自适应神经模糊推理系统、人工免疫、模糊K近邻法（fuzzyK-NN）、集成算法等方法，实现了正常[4-7]心音与瓣膜病杂音的分类。日本：YamaguchiUniversity的江钟伟、崔三晋、合作伙伴（包括申请者、重庆理工大学的严中红）等，先后提出基于单自由度模型、多尺度特征矩、小波包、自回归谱分析的多种心音特征提取方法，并采用支持向量机分类器分别[8-11]构建了相应的心脏瓣膜病检测系统；UniversityofTokyo的Higuchi.K等采用三层人工神经网络对二尖瓣狭窄、二尖瓣关闭不全、主动脉瓣狭窄、主动脉瓣关闭不全、心室[12]间隔缺损、心房间隔缺损和动脉导管未闭这七类单一心脏病心音数据进行分类识别，为后续的心音快速识别与准确分类奠定良好基础。美国：VillanovaUniversity的SamantaBiswanath等采用连续小波变换（CWT）提取正常和异常心音的时频特征和能量分布特征，并提出将自适应神经模糊推理系统(ANFIS）和遗传算法(GAs)相结合的方法[13](GA-ANFIS)运用于心脏瓣膜病智能诊断；IllinoisUniversity的PriemerR和NigamV[14]提出一种基于简单度的模糊聚类算法，用于心脏杂音检测和提取。印度：IndianInstituteofTechnology的SamitAri、GoutamSaha等采用人工神经网络和最小二乘支持向量机(LS-SVM)对二尖瓣狭窄、主动脉瓣狭窄、主动脉瓣关闭不全、二尖瓣回流以及[15-16]房间隔缺损五类单一心脏病组合而成的十六类单一或混合心脏病进行智能诊断，具有较好的分类效果。此外，新加坡NanyangTechnologicalUniversity和英国Universityof1 先天性心脏病心音识别及量化研究Essex合作，采用GrowandLearn（GAL）神经网络、多层感知器反向（MLP-BP）神经网络、基于梅尔频率倒谱系数（MFCC）和隐马尔可夫（HMM）的概率方法等多种分类[17-18]算法，能自动识别正常心音及一些常见心脏疾病杂音，而德国TechnischeHochschuleDarmstadt的AmirGeranmayeh和伊朗AmirkabirUniversityofTechnology的SepidehBabaei合作提出一种基于多层小波变换和MLP-BP人工神经网络的瓣膜病诊断系统，针对主动脉瓣关闭不全、主动脉瓣狭窄和肺动脉狭窄这三类主要瓣膜病进行分类研究，达[19]到了较高的准确率。相比国外，我国在基于心音信号的心血管智能诊断系统研究方面起步较晚，但是近年来取得的成果显著，并已一些成果应用于临床。重庆大学：肖守中教授承担的国家自然科学基金项目：“一种心肌收缩能力和心力储备无创性检测和评估方法的研究”(编号：30270337/C1004，起止年月：2003.01-2005.12)。该项目从心脏振动信号中提取心力和心率信号，并在国际上首次提出心力变异性[20]概念。郭兴明教授承担的国家自然科学基金项目：“妇女孕前至围产期心力储备无创检测和评估方法的生物医学和工程基础的研究”(编号：30770551/C1004，起止年月：2008.01-2010.12)，根据心音和心肌收缩能力的密切关系，测量、计算和分析孕期和产程[21]心率、第一心音幅值(S1)对第二心音幅值(S2)的比值的变化趋势。而何为教授致力于[22]心音心电实时采集及远程传输系统方面的研究工作，其研究成果为心音信号的实时采集及有效区分其特性奠定了基础，使心脏疾病的远程监护及诊断成为可能。云南大学：王威廉教授承担的国家自然科学基金项目：“基于时-频分析法的先天性心脏病心音分析研究”(编号：65061002/F010810，起止年月：2006.01-2006.12)，采用短时傅立叶变换和连续小波变换对常见先天性心脏病(房间隔缺损、室间隔缺损、动脉导管未闭)产生的杂音进行时频特征提取方法进行了研究，并通过独立成分分析方法有效地区分正常人和房间隔缺损病人的心音信号，为先天性心脏病的心音信号评价奠定[23-24]了一定的理论研究基础。大连理工大学：唐洪副教授主持的国家自然科学基金项目：“基于循环平稳信号理论的心音降噪声方法与应用研究”（编号：81000643/H1811，起止年月：2011.01-2013.12），采用非线性时间尺度变换、模糊检测等平稳信号处理手段[25-26]在循环频率域内对心音信号进行降噪和包络合成。山东大学：刘常春教授致力于心血管系统功能状态检测研究，通过建立多通道心音采集3-D模型完成心音定位和心音源[27]定位研究。浙江大学：陈裕泉教授在心音降噪、心音的非线性时间序列分析及基于希尔伯特-黄变换（HHT）的心音谱分析等方面取得了一定的研究成果，其博士生赵治栋[28]着重研究了基于舒张期心音信号分析与特征提取的冠心病无损诊断方法。2 西华大学硕士学位论文综合国内的文献资料可以看出，心音信号研究取得了一定的成就和进展。但心音信临床分析发展尤其定量分析研究还是比较缓慢，最主要的原因在于，心音信号的形成机理是复杂的，所包含的心脏的病理信息却是多变的，且不同个体间区别较大，定量分析比较困难。而随着语音识别技术的迅速发展，又给心音信号分析带来了一些发展思路。同于心音信号，语音信号也是一种生理机械振动产生的声音信号，传统的语音信号时频分析都是以短时平稳信号为前提，两者在这点上是相同的。新加坡南洋科技大学和英国Essex大学合作，在采用基于梅尔频率倒谱系数（MFCC）的基础上，利用GrowandLearn（GAL）神经网络、多层感知器反向（MLP-BP）神经网络、和隐马尔可夫（HMM）的概率方法等多种分类算法，进行了心音及心脏杂音自动识别研究。本实验室2013级研究生××[29]对先心病不同层次下的Mel频率特征进行了研究，为先心病诊断提供参考。语音识别技术的核心内容在于两个方面，一是信号的特征提取。二是模式匹配。特征提取作为语音识别关键技术之一，主要用来表征说话人的个性特征。好的特征参数可以较好地区分不同说话人。现阶段应用较广的语音识别特征参数主要包括：基于线性预测编码系数(LinearPredictiveCoding，LPC)，线性预测倒谱系数(LinerPredictiveCepstrumCoefficient，LPCC)和基于人耳听觉原理的梅尔频率倒谱系数(Mel．FrequencyCepstrumCoefficient，MFCC)，其中线性预测倒谱系数又是由线性预测编码系数衍生出来的。LPC、[30]LPCC及MFCC由于其特性不同，在不同的系统中都有应用。模式匹配作为语音识别的另一个关键技术，在很大程度上决定了说话人的识别过程的准确性，现在应用较广的模式匹配方法主要主要包括：基于动态时间规整(dynamictimewarping，DTW)、矢量量[31-33]化(VectorQuantization，VQ)、隐马尔可夫模型(HiddenMarkovModel，HMM)和高[34-35]斯混合模型(GaussianMixtureModel，GMM)，以及近年研究较多的小样本分类模[36-38]型支持向量机(SupportVectorMachine,SVM)。考察一个模式匹配方法的好快主要[39]看以下三点：1.模型训练速度快。2.识别性能好3.鲁棒性高。好的模式匹配模型不仅要有较高的识别率，同时也应具有较快的识别速率和稳定性。本课题针对先心病分析中存在的主要问题，结合临床辅助诊断的实际需要，针对常见先心病，提出了新的心音信号的识别及量化方法。第l章主要是对心音信号的概述，介绍了心音及心音杂音的产生机理和与常见心血管疾病之间的关系。介绍了常见心音听诊部位听诊特点，并对本文心音临床数据采集所用到的两种采集系统进行了简单的介绍。第2章介绍了心音识别量化研究所需要做的前期准备，即心音预处理过程，针对心音的时频特性，针对性地进行了降噪及分帧加窗等预处理，为后面特征提取打下基础。3 先天性心脏病心音识别及量化研究第3章主要研究了先心病心音特征参数的提取。主要包括了基于MFCC的特征参数提取，及基于LPCC改进参数LPMCC的特征参数提取，利用这两种特征参数形成特征参数集，以用于分类识别。第4章主要研究了心音识别系统。通过前期提取的先心病特征参数集，在模型匹配阶段利用了基于矢量量化(VQ)和动态时间规划(DTW)算法的混合先心病识别系统，并对其进行了不同参数下的临床数据试验，分析了不同参数条件下对系统性能的各种影响，检验了该系统的有效性。第5章主要研究了先心病心音量化系统。研究了不同小波频带下的小波能谱熵与先心病缺损孔径大小的内在联系，初步实现了对先心病缺损孔径大小的量化表征。第6章对本文工作所取得的一些成果及改进方向进行了总结。4 西华大学硕士学位论文1心音信号概述1.1心音概述心音信号是一种机械振动信号，产生于心脏瓣膜的开关、肌腱和肌肉的舒张收缩、血流的冲击及心血管壁振动。如图1.1所示，。正常人的心音呈现周期性的变化，临床上心音通常分为第一心音（S1）、第二心音（S2）、第三心音（S3）、第四心音（S4）。一般我们比较容易听到S1和S2，而S3或者S4只有在某些情况下才能被听到。S1由房室瓣的机械关闭产生的信号，是心室收缩期的开始。S1有四个组成部分，主要是二、三部分，分别是由二尖瓣关闭(M1)和三尖瓣(T1)产生。正常人在心尖区(M部位)S1的振幅高于S2，时限也较长。S2也由四个部分组成，主要是第二部分，分别是由主动脉瓣关闭(A2)和肺动脉瓣关闭(P2)产生。正常情况下，心底部S2的振幅高于S1，时限较短。从S1到S2的间期为收缩期，从S2到S1的间期为舒张期，舒张期是心动周期中较长的间期可以用来确定S1和S2。正常和异常（房间隔缺损）图1.1心音结构示意图Fig.1.1Thestructureschemeoftheheartsound临床上，在一个心动周期内，心音幅值最高点一般都为S1或S2，且一定程度上取决与心音听诊的位置。对于正常人来说，心尖部S1大于S2，心底部反之，一般用心尖处两心音之比来判断是否存在心音增强。对于心脏病患者而言，S1分裂的最佳听诊部位为心尖处，S2分裂为心底部；在多个心动周期中，两心音幅值波动是房颤所致。而出现在收缩期、舒张期或者两个时期的心脏杂音，分别对应于不同的心脏疾病。5 先天性心脏病心音识别及量化研究1.2心脏杂音1.2.1心音信号中的杂音特性临床的心音中一般包含一定的心音杂音，心音杂音也是心音听诊的重要内容。心脏杂音是在心脏收缩或者舒张时，血液或血管内产生湍流所致的室壁，瓣膜或血管振动所产生的异常声音，也是心音中一组历时较长、频率不同、振幅不同的混合性振动。心音杂音的分类有多种。根据心脏是否出现器质性病变可分为功能性心脏杂音和器质性心脏杂音。根据杂音出现时间可分为收缩期杂音、舒张期杂音及连续性杂音，收缩期、舒张期杂音又可分为早、中、晚期。。心脏杂音的特点：①杂音的听诊部位：主动脉瓣杂音听诊区为胸骨右缘第二肋间隙，肺动脉瓣杂音听诊区为胸骨左缘第二肋间隙；二尖瓣杂音听诊区为胸骨左缘第四肋间；三尖瓣杂音听诊区为胸骨左缘第四、第五肋间隙。②杂音出现的时间：临床上，杂音出现在心动周期不同的时期，有着不同的意义；舒张期杂音为病理性杂音，表示器质性心脏病（尤其心脏瓣膜病）的存在；而收缩期杂音可为生理性，也可为病理性，即不一定表示心脏病变。③杂音的强度：杂音的分级主要有四级分法和六级分法两种，在六级分法中，一般1级杂音为良性杂音，2级杂音较难判断，3级及以上杂音为病理性的。④杂音的频率：根据心音图学，心脏杂音的频带可以分为低音调或低频段（80Hz以下），中音调或中频段（80~120Hz），高音调或高频段（120Hz以上）。持续时间：杂音的持续时间的长短，具有不同的临床意义，如收缩期杂音的长度至少应占整个收缩期的1/4或1/3以上，否则视为S1分裂。