0　引言

心音由心脏的机械振动产生，可以反映心脏结构缺损等异常状态。先天性心脏病是一种出生即存在的单一或复合心脏结构异常或缺损，简称先心病。典型的先心病包括心室间隔缺损、心房间隔缺损、动脉导管未闭以及法乐氏四联症。其中心室间隔缺损的发病率在先心病发病率之中居高不下。先心病威胁小儿健康及生命，引起社会广泛关注[1]。临床上，五岁以下先心病患儿通过筛查和监控，及时采取恰当治疗手段，可以恢复健康。因此早期预防和术后随访在先心病防治领域显得尤为重要。心脏结构的异常会引起血液流向改变，从而产生心脏杂音。通过对心杂音信号的病理特征进行定量分析，可以有效地检测先心病，为临床提供参考。

为了更有针对性地进行先心病心音研究，研究者们利用奇异谱分析等方法从心音信号中将心脏杂音成分分离出来[2-3]，或者通过提取心音包络定位分割心音信号得到心杂音信号片段[4]。因此以心脏杂音为对象进行分析，如何自适应地准确定位心脏杂音区间，提取杂音信号是关键。同时，提取心脏杂音信号特征参数来进行正常、异常心音分类识别也是心脏杂音分析的重点。

心脏杂音分析的前提是心音间期的确定。临床心音采集过程中不可避免会混入环境噪声从而影响心脏杂音的提取，因此降噪预处理是保证后续分析精确度的关键问题。除了采用低通、带通滤波器对心音信号进行降噪，基于小波变换的收缩阈值小波降噪[5-6]也被广泛用于降噪算法。为了兼顾听诊的需要，避免传统小波算法频率分割引起的信息缺失，本文提出基于频率切片小波变换[7]的降噪新方法，提高心音分割准确性，同时保证听诊精度。

歧义词通常可分为交集型、组合型和真歧义三类，不同的消除方法对歧义词的类型有所偏重。消除歧义词主要方法有两种：一是基于规则的歧义消解算法，它主要采用语义、语法、词性等规则对歧义字段进行消除；一是基于统计的歧义消解算法，它是统计相邻字同时出现的频次，确定组成词的可能性，具体有：单纯以词频为依据的词频法；多个单字之间相连趋势为依据的t-测试法；两字之间结合紧密程度为依据的互信息法。

水利工程建设涉及到的不是某个人或某个企业，而是一个地区的农业发展，其建设结果至关重要。水利工程管理关键在于质量管理，主要包括技术人员与资金投入两个方面。

为了抽取心杂音片段进行特征参数提取，对心音信号进行准确自动化分割很有必要。通过分割心音信号定位杂音间期是目前广泛应用的心脏杂音提取方法。通过识别心音包络的第一、第二心音进行心音分割 [4]，融合自相关分析[8]以及匹配滤波[9]等心音分割算法的精度都受限于心音特征包络和模板选择。因此，本文采用特征矩波形分析方法[10]，对心音信号进行自适应智能分割，准确提取心杂音信号片段。

理国要道，在于公平正直。从党的十八大提出“进一步深化司法体制改革”，到党的十九大要求“深化司法体制综合配套改革”，以习近平同志为核心的党中央从全面推进依法治国，实现国家治理体系和治理能力现代化的高度，擘画司法体制改革宏伟蓝图，加快建设公正高效权威的社会主义司法制度。

特征提取是进行心杂音量化分析的关键。已有的心音特征提取方法主要在时域和频域中进行。时域上，提取心音特征包络，根据经验阈值获得心音主要成分持续时间等特征参数[11-13]。在频域上提取信号傅里叶频谱、功率谱[14-15]能量最大频率等特征参数。从语音信号处理中引入的梅尔频率倒谱系数(Mel frequency cesptrum coefficient,MFCC),可以模拟人耳听音特性对心音进行分析[16-17]。由于梅尔频率倒谱系数维数较多，需要结合分类器才可以对心音进行有效识别。而本文在传统梅尔倒谱分析方法的基础上，提出梅尔尺度特征参数，从心脏杂音病理特性的角度提供识别心音分类的参数范围，为先心病识别提供有效参考。

以降噪前后信号能量之差除以原始信号能量计算不同调整参数下的降噪能量百分比。当α为0.2、2、20时，降噪能量百分比分别为24.84%、15.84%和1.16%。由此可见，调整参数越小，去除的噪声成分越多。参照图1中降噪前后的时频图和心音信号时域波形，同时结合人耳检查结果，当α=20，重构信号中依然存在明显噪声能量，而当α=0.2，信号中的部分有效信息被消除。考虑到后续进行的心音分割，重构后的信号需保留第一心音、第二心音及心脏杂音成分。同时，为了有效提取心杂音特征并满足听诊的需求，本实验选择α=2。

