基于心电和心音信号联合分析的冠心病无创筛查系统的制作方法

本发明涉及一种用于冠心病筛查的系统，该系统基于心电和心音信号联合分析，属于生物医学工程的人体疾病无创筛查技术领域。

背景技术：

冠心病是心血管疾病的主要类型，并且是全世界范围内的主要死亡原因之一。沿冠状动脉内壁的斑块堆积，减少了流向心肌的血流量，从而导致冠心病的发生。在严重的情况下，斑块破裂会完全阻塞动脉腔，从而引发急性心肌梗塞。

目前，冠状动脉造影被认为是冠心病临床诊断的金标准。但遗憾的是，这是一种侵入性技术，需要专业的外科手术和相当多的时间和成本，因此在一般医疗条件下作为冠心病筛查方法不具有吸引力。

心电和心音信号分别反映心脏的电活动和机械活动。研究表明，在冠心病患者的静息心电图中，可能存在t波倒置，st-t段异常，左心室肥大和室性早搏等症状；在冠心病患者的心音信号中，已知冠状动脉狭窄会导致高频成分增加。因此，心电和心音信号都可以作为冠心病筛查的有前景的工具，具有无创、高效、操作简便和费用低等特点。

使用各种心电或心音数据库来自动检测冠心病的研究已经有很多。在使用心电信号的研究中，大多数侧重于传统特征提取和分类过程。关于心音信号的研究，目前的方法在检测冠心病上的准确性还较低。事实上，只使用心电或心音信号中的一种来检测冠心病是远远不够的，因为一些患者在心电信号上没有表现出异常，但在心音信号有所体现，反之亦然。

中国专利文献cn108577883a公开的一种冠心病筛查装置，包括：拾音器，用于获取心音信号；脉搏波传感器，用于获取脉搏波信号；心电传感器，用于获取心电信号；……计算心电信号的st段电平和qrs波群宽度；将从心音、脉搏波和心电数据中提取的特征与用户病史资料和基本生理参数结合，组成特征向量；构建训练样本，采用最近邻聚类算法构建基于径向基函数神经网络的冠心病筛查模型；将所述特征向量输入筛查模型，获得筛查结果。

上述装置中所提取的心电特征仅仅属于时域层面，未考虑频域、非线性层面的信息；所提取的心音信号特征仅仅属于频域层面的信息，未考虑时域、熵以及峰度方面的信息；只进行了特征层面的概要分析，未对完整的心电和心音信号进行深度学习，未从全局到细节全方位挖掘与冠心病有关的深层次有效信息，使得在冠心病筛查的准确性上有待进一步提高。

技术实现要素：

针对现有的冠心病检测方法存在的缺陷和不足，本发明提供一种基于同步采集的心电和心音信号联合分析的冠心病无创筛查系统，该系统将传统分类方法和深度学习融合，对心电和心音信号进行联合分析，因此在冠心病筛查上准确性更高。

本发明基于同步采集的心电和心音信号联合分析的冠心病无创筛查系统，采用以下技术解决方案：

该系统，包括心电信号预处理模块、心音信号预处理模块、特征提取与选择模块、五通道信号级联模块和双输入神经网络分类模块；特征提取与选择模块与心电信号预处理模块和心音信号预处理模块分别相连接；五通道信号级联模块与心电信号预处理模块和心音信号预处理模块分别相连接；双输入神经网络分类模块与特征提取与选择模块和五通道信号级联模块分别相连接；

心电信号预处理模块，对采集的心电信号进行带通滤波处理，去除基线漂移和工频干扰，经过ad转换后进行归一化处理；

心音信号预处理模块，对同步采集的心音信号进行高通滤波处理，去除工频干扰，经过ad转换后进行归一化处理；

特征提取与选择模块，接收归一化处理后的心电信号和心音信号，通过时域、频域和时频域分析方法提取心电信号的各域特征，通过时域、频域、能量、熵和峰态分析方法提取心音信号的各域特征，将心电信号和心音信号的各域特征进行融合，并利用信息增益率方法筛选出重要特征，组成电机械特征向量；

五通道信号级联模块，接收归一化处理后的心电信号和心音信号，通过小波变换与重构将心音信号分解为四频段信号，并与心电信号合并为五通道组信号；

双输入神经网络分类模块，包括多层感知器、深度学习模型和激活模型，多层感知器对特征提取与选择模块输出的电机械特征向量进行处理，得到特征输出；深度学习模型对五通道信号级联模块的输出进行处理，得到信号输出；激活模型对特征输出和信号输出进行合并，并利用激活函数对合并后的输出进行非线性处理，得到最终的冠心病筛查结果。