1.2.2心音与常见心血管疾病的关系[40-41]长期临床实践经验发现，心脏杂音与心血管疾病有着至关重要的关系，下面主要介绍先心病的心音听诊特性：①房间隔缺损：S1增强而S2呈宽而固定分裂；在肺动脉瓣区或主动脉瓣第二区有收缩全期杂音，杂音为中音调，强度可为2~4/6级，可向右锁骨下、心尖部及背部传导；二尖瓣区出现舒张中期高音调杂音；心底部P2分裂，出现小的房间隔缺损时，P2分裂在吸气时加宽，大的房间隔缺损出现固定性P2分裂；伴随严重肺动脉高压时，肺动脉收缩期杂音变得短促柔弱，P2亢进明显。②室间隔缺损：S1及S2正常，S1可能出现减弱，杂音一般消失于S2之前；在肺动脉瓣区或主动脉瓣第二区有收缩全期高音调杂音，在收缩中期最响，强度可为3~6/66 西华大学硕士学位论文级，向右侧或胸骨左缘传导，而一般不向心尖部和左腋下传导；心尖区常可听到S3；出现肺动脉高压时，可听到肺动脉瓣喷射音。③动脉导管未闭：S1延迟出现，S2呈反常分裂；在肺动脉瓣区可听到连续性杂音，且S2常被杂音淹没，杂音最大幅值在收缩晚期及舒张早期，高峰围绕S2，可传至前后胸部、肩胛间去、左腋左颈部；心尖部常可听到S3，且可出现二尖瓣相对狭窄的舒张中期杂音；主动脉瓣区可听到主动脉喷射音（收缩早期喀喇音）；合并肺动脉高压及肺动脉关闭不全时，出现三尖瓣相对狭窄的舒张期杂音。④法乐四联症：S1正常或增强，S2减弱或分裂；在整个心动周期都可闻及连续机器样杂音。听诊部位为胸骨左缘第二肋骨间。由此可见，心音听诊可以为先心病诊断提供有效的辅助心音，对临床诊断有着重要的意义。7 先天性心脏病心音识别及量化研究1.3心音听诊及采集心脏瓣膜的解剖位置与心脏的听诊区并非完全一致。临床上所谓的主动脉瓣、肺动脉瓣、三尖瓣或二尖瓣等区的听诊所见，并不一定表示相应的瓣膜异常，而仅表示在该[42]听诊区的听诊所见。临床上习用的传统心脏听诊位置有五个，如图1.2所示：主动脉瓣听诊区：位于胸骨右缘第二肋间隙；此区对于主动脉瓣狭窄和关闭不全、主动脉血流量增加等心脏疾病听诊效果最好。肺动脉瓣听诊区：位于胸骨左缘第二肋间隙，与肺动脉瓣口的解剖位置基本一致；这个部位对肺动脉瓣狭窄及关闭不全杂音、主动脉瓣狭窄及关闭不全杂音、动脉导管未闭的杂音以及S2分裂杂音听诊效果较好。三尖瓣听诊区：在胸骨左缘第四肋间隙附近；它不仅是三尖瓣杂音最易听录的部位，而且也是右室S3（右室奔马律）、右侧S4（右房奔马律）及肺动脉关闭不全和室间隔缺损的杂音交易听录的部位。二尖瓣听诊区：位于胸骨左缘第五肋间隙锁骨中线内侧；它不仅是二尖瓣狭窄或闭锁不全杂音最易被听到和记录的部位，而且与二尖瓣病变无明显关系的某些声音或杂音也是最易听录到的区域，如左室S3（左室奔马律）、左侧S4（左房奔马律）、S2之主动脉瓣成分、主动脉狭窄和关闭锁不全等杂音。主动脉第二听诊区：位于胸骨左缘第三肋间隙，大致相当于主动脉瓣的解剖位置。主动脉第二听诊区对S1、S2、开瓣音以及二尖瓣狭窄、三尖瓣狭窄和关闭不全有较好的记录效果，同时对于室间隔缺损、主动脉瓣狭窄、主动脉瓣关闭不全和肺动脉瓣关闭不全等杂音听诊效果也较好。虽然主动脉第二听诊区的心音对心脏听诊有一定的意义，但该部位心音采集相对困难（尤其是对于女性和肥胖男性），因此，本课题主要从主动脉瓣、肺动脉瓣、三尖瓣和二尖瓣四个临床听诊位置采集心音信号并进行分析。8 西华大学硕士学位论文图1.2心脏听诊临床采集部位示意图Fig1.2Theclinicalcollectingpositionsforauscultation心音数据采集时，本实验室采用两种心音采集系统：第一种是单导数字听诊器采集系统，第二种是四通道BIOPAC听诊服采集系统。(1)基于数字听诊器的单导心音采集系统该心音采集系统利用带录音功能的数字听诊器从身体心前区四个临床听诊位置(主动脉瓣、肺动脉瓣、三尖瓣、二尖瓣)采集数据，同时在听诊头上粘贴一种新型的粘性薄膜，方便固定在测试者的采集部位，可有效防止采集者手部抖动带来的干扰，保证心音采集的音质。如图1.3所示是基于数字听诊器的单导心音采集系统。该系统主要由听诊头（Littmann,ClassicIISE），耳机，微型麦克风（audio-technica@,AT805F）及IC录音机（Olympus,Voice-TrekV-51）组成，可以边听诊边录音，其微型麦克风和IC录音机的主要性能参数如表1.1和表1.2所示。图1.3基于数字听诊器的单导心音采集系统Fig.1.3Thesingle-leadheartsoundacquisitionsystembasedondigitalstethoscope9 先天性心脏病心音识别及量化研究表1.1微型麦克风主要参数Tab1.1Mainparametersofthemicrophone参数类型频带范围灵敏度阻抗技术指标30-10,000Hz46±3dB56表1.2IC录音机主要参数Tab1.2MainparametersoftheICrecorderIC录音机的参数表参数指标采样频率44.1kHz频带范围20Hz-20kHz比特率128kbps采样位数16内存1GB和传统听诊器相比，数字听诊器增加了数据记录功能，可便于利用现代数字信号处理技术进行后续分析,具有携带方便，操作简单的特点，且保存的心音数据文件格式为音频格式，便于反复听诊。其缺点在于数据采集过程不能实时显示，且抗噪性能不佳。(2)基于BIOPAC和听诊服的四导心音采集系统鉴于单导数字听诊器的缺点，本研究室通过设计一款听诊服和四导同步音频放大器，将四个改进的心音听诊头安置在听诊服心前区主动脉瓣、肺动脉瓣、二尖瓣和三尖瓣四个临床听诊位置，并结合美国BIOPAC公司生产的MP150型16导生理信号记录仪，构成四导心音采集系统，如图1.4所示。10 西华大学硕士学位论文图1.4基于BIOPAC和听诊服的四导心音采集系统Fig.1.4Four-leadheartsoundacquisitionsystembasedonBIOPACandauscultationvest下表为MP150仪器的及自带软件的主要性能参数：表1.3MP150的硬件与软件性能参数表Tab1.3HardwareandsoftwareparametersofMP150硬件性能参数模拟数据采集通道16个数字输入通道16个模拟输出通道2个A/D转换16位采样率400KHZ（40万点/秒）软件性能参数最大通道显示60个触发方式外触发或内触发滤波方式数字滤波存储时间设定任意保存方式EXCEL最大值，最小值，平均值，峰峰值，心率，斜率，微分，积分，指数计算功能运算，对数运算，傅利叶变换，面积，偏差，标准差，绝对值11 先天性心脏病心音识别及量化研究基于BIOPAC的四导心音采集系统可以采集多路心音信号，下图为主动脉(A)、肺动脉(P)、三尖瓣(T)、二尖瓣(M)，四路心音数据采集的结果如下图1.5(a)和(b)所示，其中(a)正常心音数据，(b)法乐式四联症患者的心音数据。4.7784422.389221A0.000000Volts-2.3892215.1121012.556051P0.000000Volts-2.5560515.0929772.546488T0.000000Volts-2.5464885.0461832.523092M0.000000Volts-2.5230922.000004.000006.000008.00000seconds(a)正常心音信号4.1910812.095540A0.000000Volts-2.095540-4.1910814.8321532.416077P0.000000Volts-2.4160774.2834472.141724T0.000000Volts-2.1417244.0824382.041219M0.000000Volts-2.0412192.000004.000006.000008.00000seconds(b)法乐式四联症心音信号图1.5BIOPAC心音采集系统实时显示图Fig.1.5HSreal-timedisplaygraphofBIOPACacquisitionsystem12 西华大学硕士学位论文相对于基于数字听诊器的心音采集系统，基于BIOPAC的心音采集系统最突出的优势是，可以在可视化环境下实时采集和显示心音信号，可以确保采集数据的质量，且系统内部自带滤波功能，抗噪性能较好，软件计算功能强大。但是该系统也有一定缺点，就是系统部件较多，连接线繁杂，不利于携带。目前已使用以上两种系统采集了357例心音数据，其中包括105例正常心音和252例异常心音信号。异常心音的类别有先天性心脏病（CongenitalHeartDisease,CHD）中的室间隔缺损（VSD）、房间隔缺损（ASD）、法乐式四联症（F4）、动脉导管未闭（PDA）以及风湿性心脏病（RheumaticHeartDisease,RHD）。1.4本章小结本章主要从心音信号产生的原理及特性、心音杂音与心脏疾病之间的关系、心音的听诊内容和心音的采集方法几个方面对心音信号进行了阐述。首先介绍了心音产生机制与基本组成部分，然后介绍了心音杂音的特点和与常见心脏病之间的关系，接下来对心音听诊的部位和一些临床技巧进行了介绍，最后对本文心音数据采集过程中用到的两种心音采集系统进行了介绍。13 先天性心脏病心音识别及量化研究2心音信号预处理先心病心音识别及量化系统前期一个重要的环节就是心音预处理，包括去噪，预加重、分帧加窗处理。一般常见的生物医学信号诸如心音、心电、胃电等都属于微弱信号，由于受仪器、人体、外界环境等方面的影响，信号采集过程中难免引入各种噪音，一般需要预先对其进行消噪预处理。而由于心音信号能量多集中在低频的特点及其信号的短时平稳特性，需要对去噪后的心音信号进行预加重、分帧加窗处理等后续处理。其处理流程图如下：原始心音降噪预加重分帧加窗心音信号图2.1预处理流程图Fig.2.1Flowchartofpre-processing2.1降噪临床采集的心音一般含有以下几种噪声：(1)随机噪音14 西华大学硕士学位论文这类噪音主要由于受试者身体的晃动、呼吸、心尖搏动以及周围环境干扰带来的噪声，即通常意义上的噪声；另一类是指心脏收缩或舒张期存在的杂音。(2)工频干扰我国220V交流市电在人体周围产生的工频电磁场，对生理信号采集产生强烈的50Hz工频干扰。同时，采集设备本身也可能受工频干扰影响，并连同生理信号一起被放大。(3)仪器噪声任何仪器都可能存在一定的缺陷，产生诸如电子器件的离散噪声、电阻的热噪声等。这些噪声信号与心音信号混杂在一起，会降低仪器对所要处理的心音信号的分辨能力。针对以上的三种噪音，本文主要从工频陷波、小波阈值降噪两个方面对信号进行降噪。小波阈值降噪采用王燕同学提出的局部自适应阈值和阈值函数模型对含噪心音信号[43]进行降噪。2.1.150Hz工频陷波器设计数字滤波器是一种由数字加法器、乘法器和延时单元为基本元件，对时间和幅值均离散的信号通过一定的运算关系，改变其频带分布的相对比例或去掉某些频带的一种算法或装置，具有高精度、高可靠性、可简易改变传递函数、便于集成等优点。本文首先采用Matlab滤波器设计工具箱（FilterDesignToolbox），根据指定的参数要求来高效实现50Hz工频陷波滤波器设计，其设计参数如下：FilterSpecifications中各参数设置为：Filtertype=bandstop，Impulseresponse=IIR，Ordermode=minimum；FrequencySpecification中各参数设置为：Frequencyunits=Hz,InputFs=2000，Fpass1=49.5，Fstop1=49.8，Fstop2=50.2，Fpass2=50.5;MagnitudeSpecifications参数设置为：Magnitudeunits=db,Apass1=1,Apass2=1,Astop=10;Algorithm中Designmethod设置为Butterworth。