1　心音信号降噪算法

假设心音信号的每一个时频成分都与其时频谱的固定区域相连。心音的第一心音和第二心音能量主要分布在20～80 Hz，心杂音主要分布在高频部分，而环境噪声分布在低频部分。

为了对心杂音进行定位分割，确定第一心音和第二心音十分关键。环境噪声会掩盖心音有效成分，对心音分割造成困扰，因此降噪预处理十分关键。本文结合频率切片小波变换(frequency slice wavelet transform,FSWT)和直方图曲线调整算法提出一种降噪新方法，去除环境噪声，提高听诊精度。

对于任意的f(t)∈L2(R)，存在窗函数p(t)的傅里叶变换，因此FSWT定义为

(1)

式中：尺度σ是一个不为零的常数或者是一个关于ω和t的函数；*表示共轭运算；ω和t分别是观测频率和观测时间；u是评估频率是频率切片函数[7]。

当满足心音信号可以根据公式(2)计算FSWT逆变换进行重构。

经过人耳听查，参照原始FSWT时频图，图1显示的原始心音信号中，不仅混有人说话、走动等环境噪声，还存在较重的呼吸音，噪声能量集中在1.0 s处。

(2)

直方图曲线的衰减速度可以代表环境的嘈杂程度。噪声越嘈杂，直方图曲线衰减得越慢。通过调整直方图曲线的衰减速度，可以修正由FSWT计算得到的时频图，从而达到降噪的效果，具体如下式(3)。

(3)

式中：M是Wf(t,ω,σ)的最大值；调整参数α是一个大于零的常数。将公式(3)计算得到的Wnew(t,ω,σ)带入公式(2)进行重构，得到降噪后的心音信号。

图1为门诊采集的未患先心病的9岁女童心音信号降噪前后对比图。原始心音信号及FSWT时频图如图1(a)所示。图1(b)～(d)显示设置不同调整参数时经过直方图曲线修正后的FSWT时频图和重构的心音信号。

绿化美化是美丽乡村建设的重要内容，也是改善当地生态环境和自然景观，推进生态文明建设的根本措施，本文在综合分析该县乡村绿化成功经验的基础上，全面阐述了美丽乡村绿化原则、绿化树种配置模式，具有很强的理论性、科学性、可操作性。

图1　临床儿童心音信号降噪前后对比 Figure 1　Denoising processing on clinical heart sound signals

本文采用临床心音数据进行实验，对提出的心杂音分析方法进行验证。该方法不仅可以区分正常和典型先心病心音数据，提出的特征参数组合也可以为后续深入研究先心病杂音病理特征提供参考。

2　心杂音间期分割提取算法

先天性心脏结构缺损引起血流方向改变而产生的杂音信号分为收缩期心杂音和舒张期心杂音，而心杂音分析的关键是定位收缩杂音期(systolic murmur,SM)和舒张杂音期(diastolic murmur,DM)。为提高心音分割的适应性和准确性，本文采用矩波形分析方法对心音进行分割。

首先对降噪处理后的心音信号提取时域特征波形，如公式(4)所示。

(4)

对临床心音数据下采样到2 kHz，然后进行降噪和心脏杂音间期分割，最后提取心脏杂音间期SM和DM信号的梅尔尺度特征参数进行分析。

第二层叫作WEB服务器，扮演着信息传送的角色。当用户想要访问数据库时，就会首先向WEB服务器发送请求，WEB服务器统一请求后会向数据库服务器发送访问数据库的请求，这个请求是以SQL语句实现的。

I(t,δ,l)=(τ-t)2c(τ,δ)dτ

(5)

式中：δ、l为时间尺度。根据心音信号特性和实验结果设置δ=0.05，l=T/2。T为一个心动周期的时间，可通过对c(t,δ)做傅里叶变换后取能量峰值对应的频率值计算得到[10]。

为了验证上述特征参数范围的有效性，采用剩余的11例正常数据(包含55个心动周期)和5例室间隔缺损数据(包含69个心动周期)进行验证。8维特征参数中至少有5维特征参数分布在正常区域判别为正常，同理判别为异常，结果如表2所示。

图2上方显示的是经过降噪处理后的信号波形，下方显示的是根据公式(4)和(5)进行归一化运算得到的时域特征波形和特征矩波形。如图所示，菱形表示特征矩波形的局部最大值，即为心动周期的分割点，也是舒张杂音期中心。五角星代表特征矩波形的局部最小值，为收缩杂音期的中心。垂直的虚线和实线将第一心音、第二心音分割定位出来，相邻两根实线间的距离代表一个心动周期。根据实验统计，收缩杂音期以五角星为中心取时长为T/6的间期记为SM，舒张杂音期以菱形为中心取时长为T/3的间期记为DM，如图2上方所示。