所述特征提取与选择模块提取的心电信号特征包括r波、p波、q点、s点和t波的时间和幅值信息，并根据上述信息计算出62个时域特征；利用离散傅里叶变换对心电信号进行频谱分析，计算出5个频域特征；利用小波包方法对心电信号进行时频域分析，计算出14个时频域特征。

所述特征提取与选择模块提取的心音信号特征包括s1段、收缩期段、s2段和舒张期段的时间与幅值信息，并根据上述信息计算出20个时域特征；利用离散傅里叶变换对上述4段心音信号分别进行频谱分析，计算出98个频域特征；同时，计算出20个能量特征、8个熵特征和8个峰度特征。

所述多层感知器由两个具有32个和64个神经元的全连接层构成。也可以说是多层感知器内部有两个隐藏层，分别具有32个和64个神经元。

所述深度学习模型由卷积神经网络和双向门控循环单元构成。

所述激活模型由激活函数sigmoid构成。

上述系统进行冠心病筛查的过程，包括以下步骤：

(1)心电信号预处理模块采集原始心电信号，利用带通滤波去除心电信号的基线漂移和工频干扰，并对其进行ad转换，然后利用z-score方法对转换后的信号进行归一化处理；同步地，心音信号预处理模块采集心音信号，利用高通滤波去除心音信号的工频干扰，并对其进行ad转换，然后利用z-score方法对转换后的信号进行归一化处理；

(2)归一化后的心电信号传入特征提取与选择模块进行处理：分别提取心电信号的r波、p波、q点、s点和t波的时间和幅值信息，并根据上述信息计算出62个时域特征；利用离散傅里叶变换对心电信号进行频谱分析，计算出5个频域特征；利用小波包方法对心电信号进行时频域分析，计算出14个时频域特征；

同步地，归一化后的心音信号传入特征提取与选择模块进行处理：分别提取心音信号的s1、s2、收缩期段和舒张期段的时间信息和幅值信息，并根据上述信息计算出20个时域特征；利用离散傅里叶变换对上述4段心音信号分别进行频谱分析，计算出98个频域特征；同时，计算出20个能量特征、8个熵特征和8个峰度特征；

(4)特征提取与选择模块对上述计算得到的心电信号特征和心音信号特征融合，使用信息增益率方法对上述特征进行降维筛选，构成电机械特征向量；

(5)预处理和归一化后的心电信号和心音信号传入信号级联模块，采用四尺度小波变换与重构方法将心音信号分解为四频段信号，并与传入的心电信号构成含有五通道数据的组信号；

(6)电机械特征向量和组信号传入双输入神经网络分析模块，该模块中的多层感知器使用含32个神经元的隐藏层和含64个神经元的隐藏层对电机械特征向量进行处理，得到特征输出；同步地，深度学习模型使用卷积神经网络和双向门控循环单元gru对组信号进行分析，得到信号输出；激活模型使用sigmoid激活函数对特征输出和信号输出进行非线性处理，得到最终的冠心病筛查结果。

本发明的有益效果：

(1)充分考虑了冠心病在心电信号的体现，提取了时域、频域和时频域多层面多角度的特征；充分考虑了冠心病在心音信号上的体现，提取了时域、频域、能量、熵、峰度多方面的信息；联合同步分析上述两信号的特征，克服单信号的局限性；

(2)使用信息增益率方法对提取的心电和心音信号特征进行筛选，既最大限度地保留了与冠心病有关的特征，又最大程度地提高了运算效率；

(3)使用多层感知器对提取的心电和心音信号特征进行全局分析，使用深度学习模型对原始的心电和心音信号进行细节分析，深层次挖掘有效信息，从全局到细节，从概要到详细，全方位多角度筛查冠心病，大大提高了准确性。

附图说明

图1是本发明的基于心电和心音信号联合分析的冠心病筛查的基本流程图。

图2是本发明中多层感知器的基本结构图。

图3是本发明中双向门控循环单元gru的基本结构图。

具体实施方式

如图1所示，本发明基于心电和心音信号联合分析的冠心病筛查系统，包括：心电信号预处理模块、心音信号预处理模块、特征提取与选择模块、五通道信号级联模块和双输入神经网络分类模块。特征提取与选择模块与心电信号预处理模块和心音信号预处理模块分别相连接。五通道信号级联模块与心电信号预处理模块和心音信号预处理模块分别相连接。双输入神经网络分类模块与特征提取与选择模块和五通道信号级联模块分别相连接。