根据以上设置的参数，得到该陷波器的幅频特性曲线如图2.2所示。15 先天性心脏病心音识别及量化研究图2.250Hz工频陷波器的幅频特性曲线Fig2.2Themagnitude-frequencycurveofthe50Hznotchfilter得到理想的陷波器幅频特性后，利用工具箱自动产生*.m文件用于工频滤波，图3.2所示为一例临床采集时受到严重工频干扰的正常心音信号的滤波效果。2.1.2自适应小波阈值降噪算法（1）局部自适应阈值定义如下：2log(N)j,j1,2,,l(2.1)j(jl)(sb)j其中,N为信号采样点数，l是小波分解层数，j是阈值所在的层。s为大于等于2的整数，通常取s2，随着心音信号质量的提高，逐步增大s值以达到最优的消噪效果。各层细节小波系数的鲁棒估计：median(w)/0.6745。起微调作用的变化因jj,kn/2n子：bjmean(wj,k|i1)mean(wj,k|in/2)，n表示高频系数wj,k的点数，median和mean分别表示取中值和平均值。（2）双变量阈值函数模型定义如下：sgn(w)(|w|2)|w|j,kj,k2mj,k2||e2ˆWj,k0|wj,k|1(2.2)(22()|w|)(|w|)2221j,kj,k1sgn(w)|w|j,km1j,k2||e2()32116 西华大学硕士学位论文其中，0m，下阈值为，上阈值(1a)，0a1。新的双变量阈值121函数在消噪过程中对小波分解的每一层高频系数进行量化时可以选取不同的a和m值，以达到更好的降噪效果。图2.3双变量阈值函数模型Fig2.3Thedouble-variablethresholdfunctionmodel为验证该降噪算法的可靠性，选取心音类型为：正常心音（Normal）、室间隔缺损（VSD）、房间隔缺损（ASD）、法乐式四联症（F4）和动脉导管未闭（PDA）的心音数据各一例进行小波阈值降噪算法，其原始心音信号(a)及其降噪处理后信号(b)的效果图如下所示：ab1100Normal-1-1010002000300040005000600001000200030004000500060001100VSD-1-10500100015002000250030003500400045000500100015002000250030003500400045001100ASD-1-105001000150020002500300035004000450005001000150020002500300035004000450011F400-1-10500100015002000250030003500400045000500100015002000250030003500400045001100PDA-1-105001000150020002500300035000500100015002000250030003500SamplenumberSamplenumber图2.4临床心音预处理效果图Fig2.4Thepre-processingresultsoftheclinicalHS17 先天性心脏病心音识别及量化研究2.3预加重由于心音信号能量多集中在低频部分，高频成分较少。为了提升心音高频部分信息，平缓心音信号的频谱带。我们在在分析心音信号sn()之前，可以通过将心音信号通过传1递函数Hz()1az的数字滤波器来提升高频部分，一方面可以简化心音频谱分析。另一方面，在高频部分信息比较充分的条件下，提升能量对系统性能也会有所提升。a称为提升系数，此处a=0.95。2.4分帧加窗心音信号是一种时变非平稳信号，不过现代非平稳处理方法认为，我们可以把一个非平稳信号在一个较短的时间段里看作是近似平稳的，也就是准平稳性。因此本文，把短时平稳的心音段分成各帧，然后对截取出的对一段近似平稳的心音信号用平稳信号分析方法进行处理。为了防止吉布斯效应的形成，本文在分帧时使用交叠分帧的方法，也就是让分的各帧之间有一定的重叠帧，以此来保证帧和帧之间的平稳性。针对本文心音采集系统的采样率，本文分帧时，帧长设为256，帧移设为100。在加窗时，采用窗长为256的汉明窗对分出来的每帧进行加窗操作。汉明窗公式如下：0.540.46cosznN(1)0nN1wx()(2.3)0nelse2.5本章小结预处理是心音识别及量化系统的基础部分，包括了去噪、预加重、分帧加窗等方法。纯净的心音信号仅包含心音基本成分和生理性或病理性心脏杂音，但在心音信号采集过程中不可避免引入多种外界干扰，同时由于心音信号的短时平稳特性，因此，必须在心音解析之前对采集到的心音信号进行预处理。本章主要描述心音信号预处理过程，首先分析了心音采集过程中各噪音的来源，然后针对不同噪音，利用50Hz工频陷波滤波器和本研究室改进的小波阈值收缩降噪法滤除混杂在心音中的工频噪声以及高斯白噪声，提高心音信号的信噪比；然后对去噪后的心音信号进行了预加重，分帧加窗等处理，为后续心音信号的特征提取奠定基础。18 西华大学硕士学位论文3心音信号特征参数提取方法研究特征参数提取是心音识别系统的一个核心部分，特征参数就是对心音信号的病理信息表征。从心音信号中提取出能表征心音特性的特征参数，一方面可以去除心音信号的冗余信息，另一方面可以减少处理分析所需的运算量。而心音特征参数的好坏又决定了该系统的性能，优秀的特征参数需要能区别正常与异常以及不同种类的先心病心音，同时提取的心音特征参数又不易受外界干扰。因此，好的特征参数一般应具有：可靠性、可区别性和独立性等。现在语音处理领域有很多特征参数，应用比较广泛的有线性预测系数(LPC)、线性[44][45-46]预测倒谱系数(LPCC)、梅尔倒谱系数(MFCC)。其中线性预测倒谱系数(LPCC)是线性预测系数的改进，本文主要介绍改进型LPCC参数-LPMCC及MFCC参数在心音识别系统中的引入，为后续先心病心音识别系统研究提供参数基础。3.1常见语音识别参数3.1.1线性预测系数线性预测分析的基本思路就是用已知先验样本，拟合我们要求得样本的过程。通过先验样本的线性组合，来逼近我们要求的样本。通过使我们线性组合得到的样本采样系数和实际样本采样系数最小均方差最小而求得唯一预测系数，即线性预测系数。假如我们要计算心音信号的p阶线性预测系数。计算方法如下：用心音信号的前p个样本来线性组合以逼近下一时刻心音样本，来使最小均方差达到最小。即sn()的预测值为：psnˆ()asnii()(3.1)i1其sn()是用ak所求，是在最小均方意义上对数据的拟合。ak是p阶线性预测的系数。预测误差为：pen()sn()snˆ()sn()asnii(3.2)i1对上式进行z变换，预测误差序列的转移函数如下所示：pkAz()1azi(3.3)i119 先天性心脏病心音识别及量化研究根据前面对p阶线性预测系数的定义，我们可以得到该帧的预测误差的平方和E为：2N1pEsn()asini(3.4)npi1可以证明，E最小时的预测系数a，同于语音信号数字模型中数字函数参数a。kk所以线性预测系数参数a可以用以表征语音的个性特征。在线性预测系数的基础上，k我们可以推导出线性预测倒谱系数，其计算过程如下：当xn()作为相位最小的序列时，可以计算其复倒谱系数cn()与简化计算过程。假设logXz()解析，那么：Xzˆ()dlogXz()Xz()(3.5)dzXz()zXz()zXzXz()ˆ()(3.6)z的反变化之后得到：nxn()kxkxnkˆ()()(3.7)k上式两边除以n得到：kxn()xkxnkˆ()()(3.8)kn如果同时满足以下条件,如式（3.9）所示：xn()0,n0(3.9)xnˆ()0,n0那么xn()的复倒谱xnˆ()是因果的，所以当n0时，nkxn()xkxnkˆ()()(3.10)k0n把上式展开后得到：n1kxn()xnxˆ()(0)xkxnkˆ()()(3.11)k0n递推后可以得到：0,n0xn()n1k(3.12)xnxˆ()(0)xkxnknˆ()(),0k0n由此，我们可以推导出线性预测系数和线性预测倒谱系数,如式(3.13)所示：20 西华大学硕士学位论文2cGlog0m1cmamcakmk,1mp(3.13)k1m1kcmcakmk,mpk1m其中c是已知的，当LPCC阶数小于LPC阶数时，用式(3.13)的第一个式子计算；0当得LPCC阶数大于LPC阶数时，用式(3.13)的第二个式子计算。3.1.2梅尔倒谱系数梅尔倒谱系数(MelFrequencyCepstralCoefficient，MFCC)是基于Mel频率的倒谱系数。Mel滤波器很好地模拟了耳蜗模型，能很好体现人的听觉特征，加之MFCC良好的鲁棒性及抗噪能力，使MFCC在语音识别及情感识别领域得到了广泛的应用。MFCC体现人的听觉特征主要体现在耳蜗与Mel滤波器对声音频率的反应是类似的。即在低于1KHz以下，表现为线性。对1KHz以上的频率,表现为对数。这点在人耳耳蜗的表现就是人耳对低频比高频要敏感。图3.1为Mel频率与正常频率的关系。Mel频率与正常频率对应关系式如下：Melf()2595log(1f700)(3.14)图3.1Mel频率与对应标准频率关系图Fig3.1TherelationalgraphoftheMel-Frequencyandnormalfrequency21 先天性心脏病心音识别及量化研究Mel滤波器组是根据人类听力的临界带效应设计的，要得到MFCC参数，先要把信号处理成能量谱，再输入到设计好的具有三角形或者正弦型的带通滤波器的Mel滤波器组。再通过取对数得到对数能量谱，然后对所得对数能量谱作离散余弦变换，求得MFCC系数。预处理后的心音数据要得到Mel频率倒谱系数需要经过以下三个步骤：其计算流程图如下图所示：心音信号降噪预处理Mel频率滤波器组求Log对数能量DCT求倒谱MFCC图3.2MFCC参数计算流程图Fig3.2FlowchartofcalculationofMFCC1.对每一帧经过预处理的心音数据进行快速傅里叶变换（DFT），得到线性频谱Xk()，转换公式如下：N1j2nkNXk()xne(),(0nk,N1)(3.15)n022 西华大学硕士学位论文2.将得到的频谱Xk()经过一组Mel频率滤波器组，输出Mel频谱能量。Mel滤波器组频谱如图所示图3.3Mel滤波器组频谱图Fig3.3ThespectrogramofMelfilterbank3.对步骤2的频率能量取对数得对数能量谱Sm()。心音经过以上三个步骤得到的线性能量谱、Mel能量谱及对数能量谱如下图所示：图3.4心音能量谱及对数能量谱Fig3.4TheenergyspectrumandlogarithmenergyspectrumofHS23 先天性心脏病心音识别及量化研究Mel频率滤波器组为在信号频谱范围内具有三角形或者正弦型的带通滤波器的组合Hk()，0mM，M是滤波器的个数。每个滤波器的中心频率是fm()，其传递函数如m下：0,kfm(1)kfm(1),(fm1)kfm()fm()fm(1)Hk()(3.16)mfm(1)k,()fmkfm(1)fm(1)fm()0,kfm(1)N1BfhBf1其中fm()BBfm(3.17)1FM1sF=采样频率，N=窗宽，f，f分别是滤波器组频率范围的最低和最高频率，s1h1b1125B()b700(e1)，为使求得的Mel能量谱对噪声和谱估计误差有更好的鲁棒性，需要进一步计算Mel频谱取对数。由线性谱Xk()到对数频谱的总传递函数为：N12Sm()InXk()Hkm()0mM(3.18)k04.将Sm()作离散余弦变化（DCT）也就是反傅里叶变换，得到MFCC。