基于心音循环平稳性和半监督学习的心脏瓣膜病辅助诊断方法研究

Valvular Heart Disease (VHD) has increasingly become one of the most harmful diseases to human health. After the heart valve diseased, the blood dynamics on both sides of the valve changed, which led to the corresponding changes in the characteristics of the heart sounds. The vibration of the diseased valve can be repeated in each cardiac cycle, which is called cyclostationarity. In order to realize the early and accurate diagnosis of valvular diseases, the following contents are studied in this project. (1) Preprocessing methods of heart sound signals including denoising and segmentation were proposed in cyclic frequency domain, which improved the stability and consistency of the heart sound features. (2) For clinically confirmed valvular heart diseases, corresponding heart sound characteristics were extracted and feature subspaces were established from the time, frequency, cyclic frequency domain and their joint domain, in order to distinguish between various valvular diseases. (3) The kernel functions (or generating functions) of semi-supervised learning methods which were used to classify heart sound features were proposed based on effective heart sound characteristics and generation mechanism, realizing the auxiliary diagnosis. The completion of this project will help early diagnosis of valvular heart diseases. The results of this research, which is one of important technical reserves of 'Intelligent Medical Treatment' in the future, can analyze heart sound signals automatically, which can help to screen for valvular heart diseases regularly after the establishment of national electronic health records and electronic medical records.

心脏瓣膜病逐渐成为危害人类健康的最重要的心脏病之一。心脏瓣膜发生病变后，瓣膜两侧的血流动力随之变化，从而导致心音特征发生相应变化。病变瓣膜的振动在每一个心动周期内均会重复出现，具有循环平稳性。为了实现对心脏瓣膜病进行早期、准确的辅助诊断，本项目研究以下内容。(1)提出在循环频率域内对心音信号进行去噪声、分割等预处理方法，提高心音特征的稳定性，一致性。(2)针对临床上已经确诊的各种心脏瓣膜病，从时域、频域、循环频率域及它们的联合域内提取相应的心音特征，建立特征子空间，用以区分各种瓣膜病变。(3)基于有效的心音特征，结合心音的产生机理，建立半监督学习方法中的核函数（或生成函数），对心音特征进行分类，实现辅助诊断。本项目的完成，有助于早期诊断心脏瓣膜病。研究成果能进行自动心音信号分析，在建立全民电子健康档案后，进行心脏瓣膜病的筛查，也是未来“智慧医疗”的重要技术储备。

心脏瓣膜病的发病率逐年提高，成为危害人类健康的重要疾病之一。针对心脏瓣膜发生病变后，瓣膜两侧的血流动力随之变化，从而导致心音特征发生相应变化这一情况，本项目从心音信号的分割、特征提取和分类算法三个方面进行研究。. （1）主要采用了聚类的方法对心音信号进行分割。把一个周期的心音信号分解成若干个原子，并将这些原子在时频平面上表示出来，然后利用k-mean的聚类方法对这些原子进行聚类，根据这些原子在时频平面上的位置，来确定S1和S2的起始和终点。. （2）主要研究了病变后的异常心音与正常心音的特征，提取了四类特征，分别是：心音经过EMD分解得到的IMF分量特征（共6维）；使用Mel倒谱方法对心音信号处理得到的MFCC特征（共374维）；对心音信号进行4层小波包分解后得到的小波包能量特征（共16维）；采用分段后的心音信号计算出的时间间隔、振幅、能量、熵、高阶统计量和倒谱等特征（共314维）。研究了每一类特征在分类过程中的影响，将所有特征融合（共710维），并根据各个特征在分类中的重要性对其进行排序，发现使用前40维特征进行分类效果最佳。. （3）关于心音信号的分类方法，主要研究了机器学习方法中的决策树、随机森林、SVM和XGBoost这四类分类器，并对分类结果进行了对比，最终得出XGBoost算法效果最佳。对XGBoost算法的各个参数、生成函数进行选择和调整，使之更适用于心音信号的分类。研究发现，在训练数据为总数据量的90%，测试数据为10%时，使用前40维特征和XGBoost算法进行分类效果最佳，高于使用单类特征的分类结果以及使用所有特征分类的结果，其分类的准确率为87.19%，灵敏度为82.27%，特异性为92.11%。还对深度学习方法中的DNN和CNN算法进行了研究，也取得了比较好的结果。. 本项目对心音信号的各类特征进行了详细的分析，对分类方法进行了改进和对比，找到了比较适合心音信号分类的方法，为能进行自动心音信号分析筛查，为未来“智慧医疗”的实现提供了重要参考。.