心电信号预处理模块用于对原始心电信号进行滤波、去噪和归一化处理；心音信号预处理模块用于对原始心音信号进行滤波、去噪和归一化处理；特征提取和选择模块用于提取处理后心电和心音信号的多域特征和特征选择；五通道级联模块用于对心音信号的小波变换与重构，并将重构后的心音信号与心电信号连接为一个五通道信号；双输入神经网络分类模块用于对输入的特征和五通道信号进行分类，给出冠心病筛查结果。

上述系统进行冠心病筛查，包括以下具体步骤：

1.信号预处理

首先，同步采集被测者的原始心电信号和心音信号，使用巴特沃斯带通滤波器(1-60hz)去除心电信号的基线漂移和高频噪声干扰，利用50hz陷波去除心电信号的工频干扰，并使用z-score方法对滤波后的心电信号进行归一化处理；使用巴特沃斯高通滤波器(10hz)去除心音信号的高频噪声干扰，利用50hz陷波去除心音信号的工频干扰，并使用z-score方法对滤波后的心音信号进行归一化处理；

2.特征提取与选择

2.1心电信号的特征提取

2.1.1心电信号的时域特征提取

(1)对于处理后的心电信号，利用小波变换和模极大值方法获取每一心动周期中r波的时间和幅值信息，进一步得到p波、q点、s点和t波的时间和幅值信息；

(2)利用上述时间和幅值信息得到如下14个序列：

rr间期序列，反映相邻r波的时间差信息；

drr间期序列，反映rr间期序列的差分信息；

pr间期序列，反映每个心动周期中p波与r波的时间差信息；

rt间期序列，反映每个心动周期中r波与t波的时间差信息；

qs间期序列，反映每个心动周期中q点与s点的时间差信息；

qt间期序列，反映每个心动周期中q点与t波的时间差信息；

r波幅值序列，反映每个心动周期中r波的幅值信息；

pq幅值序列，反映每个心动周期中p波与q点的幅值比信息；

pt幅值序列，反映每个心动周期中p波与t波的幅值比信息；

tp幅值序列，反映每个心动周期中t波与p波的幅值比信息；

tq幅值序列，反映每个心动周期中t波与q波的幅值比信息；

r信号序列，反映每个心动周期中以r波为中心，宽度为0.7s的区段中信号的平均幅值信息；

sp信号序列，反映每个心动周期中以s点为起始点，p波为终点的区段中信号的平均幅值信息；

sp信号序列，反映每个心动周期中st段偏离心电基线的程度信息；

(3)计算14个序列中每个序列的最大值、最小值、平均值和标准差，得到56个序列特征；计算整个心电信号的最大值、最小值、平均值、方差和标准差；利用r波的时间信息计算出心率，最终得到心电信号时域分析的62个特征。

2.1.2心电信号的频域特征

(1)对处理后的心电信号进行离散傅里叶变换，得到频谱序列fi(i＝1，2，...，n)，fs为采样率；

(2)计算频谱序列fi的均值avg_sp和标准差std_sp，进而计算fi的偏度sp_skew和峰度sp_kur；同时，计算fi的熵值sp_entropy，最终得到心电信号频域分析的5个特征。

其中，上述指标的计算公式如下：

2.1.3心电信号的时频域特征

(1)对处理后的心电信号，每个心动周期中选取以r波为中心，宽度为0.3s的区段信号，使用db2小波函数，对该区段信号进行6尺度小波变换，选取第4尺度的近似系数序列a4和细节系数序列di(i＝1，2，...，6)，计算各序列的能量，记为e和ebk(k＝1，2，...，6)；

其中，能量计算公式如下：

si表示系数序列。

(2)计算不同频段中系数能量的比值，公式如下：

(3)所有心动周期的wd_ratio1，wd_ratio2，wd_ratio3，wd_ratio4，wd_ratio5构成各自的序列，并计算每个序列的均值和标准差，共10个特征；

(4)使用db6小波函数，对处理后的整个心电信号进行4尺度小波包分解；对第4尺度的每个节点(共16个节点)进行重构，并计算重构后的信号的能量，记为ek(k＝1，2，...，16)；