由于傅里叶变换是将信号从时域变为频域，而离散傅余弦变换是将能量谱变为频域，即称为倒谱系数。M1nm(12cn()Sm()cos(3.19)m1M3.1.3线性预测系数梅尔变换LPCC是基于声道特征的参数，在语音识别方面有较好的表现，但是由于心音产生机制和语音产生机制有较大区别，LPCC对临床心音识别效果不是很好。所以本文拟对LPCC进行改进。提出了基于Mel尺度变化的LPCC参数-LPMCC，LPMCC特征参数即具有一定的声道特性，同时也具有更好的抗噪性。而由之前的分析可知，Mel频率对人耳耳蜗频率的线性模拟是通过Mel滤波器组实现的。LPMCC的处理过程就是将LPCC通过Mel滤波器组，并对其幅度进行加权。其递推公式如下所示：24 西华大学硕士学位论文MCn()CaMCn(1)00n2MCn1()1aMCn0(1)aMCn0(1)(3.20)MCnk()MCk11(n1)aMCnk(1)MCk()n其中K>1,C为LPCC，MC为LPMCC，n为递推迭代次数，k为倒谱阶数，一般nk取n=k。n从k，k-1，k-2，⋯，0取值，一般取[0.31.0.35]，近似接近Mel尺度。3.2本章小结本章介绍了先心病心音识别特征参数的提取，主要介绍了常见的语音识别参数LPCC和MFCC的计算过程，并将其引入为心音特征参数。MFCC是基于Mel频率的倒谱系数，能很好体现人的听觉特征。LPCC是基于人的声道特性提出的，但是在心音识别中表现不佳，且自身抗噪性不足，针对以上特点，本文提出了基于Mel滤波器的LPCC，得到新参数LPMCC，为下面的心音识别系统提供了良好的参数集。25 先天性心脏病心音识别及量化研究4先心病心音识别系统研究本章的先心病心音识别就是在提取的先心病特征参数的基础上，对先心病心音及正常心音进行识别的过程。先心病心音识别系统主要介绍了一种在语音识别应用较多的数[47-48]据训练模型矢量量化(VQ,VectorQuantization)，和一种简单实用的语音识别算法动[44-49]态时间规划(DTW,DynamicTimeWarping)。通过利用两者在数据训练和模板匹配方面各自的优势，形成了VQ/DTW混合心音识别模型。4.1基于VQ/DTW的先心病心音识别系统研究矢量量化(VQ)作为一种重要的聚类方法，基于最小平均失真准则在样本特征空间寻求一组聚类中心用表征该特征空间。一般情况下该聚类中心个数远小于样本空间特征数，所以可以用于信号压缩及特征处理，用以模本压缩及减少计算量。矢量量化有两个基本概念：码本（codebook）及码字（codeword）。码本（codebook）即为矢量量化得到的聚类中心簇。而该聚类中心的每个中心即为码字（codeword）。动态时间规划(DTW)一种基于动态规划(DP,Dynamicprogramming)思想的语音识别算法，它的主要作用就是解决长度不一致的模板匹配问题，具有简单有效的特点。基于VQ/DTW混合模型的先心病心音识别系统由两个主要部分组成：心音训练部分、心音测试部分，该系统的结构框图如下：码本训练心音模型1训练特征参数提取…心音心音模型N心音模型1测试识别特征参数提取…DTW心音结果心音模型N图4.1一例正常人的心音量化分析图Fig4.1Thequantitativeanalysisdiagramforahealthyperson训练阶段：利用标准心音库及临床先心病心音库里的心音，通过预处理及心音特征参数提取得到心音特征参数特征集，然后通过矢量量化得到心音特征参数集码本形成标准模板，作为先心病心音识别的模板参考。26 西华大学硕士学位论文识别阶段：识别阶段测试样本预处理及心音特征参数提取同于训练阶段。将得到的心音特征参数集用矢量量化算法生成测试心音特征码本，形成测试心音模板，然后用动态时间规划算法(DTW)进行模板匹配，得到识别结果。4.2矢量量化的基本原理4.2.1矢量量化的算法原理k设有N个K维特征矢量XXX12,,...,XN,Xi在K维欧几里德空间R中，Xi相当k于心音信号帧中取出的特征向量。把K维欧几里德空间R无遗漏地分给J各互不相交的子空间RRR,,...,我们通常称这些R为胞腔。在每个R中可以找到一个代表矢量123jjY，则R空间中的J各代表矢量YYY,,...,,Y组成的代表矢量集行成一个矢量量化jj12j器，Y叫做码书（codebook）；Y称为码字（codeword）；Y内矢量的个数J叫做码jk本容量。矢量量化就是将R空间的Xi映射到空间Yj，即YjiQx(),1jJ,1iN,Qx()称为量化函数也叫矢量量化器。量化函数随矢量划分方式或代表矢量选取方法的i不同而不同。k在信号进行矢量量化的时，任意XR送进矢量量化器后，量化器首先会判断它j的归属胞腔R，然后输出该胞腔R的代表矢量Y，也就是将X转化为Y的过程，如式jjjij4.1所示：YQx(),1jJ,1iN(4.1)jik因此我们可以将矢量量化在R空间中，Xi转化为Yj的映射过程的整个过程表达如式4.2所示：kQR:XYYY12,,...,Yj(4.2)4.2.2VQ码本设计的LBG算法及实现矢量量化方法的核心在与码本设计，码本设计算法有很多，应用最多的矢量量化码书设计算法为LBG算法，该算法的基本思路为：对于任意一个K维序列数据集X，首先通过用分裂法形成初始码书，来进行成聚类(Cluster)划分；并计算聚类质心，然后再次对数据进行聚类分配；分配的是根据最近邻原则进行的。往复进行质心计算及聚类划27 先天性心脏病心音识别及量化研究分，距离相对失真值小于设定阈值或迭代次数大于给定上限。LBG码本设计思路有着简单清晰的设计思路，且理论严密也易实现。但是LBG算法也存在一些不足：LBG算法作为一种递推算法，对初始码本依赖性过大，一方面初始码本选择的好坏对码本训练计算量和码本的性能影响较大。另一方面LBG算法缺乏自适应能力，在初始码本选定的情况下，每次迭代对码本产生的影响是局部的，因此优化也是局部的，最终码本的好快很多程度上决定于初始码本的选择。LBG算法的具体步骤如下：(0)(1)初始化：首先通过分裂法形成一个初始码书，得到初始码本Y，M是码本大小，M(0)(0)(0)1Y12,Y,...,YM，Xii0,1,...,n是训练序列，先取迭代次数T=0，平均失真D，给定计算停止门限01。(2)按给定码本YYj,1,2,...,M，求出平均失真最小条件下的所有区域边界MjPii1,2,...,n。也就是用训练序列置XPii，使dXY(i,M)dXYYY(i,)M，从而()n得出最佳边界P，然后计算在这个区域边界下训练序列的平方距离和(总量化误差)in失真：Ddxy,p(4.3)1i1nn1DD(3)若相对失真量或迭代的次数达到设定的界限值T，则聚类停止，结nD()n束迭代过程。最终码本即为码字YM组成的集合，设计出来的区域边界即为Pi。否则，继续下一步。n1(4)然后计算M个区域的质心，并用这M个质心组成(n1)次迭代的新码本Y，M以(n1)代替n，再转入(2)执行。质心的计算公式如下：xipjiyj,1jM(4.4)1pj14.2.4VQ初始码本的选定LBG算法对初始码本的依赖性较大，优良的初始码本构造方法很大程度上决定了LBG码本设计算法的性能，下面对几种初始码本构造方法进行简单介绍。1．随机选取法28 西华大学硕士学位论文(0)(0)(0)随机选取法即为随机选择M个数据对象作为初始码字Y,Y,...,Y，构成初始12M0码本Y。这种方法的优点显而易见，就是简单，计算量小。但是缺点也是很明显，一M方面很可能选取不到典型的矢量，另一方面就是可能会造成不同胞腔下的码字分布过于极端，有些胞腔码字分布过密。2．分裂法(1)首先计算所有训练序列S中全体X的均值，得到第一个码字B。1(2)把码书B，按照如下公式分裂[56]，形成Z个码字：mBB(1)mm(4.5)BB(1)mm其中，m为码字数，为分裂参数，这里选取=0.01。(3)按照步骤2的码书将特征矢量进行聚类，并计算其平均失真与相对失真，将相对失真值与设置的阈值进行比较，若低于所涉阈值，停止计算，码书产生，否则，转到下一步。(4)重新计算各个区域的新均值。(5)重复3和4直到形成一个2m个码字的最佳码书。(6)重复2，3和4，直到形成有M个码字的码书。4.3动态时间规划(DTW)算法原理动态时间规划(DTW，DynamicTimeWarping)是一种模板匹配算法，具有简单有效的特点。DTW算法源于动态规划(DP，DynamicProgramming）思想，对长度不一致的模板匹配具有优势。假定，一个参考模板可表示为RRR,,...,R,而测试模板表示为12iTTT12,,...,Tj,设归正函数为：CC(1),(2),...,()CCn。其中n为归正路径长度，Cn()injn(),()表示归正函数下的第n个匹配点对，既由参考模板R的第in()个特征矢量与测试模板T的第jn()个特征矢量构成。匹配点之间的局部匹配距离表示为dRinTjn(),()，DTW算法所要做的就是通过动态优化实现匹配点加权距离总和最小，即求下式：ndRinTjn(),()Wnn1D(4.6)minncWnn129 先天性心脏病心音识别及量化研究DTW算法作为一种语音识别算法，主要的优势在于算法原理简单而又有效，同时可以解决长短不一致的模板匹配问题，但是DTW算法在前端缺乏有效的数据训练方法,对于高维度数据或大样本数据处理效果不佳，所以DTW算法一般是结合其他的数据统计方法一起使用，可以提高识别的速度和精确度。4.4基于VQ/DTW的心音识别系统实现本文采取基于数字听诊器的单导心音采集系统来获得正常心音及先心病心音文件，并形成心音数据库，采集使用44.1k采样率，16bit采样精度。所有的原始心音时长均为10s左右，为了便于分析，截取出不同时长的心音数据作为训练样本及测试样本。4.4.1先心病心音识别模型的训练先心病心音识别系统首先是要对识别模型进行训练，得到训练模板。我们将先心病心音数据库中的心音数据经过前端预处理及特征提取过程，得到每个心音文件的特征参数集，再采用矢量量化的方法为每一个心音文件生成一个一定容量的VQ码本，将该码本保存，作为标准匹配模板。心音训练模型具体设计实现流程图如图4.2所示：30 西华大学硕士学位论文开始分裂法产生VQ初始码本提取心音数据库数据根据最近邻原则划分码本去噪计算划分后的新质心得到新码本预加重总量化误差分帧加窗NY最终码本保存特征参数提取结束图4.2先心病心音识别模型训练流程图Fig4.2TheFlowchartofHSrecognitionmodel识别过程：对于待测试的心音数据，我采用与训练方法完全相同的预处理及特征提取过程，再用矢量量化生成测试心音VQ码本，作为测试模板，再用DTW算法进行模板匹配，得到最终识别结果。为了直观看到基于VQ模型码本训练效果，下面给出了一例标准动脉导管未闭（Ductus）和主动脉狭窄（AorticStenosis）心音生成的MFCC参数，并选用MFCC参数的第5维和第6维矢量生成二维矢量图，如图4.3所示。31 先天性心脏病心音识别及量化研究图4.3两种不同心音的二维矢量图Fig4.3Thetwo-dimensionalvectorgraphoftwodifferentHS由图可以看出两类心音的矢量分布具有较大的区别，利于分类识别。但是临床心音的MFCC参数矢量维度较大，直接用原始MFCC参数做分析识别计算量大，实时性差。所以，下图给出了心音原始MFCC参数通过矢量量化算法生成的VQ码本图，如图4.4所示：32 西华大学硕士学位论文图4.4两种不同心音的二维矢量码本图Fig4.4Thetwo-dimensionalvectorcodebookgraphoftwodifferentHS由图可以看出：生成的码本较好地表征了MFCC特征矢量，且大幅降低了矢量维度，可以减少DTW识别阶段的运算量，减少运算时间。同时，生成的特征码本相对原始MFCC矢量也更集中，利于提高分类识别的准确性。33 先天性心脏病心音识别及量化研究4.5基于VQ/DTW的心音识别实验针对前面提出的基于VQ/DTW的先心病心音识别系统在不同特征参数和不同码本容量以及不同心音时长条件下的识别性能，我们利用临床心音数据对其进行验证分析。试验数据源采用临床采集的先心病心音数据共68例，和采集的正常心音共50例。先心病心音数据类型包括四种常见先心病：室缺（VSD）25例，房缺（ASD）20例，法乐氏四联征（F4）11例，动脉导管未闭（PAD）12例。心音信号频率主要集中在20Hz~700Hz之间，心音数据采集采用44.1kHz的采样频率，采样位数为16位，原始心音数据时长为10秒。4.5.1不同特征参数对心音识别效果影响本节针对前面提取的心音特征参数，采用临床心音数据对所提取的心音特征参数进行二分类识别验证。数据样本选取20例正常心音与20例先心病心音。对该四十例心音分别做预处理，再提取其LPCC，MFCC和LPMCC参数。利用VQ/DTW混合模型做模板匹配，VQ码本容量选为128，心音时长为10s。统计各种参数下的二分类识别率，识别结果如表4.1所示：由表可以看出，基于Mel尺度的LPCC改进参数LPMCC相对LPCC参数识别率有较大提升，LPMCC和MFCC都能较好地表征心音信号的病理特征，且两者组合成的参数集能较大幅度提高识别准确率，所以本文拟用MFCC和LPMCC参数作为心音特征参数集。表4.1不同参数的识别率(%)Tab4.1TherecognitionondifferentfeatureparametersofHS特征参数LPCCLPMCCMFCCLPCC+MFCCLPMCC+MFCC识别率%65808587.592.54.5.2不同码本长度下心音识别效果影响选取13维的MFCC和15维的LPMCC为特征参数，组成特征参数集。对特征参数集进行矢量量化生成特征码本，构成训练模本和测试模板，并用DTW算法进行识别，统计识别率。为了考察码本长度对识别率的影响，该实验中训练测试数据长度均为10秒。码本长度分别选取8、16、32、64、128。识别率详细结果如表4.1所示：34 西华大学硕士学位论文表4.2不同码本长度下的识别率(%)Tab4.2Therecognitionondifferentlengthofcodebook码本长度心音类型8163264128正常75.087.592.595.095.0VSD50.070.085.085.090.0ASD46.766.780.086.786.7F442.957.171.471.485.7PAD37.550.075.087.587.5为了更直观分析结果，将表所列数据绘成识别效果图，如图4.5所示：不同码本长度下心音识别效果图1009080正常(40)(%)70VSD(20)ASD(15)60识别率F4(7)50PAD(8)40308163264128码本长度图4.5不同码本容量下心音识别效果图Fig4.5ThegraphofHSrecognitioneffectindifferentcodebookcapability由表4.1和图4.5可以看出：心音训练码本和测试码本有效表征了心音特征，在原始心音长度下，VQ/DTW心音识别模型对正常心音及先心病心音的识别率最高达到了95%，对不同种类先心病心音的识别率最高也达到了85%以上。当码本长度增加时，识别率随之增加。当码本达到32时，往后增加码本长度并不大幅增加试验样本数相对较大的数据类型（如：正常，VSD及ASD）的识别率，却会成倍增加计算量，所以码本长度折中选择32。35 先天性心脏病心音识别及量化研究4.5.3不同心音数据长度下心音识别效果影响选取13维的MFCC和15维的LPMCC为特征参数，组成特征参数集。对特征参数集进行矢量量化生成特征码本，构成训练模本和测试模板，并用DTW算法进行识别，统计识别率。为了考察不同心音时长对识别率的影响，该实验中码本长度选择为折中的32。训练心音及测试心音长度分别为2s、4s、6s、8s、10s。识别率结果如表4.2所示：表4.3不同心音长度下的识别率(%)Tab4.3TherecognitionondifferentdurationofHS心音长度(s)心音类型246810正常57.5759092.592.5VSD4565808585ASD53.367738080F428.528.557.157.171.4PAD255062.57575为了更直观分析结果，将表所列数据绘成识别效果图，如下所示：不同心音长度下识别效果图1009080正常(40)70(%)VSD(20)60ASD(15)识别率50F4(7)40PAD(8)3020246810心音数据时长(s)图4.6不同心音时长下心音识别效果图Fig4.6ThegraphofHSrecognitioneffectindifferentHSlength由图4.6可以看出，训练心音和测试心音长度对识别效果影响明显，数据越长时，识别率越来越高。心音周期平均为0.8秒，心音数据样本时间越长，包含的心动周期越多，其中病理特征越丰富，识别效果越好。训练和测试心音时长在2s~6s区间时，各类36 西华大学硕士学位论文型心音识别率提升较快，6s~10间识别效果的提升并不大，也会加大训练和测试过程的时间，所以训练及测试心音长度折中选择6s。4.6本章小结本章主要针对前一章提取的心音特征参数，采用标准数据库心音数据和临床心音数据从不同角度对所提取的心音特征参数进行有效性验证。同时，本章详细阐述了基于VQ/DTW的先心病心音识别系统的具体实现。研究VQ/DTW基本原理及识别系统的建立。本文在训练阶段，利用标准及临床心音数据库数据，提取心音样本特征矢量，建立并训练了不同种类的心音模型。识别阶段，针对量化容量及样本数据长度下的参数对系统识别性能产生的影响进行了实验分析。试验证明：在理想的码本长度（128）及心音数据长度（10s）下，该系统对正常与先心病心音识别获得了90%以上的识别率，对不同种类先心病识别也取得了80%以上识别率。在试验讨论得出的折中的码本长度（32）及心音数据长度（6s）下，对正常与先心病心音依然获得了90%的识别率，对三种先心病：VSD，ASD，PAD也获得了70%以上的识别率，对另一种先心病心音F4则略低于60%。其中F4及PAD两类先心病由于试验数据样本量相对较小，其识别率波动性较大。37 先天性心脏病心音识别及量化研究5先心病心音量化系统研究心音中出现的杂音和畸变可作为临床诊断的重要依据，但是一方面，由于目前缺少实用的心音定量分析技术。另一方面，由于听诊是一个主观判断的过程，对听诊医生的听诊经验要求很高，且折中听诊经验又不易传承。这些原因都阻碍了心音分析的发展。常见的先天性心脏病如：室间隔缺损与房间隔缺损，都是心脏出现内部缺损而导致的心脏疾病。而按缺损的大小，缺损性心脏病又有小、中、大型缺损的区别；从临床患病程度来讲，也就是分为轻、中、重之分。先心病缺损孔径的大小不同不仅对患者造成的病理影响有较大区别，对于先心病的诊断及治疗开展都有着决定性的参考价值。故对先心病缺损孔径的大小量化有着重要的临床意义。针对以上问题，本文提出了一种基于小波能谱熵的心音定量分析方法，用以分析先先天性心脏病缺损孔径的大小。5.1先心病心音量化分析概述心音听诊可以一定程度上对心脏疾病进行定性分析，但是要对患者患病位置及患病程度进行定量分析难度较大，对医生的临床经验要求很高。而根据缺损孔径的大小不同，先心病又分为：小缺损，中等大小缺损以及大型缺损。小缺损指的是先心病缺损孔径大小小于5mm，该种程度的先心病缺损在不容易被检查到，且有一部分患者可以随着年龄的增长而逐渐痊愈。中等大小缺损指的是先心病缺损孔径大小在6~9mm,这类程度缺损的先心病患儿在临床上表现不一，但是比较容易被检测到。大型缺损指的是缺损孔径在10mm以上，这类患儿大多症状较重，且易产生其他并发症，宜于今早治疗。由上可以看出，心脏缺损大小的程度是先心病病性的决定性因素，同时也是先心病诊治的重要依据，轻者可以自我痊愈，重者应及早接受手术治疗。而针对先心病心音分析研究，现在大多集中于疾病的识别和分类，量化分析研究较少，文献[50]提出了一种小波包能量的心音定量评价分析方法，通过计算不同尺度小波能量带所占比，用以区分不同类型的先心病。在此基础上，本文提出了一种基于小波能谱熵的先心病量化系统，用以对先心病缺损大小进行量化分析。系统流程图如下所示：38 西华大学硕士学位论文心音信号降噪预处理小波分解与重构对重构的不同频率段求能谱熵缺损大小量化图5.1基于小波能谱熵的先心病量化系统流程图Fig.5.1TheflowchartofCHDquantitativesystembasedonwaveletenergyspectrumentropy5.2基于小波能谱熵的先心病心音量化系统5.2.1小波分析小波变换（WaveletTransform--WT）是一种信号的时间-尺度(时间-频率)分析方法。它把信号分解成低频和高频，它具有多分辨率分析的特点。小波变换把信号分解成高频和低频，在下一层分解中，又将低频分成次低频和次高频，如此类推下去，进行更深层次的分解，每次分解过程中都是试图高频来表征低一层低频分解丢失的信息。如图5.2所示。39 先天性心脏病心音识别及量化研究分解信号G↓2D1s(i)A1H↓2G↓2D2A2H↓2G↓2D3…DJH↓2A3…AJDJ-2↑2g重构DJ-1↑2g+AJ-3…A0AJ-2DJ↑2g+↑2hAJ-1+↑2hAJ↑2h图5.2波变换分解与重构的滤波器结构Fig.5.2Thefilterstructureofwaveletdecompositionandreconstruction本文是在研究小波理论的基础上，引入了频带能谱熵的概念，用以表征信号在某个频带的能量复杂度，从而以此对先心病缺损进行定量分析。5.2.2小波能谱熵信息学中，熵用于表征信号的平均信息量和信源的平均不稳定性。而信号通过小波变换可以放大局部时间-频率的特性，因此将小波变换与信息熵结合可以发现心音信号的复杂程度及微小变换。设E为心音信号xt()在j尺度k时刻的小波能量，则有：jkNEEjjk(5.1)k1E表示在j尺度的信号能量和。定义心音信号的小波能谱熵为：jWEEjpjklogpjk(5.2)k其中pjkEjk/Ej，同时pjk1。k理论上可以得出，心音信号越规整，小波能谱熵越小，反之越大。分析方法的具体步骤如下：40 西华大学硕士学位论文(1)心音信号预处理：在预处理前先对心音信号xi()进行重采样，采样率为1/4，这原始44.1K的心音信号的被重采样到了11025Hz。然后采用db10小波作为小波分解的母函数对重采样后的心音信号进行8层小波分解。再重构d3~d8部分。预处理后的信号频率21.63~1378.06Hz。(2)划分心音频率带：由于正常心音和先心病心音在不同频率段能量分布不同，借用声学对频率的划分，这里把心音分成四个频率段：分别为超低频(VeryLowFrequency–VLF)、低频(LowFrequency–LF)、中频(MiddleFrequency–MF)和高频(HighFrequency–HF)。具体频带范围如下表5.1所示。正常心音和一例室间隔缺损心音在以上四个频率段的重构图如图5.3及图5.4所示。表5.1小波分解频带范围Tab5.1Thefrequencybandrangeofwaveletdecomposition频带序号1234频带类型VLFLFMFHF小波系数d8+d7d6d5d4+d3频率范围/Hz21.53~86.186.1~172.2172.2~344.4344.4~1378(3)计算不同心音频带下的小波能谱熵，并与孔径缺损大小做相关性分析。