(5)计算ek序列的总能量wp_energy、小波能量熵wp_entropy、能量比wd_ratio1和wd_ratio2，共4个特征。计算公式如下：

ei即ek，因为公式中需要遍历两次，所以用的是不同的下标。

(6)最终得到心电信号的时频域分析的14个特征。

2.2心音信号的特征提取

2.2.1心音信号的时域特征提取

(1)利用高阶香农熵方法将处理后的心音信号分成s1段、收缩期段、s2段和舒张期段四部分信号，进而得到如下10个序列：

cc序列，反映每个心动周期的时间长度信息；

ints1序列，反映相邻s1的时间差信息；

ints2序列，反映相邻s2的时间差信息；

intsys序列，反映相邻收缩期段的时间差信息；

intdia序列，反映相邻舒张期段的时间差信息；

ratio_syscc序列，反映每个心动周期中收缩期段时间长度与整个心动周期时间长度的比值；

ratio_diacc序列，反映每个心动周期中舒张期段时间长度与整个心动周期时间长度的比值；

ratio_sysdia序列，反映每个心动周期中收缩期段时间长度与舒张期段时间长度的比值；

amp_syss1序列，反映每个心动周期中收缩期段平均幅值与s1段平均幅值的比值；

amp_dias2序列，反映每个心动周期中舒张期段平均幅值与s2段平均幅值的比值；

(2)计算10个序列中每个序列的平均值和标准差，得到心音信号时域分析的20个特征。

2.2.2心音信号的频域特征

(1)将s1段、收缩期段、s2段和舒张期段心音信号分别进行离散傅里叶变换，得到对应的频谱序列：

fs1i(i＝1，2，…，n)，fsysi(i＝1，2，…，n)，fs2i(i＝1，2，…，n)，fdiai(i＝1，2，-，n)，fs为采样率；

(2)提取s1段频谱序列fs1i(i＝1，2，...，n)中频率为20hz的数值fs120，计算所有心动周期中的fs120的均值，记为fs120m；同理，以20hz为起点，130hz为终点，10hz为间隔，得到所有s1段频谱序列中不同频率处的均值，并形成新的序列，记为fs1jm(j＝20,30,,130):

(3)同理，得到所有s2段频谱序列中不同频率处的均值序列，记为fs2jm(j＝20，30，…，130)，所有收缩期段频谱序列中不同频率处的均值序列，记为fsysjm(j＝20，30，…，300)，所有舒张期段频谱序列中不同频率处的均值序列，记为fdiajrn(j＝20,30,…，300)；

(4)计算s1段频谱序列fs1i(i＝1，2，...，n)中频率在200hz以上的能量和占s1段频谱总能量的比值，记为高频能量比hf_s1，计算所有心动周期的高频能量比hf_s1的均值和标准差，分别记为hf_s1m和hf_s1std；同理，计算s1段中频率在50hz以下的能量比值的均值和标注差，分别记为lf_s1m和lf_s1std；

(5)同理，分别计算s2段、收缩期段和舒张期段的高频能量比和低频能量比指标，分别记为hf_s2m、hf_s2std、lf_s2m、lf_s2std、hf_sysm、hf_sysstd、lf_sysm、lf_sysstd、hf_diam、hf_diastd、lf_diam、lf_diastd；

(6)累计(2)、(3)、(4)、(5)中的所有特征，最终得到心音信号频域分析的98个特征。

2.2.3心音信号的能量特征、熵特征和峰度特征

(1)分别计算s1段、收缩期段、s2段和舒张期段两两之间的能量比，具体如下：

energy_s1tosys，反映s1段与收缩期段的能量比；

energy_s1todia，反映s1段与舒张期段的能量比；

energy_s2tosys，反映s2段与收缩期段的能量比；

energy_s2todia，反映s2段与舒张期段的能量比；

energy_diatosys，反映舒张期段与收缩期段的能量比；

energy_s1total，反映s1段与整个心动周期的能量比；

energy_systotal，反映收缩期段与整个心动周期的能量比；

energy_s2total，反映s2段与整个心动周期的能量比；

energy_diatotal，反映舒张期段与整个心动周期的能量比；

energy_hstotal，反映s1段和s2的能量和与整个心动周期的能量比；

其中，能量比公式如下：

si和ci表示其中的两段信号，m为si的长度，n为ci的长度。

分别计算所有心动周期的上述能量比的均值和标准差，最终得到心音信号的20个能量特征。

(2)计算收缩期段心音信号的样本熵，记为se_sys，计算所有心动周期的se_sys的均值和标准差；同理，计算所有心动周期的收缩期段心音信号的自定义模糊熵fe_sys的均值和标准差、舒张期段心音信号的样本熵se_dia的均值和标准差、舒张期段心音信号的自定义模糊熵fe_dia的均值和标准差，最终得到心音信号的8个样本熵特征；