正常心音时域信号20幅值-200.511.522.520VLF-200.511.522.51LF0-100.511.522.510MF-100.511.522.50.5HF0-0.500.511.522.5时间/秒图5.3正常心音小波包分解重构波形Fig.5.3TheWPdecompositionandreconstructionwaveformofthenormalHS41 先天性心脏病心音识别及量化研究室间隔缺损心音时域信号20幅值-200.511.522.520VLF-200.511.522.52LF0-200.511.522.510MF-100.511.522.50.50HF-0.500.511.522.5时间/秒图5.4室间隔缺损心音小波包分解重构波形Fig.5.4TheWPdecompositionandreconstructionwaveformoftheVSDHS5.2.3临床数据试验为了验证本文提出的量化方法的可行性，下面采用对44例临床先心病患者采集的心音数据提取小波能谱熵进行分析，其患者诊断详细及缺损孔径大小如表5.2所示，其中小孔径缺损(d<6mm)5例，中型缺损（6~9mm)9例，大型缺损（d>9mm)30例。其样本序列与孔径缺损大小对应图如图5.5所示表5.2临床先心病心音样本的基本信息Tab5.2BasicinformationoftheclinicalCHDheartsoundsamples性别样本序号年龄(岁)所患先心病种类缺损孔径大小(mm)F：女M：男1F9室间隔缺损132F17室间隔缺损63F3室间隔缺损34F40室间隔缺损205F11室间隔缺损642 西华大学硕士学位论文6M3室间隔缺损77M3室间隔缺损58M3室间隔缺损59M11室间隔缺损610F4房间隔缺损191、房间隔缺损2、肺动11F420脉瓣口血流速度增快。12M16房间隔缺损1013M2房间隔缺损714M11房间隔缺损181、室间隔缺损2、主动脉根部骑跨（骑跨率40%）15M4153、肺动脉口重度狭窄4、右心肥大1、室间隔缺损2、主动脉根部骑跨（骑跨率40%）16M16203、肺动脉口重度狭窄4、右心肥大1、室间隔缺损2、主动脉根部骑跨（骑跨率45%）17F10133、肺动脉口狭窄4、右心肥大1、室室间隔缺损2、右室18M9流出道轻度狭窄3、卵圆6孔未闭19M111、卵圆孔缺损41、室间隔缺损伴膜部瘤形20M8102、右位主动脉弓1、室间隔缺损21M122、室间隔断端隔膜3、17动脉导管未闭4、卵圆孔43 先天性心脏病心音识别及量化研究未闭5、极重度肺动脉高压法乐氏五联症1、室间隔缺损2、主动脉根部骑跨（骑跨率50%）22M53、肺动脉口狭窄4、右心17肥大5、房间隔缺损6、体肺侧支形成1、室间隔缺损2、房间23M3隔缺损3、中度肺动脉高14压形成1、房间隔缺损2、肺动脉24M55口轻度狭窄1、室间隔缺损2、重度肺25M314动脉高压形成1、室间隔缺损2、动脉导管未闭3、三尖瓣轻-中度26F412返流4、重度肺动脉高压形成1、室间隔缺损2、动脉导27F8管未闭3、重度肺动脉高16压形成1、法乐氏四联症1）室间隔缺损2）主动脉根部骑跨（骑跨率50%）28F133）肺动脉口狭窄4）右心19肥大2、二尖瓣发育不良伴轻—中度偏心性返流1、室间隔缺损2、三尖瓣29F1114中度返流1、房间隔缺损2、上腔型房间隔缺损3、30M814二尖瓣前叶裂缺伴轻—中度返流；三尖瓣轻—中度44 西华大学硕士学位论文返流4、肺动脉瓣口血流速度增快1、房间隔缺损2、室间31M7隔缺损3、二尖瓣前叶裂20缺伴中—重度关闭不全。1、右室双出口。2、室间32M10隔缺损3、肺动脉口狭30窄。4、体—肺侧支形成1、室间隔缺损2、卵圆33M5孔未闭3、主动脉瓣轻度21返流4、肺动脉压增高1、室间隔缺损伴膜部瘤形34M3成2、右室流出道近端略10增厚1、室间隔缺损2、动脉导35M6管未闭3、肺动脉口血流10速度稍增快1、室间隔缺损2、中—重36F57度肺动脉高压形成。1、室间隔缺损2、室间隔37F146断端细小隔膜1、室间隔缺损2、卵圆孔38F57未闭1、室间隔缺损2、二尖瓣39F31前叶脱垂伴中—重度返流203、重度肺动脉高压形成。1、室间隔缺损2、二尖瓣前叶脱垂伴中—重度返40F3120流。3、重度肺动脉高压形成。1、室间隔缺损2、主动脉41M8瓣脱垂伴重度偏心性返10流。1、房间隔缺损2、室间隔42M1826膜部出瘤形成。3、二尖瓣45 先天性心脏病心音识别及量化研究轻—中度返流，三尖瓣重度返流1、室间隔缺损2、三尖瓣43M2319轻-中度返流1、右室双出口2、室间隔44F1217缺损35临床先心病样本缺损孔径大小曲线3025(mm)2015缺损孔径大小1050135791113151719212325272931333537394143心音样本序列图5.5临床先心病样本缺损大小曲线图Fig.5.5ThechartofclinicCHDHSsamples’defectsize利用上一节所提到的基于小波能量熵的量化分析方法，对这44例先心病进行分析，提取VLF，LF，MF，HF四个频率段的小波能量熵，其组成的不同样本对应的小波能谱熵如下表所示：表5.3不同频率段下对应的小波能谱熵Tab.5.3Thewaveletenergyspectrumentropyondifferentfrequencybands小波频率带VLFLFMFHF缺损大小样本序号17.7804.1205.1405.7801327.1204.2404.2506.540634.0603.1202.7807.560346 西华大学硕士学位论文412.7806.1406.70015.2802055.1203.1403.2604.120668.3204.1205.4107.320773.2802.2802.7903.780586.7803.6504.1405.080595.6204.1503.5604.12061015.3405.5908.42012.940191110.9106.5706.7009.11020128.12004.2304.2506.92010134.4504.1703.4503.15071413.0205.2007.26012.62015157.4904.4705.4508.170201611.8706.5707.65011.37013177.1106.3404.4507.7106………………435.6202.7603.5609.7704446.7803.5504.1406.92010由以上列表可以得到VLF，LF，MF，HF四种不同频带下的小波能谱熵与样本缺损孔径大小曲线比较图，如图5.6-图5.9所示：图5.6临床先心病样本缺损大小曲线图Fig.5.6ThewaveletenergyspectrumentropycurveanddefectaperturesizecurveunderVLF47 先天性心脏病心音识别及量化研究图5.7临床先心病样本缺损大小曲线图Fig.5.7ThewaveletenergyspectrumentropycurveanddefectaperturesizecurveunderLF图5.8临床先心病样本缺损大小曲线图Fig.5.8ThewaveletenergyspectrumentropycurveanddefectaperturesizecurveunderMF48 西华大学硕士学位论文图5.9临床先心病样本缺损大小曲线图Fig.5.9ThewaveletenergyspectrumentropycurveanddefectaperturesizecurveunderHF为了更直观看到不同频率带下能谱熵曲线与样本缺损孔径大小之间的关系，我们分别求各曲线间的相关度Rel：得到的相关度如表5.4所示：表5.4不同频率带下能谱熵曲线与样本缺损孔径大小曲线相关度Tab5.4Thecorrectionofspectrumentropycurveandsampledefectaperturesizecurve频带序号1234频带类型VLFLFMFHF相关度0.81260.76620.87950.6213由表可以看出，不同频率带下能谱熵曲线与样本缺损孔径大小曲线都有一定相关性，而VLF与MF频带下能谱熵曲线与样本缺损孔径大小曲线相关程度较高，一方面是因为心音能量大多集中在VLF频段，而先心病心音较之正常心音，在MF和HF频段能量分布差异性较大。另一方面说明了先心病缺损孔径大小，对心音MF频段能量规整化程度影响较大。而根据原始44例先心病样本缺损孔径大小在小、中、大三种缺损程度下的分布比例，可以在表5.3的基础上，对不同频段下的小波能谱熵值划分成小、中、大三个量化等级，用不同颜色标注如下：小（绿）、中（橙）、大（红）。49 先天性心脏病心音识别及量化研究表5.5小波能谱熵值等级划分表Tab.5.5Theleveldistributiontableofwaveletenergyspectrumentropy小波频率带VLFLFMFHF缺损大小样本序号17.7804.1205.1405.7801327.1204.2404.2506.540634.0603.1202.7807.5603412.7806.1406.70015.2802055.1203.1403.2604.120668.3204.1205.4107.320773.2802.2802.7903.780586.7803.6504.1405.080595.6204.1503.5604.12061015.3405.5908.42012.940191110.9106.5706.7009.11020128.12004.2304.2506.92010134.4504.1703.4503.15071413.0205.2007.26012.62015157.4904.4705.4508.170201611.8706.5707.65011.37013177.1106.3404.4507.7106………………435.6202.7603.5609.7704446.7803.5504.1406.92010对照表5.4中“缺损大小”程度，可以统计出不同频率带下的各个样本计算出的小波能谱熵值等级判断准确率，如表5.5所示：表5.6小波能谱熵值等级判断准确率(%)Tab5.6Thewaveletenergyspectrumentropylevelclassificationaccuracy特征参数VLFLFMFHF识别率%72.763.277.453.4其中MF频段的小波能谱熵量化边界值为:3.5，4.3。也就是说，我们可以通过计算某一先心病心音数据MF频段下的小波能谱熵值来判断该心音样本的缺损程度，低于3.550 西华大学硕士学位论文的可以认为是小孔径缺损，3.5~4.3之间的可以认为是中度孔径缺损，4.3以上的判断为大孔径缺损，从而在一定程度上实现了对先心病缺损孔径的量化目标。5.3本章小结本章主要介绍了临床先心病心音的定量分析研究。首先，临床常见先天性心脏病。根据缺损孔径大小程度，简单介绍了临床常见的几种先天性心脏病不同缺损程度的影响与临床表现。其次，心音信号的预处理。本文中采用小波分解重构的方法来进行心音信号的预处理，先将采样频率为44.1kHz的原始信号重采样到11.025kHz，采用小波(db10)对重采样信号进行8阶分解重构。结合实际的心音处理方法，时域上选择d8~d3的重构，重构后信号的频带范围是21.53~1378.13Hz。预处理后的信号作为下一步分析的信号。第三，先心病缺损孔径大小定量评价分析。本文采用的基于小波能谱熵的方法，首先简单介绍了小波算法原理，然后引入了能谱熵的概念，用能谱熵来表征不同频带下的小波能量规整程度。第四，小波能谱熵量化思想的临床分析。由于心音在不同频带上的分布不同，根据大量实验的结果，将心音信号的频带分为超低频(VLF)、低频(LF)、中频(MF)以及高频(HF)部分，再引入小波能谱熵的概念，计算这四种频带下的小波能谱熵值，通过样本缺损孔径曲线与小波能谱熵曲线的对照，计算其相关度，得出中频(MF)小波能谱熵能在一定程度上表征样本缺损孔径大小，进而通过比照原始心音样本缺损孔径大小程度，将不同频率带下的小波能谱熵值划分成小，中，大三种量化等级，并统计其判断准确率，得到了MF频段的小波能谱熵值能在一定程度上用以量化先心病心音缺损孔径大小程度，其准确率达到77.4%。51 先天性心脏病心音识别及量化研究结论对于很多发展中国家而言，随着自然环境日益破坏和污染，人们患心脏疾病的可能性越来越高，尤其先天性心脏病。虽然全世界因心脏病死亡人数有所下降，发达国家心脏病死亡率明显下降，其主要原因是他们强调了预防，同时具备先进的医疗救护措施。而中国人口多、底子薄、医疗事业的发展与普及都还相对落后，造就了至今我国的心血管疾病的死亡率仍呈上升趋势，现在患病人数至少2.3亿，其中先天性心脏病（先心病）患者约200万，用于心血管疾病的医疗费高达1300亿元，这样的经济压力肯定是很多家庭所不能承受的。近年来我国在心音数字听诊、心音采集及处理等多方面作了大量的工作，成绩显著。但是目前的心音分析还多是偏于定性分析，分析准确度及临床操作性都不是很高，对于先心病的定量分析更是少之又少。目前国内外研究者虽对心音的智能诊断展开了系统而深入的研究，并取得可喜的理论及实验研究成果，但是真正能为医生所接受并能投入实际临床使用的为数极少，这些心音智能诊断研究大都局限于标准心音和单一病症。而本研究选用了在西华大学和成都军区总医院心胸外科临床采集的心音数据，针对正常和心音以及常见先心病心音信号本身的特点进行了专门的研究和分析。其具体内容包括以下几个部分：①几种临床常见的先心病的病理信息介绍，并根据实际的听诊知识，选择适合分析的采集部位的心音信号进行下一步的分析，利用基于数字听诊器的单导心音采集系统和基于BIOPAC四导心音采集系统采集了三百余例正常及先天性心脏病心音数据。②心音信号的预处理。针对临床采集的心音数据中存在的工频噪音和环境噪音，本文采用了自适应小波阈值降噪。基于心音短时平稳特性，本文对临床心音信号进行了预加重、加窗分帧等一系列处理，以便于后期识别。③心音识别系统研究。主要介绍了语音识别参数MFCC和LPCC的引入，并针对LPCC的缺点进行了改进得到新参数：LPMCC。以及采用基于VQ和DTW混合模型作为识别模型的心音识别系统，探讨了在不同码本长度和心音数据时长的情况下该系统的识别性能。○4基于小波能熵谱的先心病孔径缺损大小定量评价分析。本文在小波分解重构的基础上，提出不同频带下的小波能谱熵，并与缺损孔径大小做相关分析，从而提取能表征常见先心病的心音缺损孔径大小的定量评价指标。通过对大量的临床心音数据进行仿真验证，证明了本研究在以下两个个方面取得了较好的结果：52 西华大学硕士学位论文（1）基于语音识别参数的先心病心音识别系统：通过采用基于MFCC+LPMCC作为特征参数VQ/DTW混合模型作为匹配模型的先心病心音识别系统，较好地实现了正常心音与常见先天性心脏病心音的分类，试验证明：在理想的码本长度（128）及心音数据长度（10s）下，该系统对正常与先心病心音识别获得了90%以上的识别率，对不同种类先心病识别也取得了80%以上识别率。（2）临床心音定量分析研究：本文针对临床常见先心病，在小波分解重构的基础上提出了基于小波能谱熵的先心病缺损孔径定量分析研究，结果表明：先心病心音MF频段下的小波能谱熵与先心病缺损孔径大小相关性达到0.85以上，故能在一定程度上用以表征先心病缺损程度。由于目前的心音种类及数量还尚不够，临床心音解析方法也比较单一，故今后研究工作的重点包括以下几个方面：(1)建立良好的心音数据库：更准确的识别定量评价分析的重要基础是拥有大量的可靠的临床心音数据。所以后期需要进一步完善心音数据库样本量提高数据的可靠性。(2)在现有的先心病识别系统基础上，进一步研究更多可靠有效的特征参数来定量评价临床心音数据，并采用更优秀的识别模型以提高识别率，识别的心脏病种类也可进进一步扩展到风湿性心脏病等种类。(3)在现有的量化系统上对量化手段进行优化，挖掘更可靠更精确的量化方法，寻找能更直观具体表征先心病缺损孔径大小及其他病理诊断的量化指标。53 先天性心脏病心音识别及量化研究参考文献[1]卫生部心血管病防治研究中心.中国心血管病报告[R].中国心血管病防治信息网,[2015-4-12].http://www.healthyheart-china.com/Website/default/index.aspx.[2]徐成斌,心音图学.北京:科技出版社,1982:p:6-7.[3]于云之,聂邦畿.心音的临床意义及研究现状[M].现代医学仪器与应用.1997.9.[4]E.Avci.Anewintelligentdiagnosissystemfortheheartvalvediseasesbyusinggenetic-SVMclassifier[J].ExpertSystemswithApplications.2009,36:10618-10626.[5]ResulDasa,IbrahimTurkoglub,AbdulkadirSengur.Diagnosisofvalvularheartdiseasethroughneuralnetworksensembles[J].Computermethodsandprogramsinbiomedicine.2009,93(2):185-191.[6]EnginAvci,IbrahimTurkoglu.AnintelligentdiagnosissystembasedonprinciplecomponentanalysisandANFISfortheheartvalvediseases[J].ExpertSystemswithApplications.2009,36:2873-2878.[7]ResulDas,AbdulkadirSengur.Evaluationofensemblemethodsfordiagnosingofvalvularheartdisease[J],ExpertSystemswithApplications.2010,37(7):5110-5115.[8]ZhongweiJiang,SamjinChoi,HaibinWang.ANewApproachonHeartMurmurClassificationwithSVMtechnique[C].IEEEInternationalSymposiumonInformationTechnologyconvergence.2007:240-244.[9]SamjinChoi.Detectionofvalvularheartdisordersusingwaveletpacketdecompositionandsupportvectormachine[J].ExpertSystemswithApplications.2008,35(4):1679-1687[10]SamjinChoi,ZhongweiJiang.Cardiacsoundmurmursclassificationwithautoregressivespectralanalysisandmulti-supportvectormachinetechnique[J].ComputersinBiologyandMedicine.2010,40(1):8-20[11]ZhonghongYan,ZhongweiJiang,AyahoMiyamoto,etal.Themomentsegmentationanalysisofheartsoundpattern[J].Computermethodsandprogramsinbiomedicine.2010,98(2):140-150.[12]Higuchi.K,Sato.K,Makuuchi.H,Furuse.A,Takamoto.S,Takeda.H.Automateddiagnosisofheartdiseaseinpatientswithheartmurmurs:Applicationofaneuralnetworktechnique.JournalofMedicalEngineeringandTechnology,2006,30(2):61-68.[13]SamantaBiswanath,NatarajC.Automateddiagnosisofcardiacstateinhealthcaresystemsusingcomputationalintelligence[J].InternationalJournalofServicesOperationsandInformatics.2008,3(2):162-177.[14]NigamV,PriemerR.Asimplicity-basedfuzzyclusteringapproachfordetectionandextractionofmurmursfromthephonocardiogram[J].PhysiologicalMeasurement.2008,29(1):33-47[15]SamitAri,GoutamSaha.InsearchofanoptimizationtechniqueforArtificialNeuralNetworktoclassifyabnormalheartsounds[J].AppliedSoftComputing.2009.9(1):330-340[16]SamitAri,KoushikHembram,GoutamSaha.DetectionofcardiacabnormalityfromPCGsignalusingLMSbasedleastsquareSVMclassifier[J].ExpertSystemswithApplications.2010.37(12):8019-8026[17]CotaNavinGupta,RamaswamyPalaniappan,SundaramSwaminathan,etal.Krishnan.NeuralnetworkclassificationofhomomorphicSegmentedheartsounds[J].AppliedSoftComputing.2007.7(1):286-297[18]S.Chauhan,P.Wang,C.S.Lim,etal.AComputerAidedMFCCbasedHMMsystemforautomaticauscultation[J].ComputersinBiologyandMedicine.2008,38(2):221–233.54 西华大学硕士学位论文[19]SepidehBabaei,AmirGeranmayeh.HeartsoundreproductionbasedonneuralnetworkclassificationofcardiacvalvedisordersusingwavelettransformsofPCGsignals[J].ComputersinBiologyandMedicine.2009.39(1):8-15[20]郭兴明,颜彦,姚晓帅等.用于心力变化趋势评价的基于概率神经网络的心音识别算法[J].生物医学工程学.2006,23(5):934-934.[21]柯明,郭兴明,肖守中.孕妇心脏安全性评估新指标的研究[J].中国实用妇科与产科杂志.2010,02.