(3)计算s1段心音信号的峰度，记为s1_kur，计算所有心动周期的s1_kur的均值和标准差；同理，计算所有心动周期的收缩期段心音信号的峰度sys_kur的均值和标准差、s2段心音信号的峰度s2_kur的均值和标准差、舒张期段心音信号的峰度dia_kur的均值和标准差，最终得到心音信号的8个峰度特征；

2.3特征的选择

使用信息增益率方法对上述获得的心电和心音信号的特征进行筛选，形成最终的电机械特征向量emv。具体计算公式如下：

其中，pi为数据记录属于第i类的概率，sv为在s中特征a的值为v的记录集合；

3.信号级联

使用db6小波函数，对归一化处理后的心音信号pcg进行4尺度小波变换；对每一尺度的细节系数di(i＝1，2，3，4)进行重构，得到重构后的四通道心音信号，记为pcgi(i＝1，2，3，4)，与归一化处理后的心电信号ecg合并为五通道组信号。

4.双输入神经网络分析

双输入神经网络模块包括多层感知器、深度学习模型和激活模型。

(1)多层感知器由两个具有32和64个神经元的全连接层构成，如图2所示，它将特征选择与提取模块输出的电机械特征向量emv作为输入，对其进行非线性变换，得到特征输出etop。变换公式如下：

ftop＝f(w*emv+b)，

其中，w表示权重矩阵，b表示偏置向量。

(2)深度学习模型由卷积神经网络cnn和双向门控循环单元gru构成，将五通道信号级联模块输出的五通道组信号作为输入，对其进行学习和训练，得到信号输出sgop。卷积神经网络包含10个卷积块，每个卷积块包含3个端到端的卷积层，用于特征的自动提取。每个卷积层的计算公式如下：

yj＝f(∑i∈mkij*xi+bj)，其中，m表示滤波器大小，i表示输入特征图的大小，j表示卷积核的大小，kij表示第i个输入和第j个输出的卷积核。

卷积神经网络cnn输出的特征序列输入至双向门控循环单元gru进行处理。如图3，双向门控循环单元gru的结构中有两种门：复位门rt和更新门zt，共同控制信息的更新。双向gru由一个前向和一个后向gru合并而成，以捕获更多模式。在时刻t，前向gru的隐藏状态计算为：

其中，xt是序列向量，即卷积神经网络cnn的输出，是前一个状态，是候选状态。同理，计算出后向gru的隐藏状态最终，双向gru的输出sgop为：

(3)将多层感知器的特征输出ftop和深度学习模型的信号输出sgop合并，输入至激活模型中的非线性激活函数sigmoid中，得到最终的冠心病筛查概率。公式如下：

σi＝ωxi+bi

其中，xi表示特征输出ftop和信号输出sgop合并后的向量，pi为非线性激活函数的输出，即冠心病筛查结果。

5.实验数据分析

本发明的系统使用了来自某三级甲等医院的195名受试者的数据，包括135名冠心病患者和60名非冠心病患者。每名受试者的数据包括心电信号和心音信号，按照步骤1和2对其进行预处理、特征提取与选择，按照步骤3对心音信号进行分解，并与心电信号重组，按照步骤4对提取的特征和重组的信号进行双输入神经网络分析，得到冠心病筛查结果。结果如下：

其中，对单独的心电信号、单独的心音信号、分解后的心音信号、五通道组信号、特征与五通道组信号的组合均进行了分析，结果表明，将心电和心音信号提取的特征与五通道组信号进行联合同步分析得到的准确率、特异性和敏感性均是最优的。

同时，比对了本发明之前与本发明的研究成果，结果如下：

其中，前5种研究均使用了单独的心电或心音信号的一些特征，均没有考虑使用深度学习模型对整体的心电和心音信号进行分析，因此均没有达到本发明的准确度。

需要说明的是，本发明所述的心电和心音信号的特征、特征提取方法、特征选择方法以及数据分析方法只是一种或多种实施例的体现，这意味着与本发明相似或等同的特征或方法、或组合均被涵盖在本发明中。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。此外，未详细描述的地方均为现有技术。