[22]但春梅,何为,周静等.基于LabVIEW的心音心电同步采集与实时播放[J].生物医学工程学杂志.2008,25(6):1307-1310.[23]刘军,张祖兴,潘家华等.基于短时傅立叶变换和连续小波变换的先天性心脏病心音比较分析研究[N].云南大学学报(自然科学版).2006.28(S1):89~93.[24]杨秀梅,潘家华,张祖兴,方立彬,纪元霞,樊耘,王威廉.ICA在心音信号处理中的应用[J].生物医学工程学杂志.2008,25(4):766-769.[25]唐洪.一种循环频率域内的心音包络合成方法(N).生物医学工程学报.2009.28(5):662-667.[26]HongTang,TingLi,TianshuangQiu.NoiseandDisturbanceReductionforHeartSoundsinCycle-FrequencyDomainBasedonNonlinearTimescaling[J].BiomedicalEngineering,2010.2:325-333.[27]YuanyangLi,XinpeiWang,etal.IdentifyingHeartSoundSourcesthroughMultichannelAcquisitionanda3-DModel[C].2ndInternationalconferenceonbiomedicalengineeringandinformatics.2009,10:1-4.[28]赵治栋,陈裕泉.基于舒张期心音信号分析与特征提取的冠心病无损诊断研究[D].浙江大学博士论文.2004,05.[29]房玉,王海滨.基于梅尔频率倒谱系数算法的先心病诊断研究[D].西华大学硕士论文.2013,05.[30]MijailA,AntiPhilipZ．ABayesiannetworkapproachcombiningPitchandspectralenvelopefeaturestoreducechannelmismatchinspeakerverificationandforensicspeakerrecognition[A]．InProceedingsofInterSpeech[C]，Lisbon，Portugal，2005，2009-2013.[31]H.Sakoe,S.Chiba.Dynamicprogrammingalgorithmoptimizationforspokenwordrecognition．IEEETransactiononAcoustics，Speech，andSignalProcessing，1978，26(1)：43—49．[32]L．R．Rabiner,C．K．Pan，F．K．Soong．OnthePerformanceofIsolatedwordSpeechRecognizersusingVectorQuantizationandTemporalEnergyContours．AT&TTech．J．1984，63(3)：1245-1260．[33]A．E．Rosenberg，F．K。Soong．Evaluationofavectorquantizationtalkerrecognitionsystemintextindependentandtextdependentmodes．Computerspeechandlanguage，1987，22(1)143-175．[34]D．A．Reynolds，R．C．Rose．Robusttext·independentspeakeridentificationusingGaussianmixturespeakermodel．IEEETransactionsonSpeechAudioProcessing，1995，3(1)：72—83．[35]L．R．Rabiner．AtutorialonhiddenMarkovmodelsandselectedapplicationsinspeechrecognition．IEEETransactiononAcoustics，Speech，andSignalProcessing，1989，77(2)257-286．[36]边肇祺,张学工等.模式识别(第二版)[M].北京:清华大学出版社.2000.01[37]V.Vapnik.Thenatureofstatisticallearningtheory[M].NewYork,Springer,1995.[38]SamjinChoiandZhongweiJiang.Cardiacsoundmurmursclassificationwithautoregressivespectralanalysisandmulti-supportvectormachinetechnique[J].ComputersinBiologyandMedicine.2010:8-20.55 先天性心脏病心音识别及量化研究[39]ReynoldsDA,CampbellW,GleasonTT.The2004MITLincolnlaboratoryspeakerrecognitionsystem[A]．InProceedingsofICASSP[C],PhiladelPhia,USA,2008.[40]肖国明等,心脏听诊与临床诊断[M].宁夏:宁夏人民出版社.1997.[41]徐成斌.心音图学[M].北京:科学出版社.1982.[42]胡旭东,于秀章等.心脏听诊与心音图[M].北京:人民卫生出版社.1981.[43]YanWang,HaibinWang,LihanLiu.AnImprovedWaveletThresholdShrinkagealgorithmforNoiseReductionofHeartSounds[C].2010InternationalConferenceonElectricalandControlEngineering,2010:5018-5021.[44]B.S.Atal．AutomaticRecognitionofSpeakerfromTheirVoices．IEEETransactiononAcoustics，Speech,andSignalProcessing,1976,64(4):460-475.[45]S．Davis，P．Mermelstein．Comparisonofparametricrepresentationsformonosyllabicwordrecognitionincontinuouslyspokensentences．IEEETransactiononAcoustics，Speech，andSignalProcessing,1980，28(4):357-366．[46]BimbotF'BonastreJF，FredouilleC，eta1．Atutorialontext-independentspeakerverification．EURASIPJournalOnAppliedSignalProcessing，2004，4(2)：430-451．[47]H.Sakoe,S.Chiba.Dynamicprogrammingalgorithmoptimizationforspokenwordrecognition.IEEETransactiononAcoustics,Speech,andSignalProcessing，1978,26(1):43—49．[48]L.R..Rabiner,C.K.Pan,F.K.Soong.OnthePerformanceofIsolatedwordSpeechRecognizersusingVectorQuantizationandTemporalEnergyContours.AT&TTech.J.1984,63(3)：1245-1260．[49]A.E.Rosenberg，F.K.Soong．Evaluationofavectorquantizationtalkerrecognitionsystemintextindependentandtextdependentmodes．Computerspeechandlanguage，1987，22(1)：143-175．[50]陶婷,王海滨.临床心音数据采集及定量分析研究[D].西华大学硕士论文.2012,04.56 西华大学硕士学位论文攻读硕士学位期间发表的论文及科研成果专利申报：1申请国家实用新性专利“听诊服以及听诊装置”，申请号或者专利号：ZL201320554315.1，第五发明人。科研项目：1主持西华大学研究生创新基金项目“先天性心脏病心音解析量化系统”，项目编号:ycjj201449（已结题）。2参与西华大学创新基金“基于呼吸音的采集分析研究”，项目编号:ycjj2014081（已结题）。3参与西华大学研究生创新基金项目“基于FPGA与ISD15100的四导心音便携式采集仪设计”，项目编号：Ycjj2014080（已结题）。4参与四川省科技创新苗子工程项目“基于呼吸音听诊服的四导呼吸音采集及存储系统”，项目编号：2012ZZ050（已结题）。学术论文发表：1唐赞,王海滨.基于MFCC参数的先心病心音识别研究[J].西华青年文萃2015.2张凯,王海滨，易鹏飞，唐赞，甘凤萍.硬盘播放器音频解码电路的设计[J].现代电子技术.第38卷，第5期,Pages77-79.57 先天性心脏病心音识别及量化研究致谢本论文的选题及研究工作均在本人导师王海滨教授的悉心指导下和支持下完成。借此论文完成之际，我谨向我最敬重的导师王海滨教授表示最诚挚的敬意和最衷心的感谢。在本人攻读硕士研究生期间，从资料收集、课题确定、项目研究、专利申报一直到论文完成，都凝聚着王老师的大量心血和汗水。同时，王老师亲切的话语，细致的关怀，让我们这些身在异乡求学的孩子有了一份家的温馨。王老师敏锐的思维、渊博的知识、严谨的治学态度、干练的处世作风……深深的吸引着我，并在潜移默化中激励我向她学习，努力培养自己的综合素质。先做人后做事，是您让我感受到了这个大家听到饿温馨，是您让我学到了很多为人处事的道理，也是您让我收获了丰富的专业技能，千言万语在一躬。感谢中国人民解放军成都军区总医院心胸外科的所有工作人员给予的帮助。在本文采集设备临床测试和数据采集过程中，得到了心胸外科的工作人员的积极配合和大力支持，尤其是张近宝主任和邬晓臣医生，在心血管疾病数据采集、病理分析等方面提出了大量宝贵的指导性意见和建议，为本文的顺利完成奠定了基础，同时为本研究室后期研究提供了大量临床数据储备。感谢硕士阶段所有给予过我关怀和指导的领导和老师们，是您们为我们营造了一个舒适的学习环境和良好的学术氛围，是您们的默默付出才创造了我们通向成功的垫脚石；感谢我的同窗好友在生活和学习中给予的鼓励和帮助，是您们让我感受到集体的温暖，充满了青春的活力和奋斗的激情；感谢生物医学信号研究室的所有一起学习和生活过的师兄师姐、师弟师妹们，是您们前期工作的积累和后期的并肩作战让我攻克了科研中的道道难关。感谢本文所有引用文献资料的各位作者，没有您们辛勤的劳动成果为我的科研奠定坚实的基础，就没有我论文的顺利完成。我还要特别感谢我辛勤劳作的父母，您们无微不至的关怀、一如既往的鼓励和支持是我力量的源泉和勇往直前的动力。最后，向所有给予过我关心和帮助的人致以我最衷心的谢意！58 ＩＩ．＇．■《兔明德率逝眉看－Ｍ：＾為Ｉ售麵＇‘＾獻；謹”：；ｍ＾幢．讀！＇■ｉ．．：＇＇Ｉ＂＇．心’＂－；＇－詞ＨＩｆｒ＇．．－－＇．Ｖ．视巧密醉；圳；；，心，邸；毒舶辑谭即帮记放苗扣听；ｉ－ｉ；－ｊ＇＇■＇如．．？‘Ｖ，ｒ．一Ｖ，，，《＂‘…Ｗ，－扁６終，’Ｉ‘Ｖ篆言齒，＾１―‘，扣：療７藻．’ｉ？獨＾‘舅’！＂－’＾巧：ｉｔ‘２Ｖ獅ａ；巧於３載得補酵