图2　心杂音间期提取示意图 Figure 2　Sketch map of heart murmur extraction

3　心音梅尔尺度特征参数提取算法

梅尔尺度是模拟人耳听觉特性而得到的非线性变化。人耳对声音的频率感知在1000 Hz以下呈线性变化，在1000 Hz以上呈非线性变化。

(6)

式(6)为梅尔尺度频率Mel(f)与真实频率f之间的关系[16]。

在传统梅尔频率倒谱系数算法基础上，考虑到傅里叶变换得到的频谱毛刺多，以自回归功率谱密度运算代替傅里叶变换的能量求取运算。同时，在对数运算后即计算分段信号的MFCC参数的均值，作为梅尔尺度特征参数，建立先心病识别模型。算法具体流程如图3所示。

图3　梅尔频率倒谱分析流程 Figure 3　Flowchart of Mel frequency cesptrum analysis

信号以32 ms为一帧，重叠16 ms进行平移，每一帧信号加汉明窗后计算功率谱密度。功率谱密度信号通过包含20个三角滤波器的梅尔尺度滤波器组进行滤波。本实验中取第3到第10个三角滤波器的滤波结果进行对数运算后，得到8维心音梅尔尺度特征参数。梅尔尺度特征参数代表固定频率范围内心音信号能量分布，可以有效分析心杂音病理特征。

4　初步实验分析

采用临床心音数据进行实验，数据包含正常心音32例，室间隔缺损 (ventricular septal defect,VSD) 心音16例，正常数据来自健康的大学生及研究生，室间隔缺损数据来自临床确诊为室间隔缺损的患者，具体的测试数据信息如表1所示。正常心音数据的心动周期持续时间为0.8～1 s，室间隔缺损心动周期持续时间为0.6～0.8 s。原始心音数据采样频率为44.1 kHz。

表1　心音数据信息 Table 1　Data information of heart sounds

数据分类数量/例年龄/岁数据时间/s心动周期/个正常3222～28152158室间隔缺损163～17160225

式中：然后根据公式(5)计算得到其特征矩波形I(t,δ,l)。

1.建立“双创”融合课程，增加交叉学科比例。按照“充分发挥学科特点、最大程度资源共享、科教研产一体化”的原则，整合综合型大学学科优势资源，集科研、教学及社会优质资源为一体，优化高校综合课程，建立特色综合高素质“双创”人才培养体系，培养高级“双创”人才，从知识、能力、素养三方面入手，真正实现“产、学、研、创”一体。“双创”人才培养鼓励跨专业、跨学科的交叉培养，为学生提供不同专业的优质教学资源。依托强有力的教学条件，打造学科交叉创新创业平台，在学科交叉过程中发现创新创业型的新课题，激发学生的好奇心，进而促使他们对课题深入探索，对于在跨专业合作中培养学生创新思维、提升实践动手能力意义重大。

对21例正常数据(包含103个心动周期)和11例室间隔缺损数据(包含156个心动周期)的心脏杂音信号计算梅尔尺度特征参数，得到分类区间如图4和图5所示。正常和VSD区域中心是计算每一维特征值的平均值得到。两条三角虚线分别表示在正常心音特征平均值基础上加、减标准差的结果，该区域为正常心音特征参数判别区。同理计算得到VSD心音特征参数判别区，如图中实线加“*”和“+”所示区域。

图4为心脏收缩杂音期梅尔特征参数曲线，VSD和正常心音特征值分布范围区别明显。图5为心脏舒张杂音期梅尔特征参数曲线，VSD和正常心音特征参数变化范围有重叠。

图4　收缩杂音期梅尔尺度特征参数曲线 Figure 4　Mel-scale features in systolic murmur duration

图5　舒张杂音期梅尔尺度特征参数曲线 Figure 5　Mel-scale features in diastolic murmur duration

教学情景是学生学习的“引子”，是教师开展教学工作的“前奏”.生活中处处有化学，依托学生熟悉的生活场景开展教学工作，创设学生易于接受的教学情景，学生的学习热情会大大提升，课堂教学也会更具活力.在实施过程中，教师可以借助生活现象、社会事件、学生的生活经验等.

表2　梅尔尺度特征参数判别结果(单位：例) Tabel 2　Identification results by Mel-scalefeatures(unit:case)

实验数据类型SM判别结果DM判别结果正常VSD正常VSD正常11083VSD0505

表2 结果显示在心脏收缩杂音期，梅尔尺度特征参数可以正确判断正常和室间隔缺损心音。在心脏舒张杂音期，采用梅尔尺度特征参数区分两组受试的敏感性和特异性分别为100%和72.73%。

5　讨论

对于室间隔缺损这一典型先心病，临床听诊中常见全收缩期杂音，与本研究实验结果相符，在心脏收缩期可以正确判别室间隔缺损心音信号。对其他典型先心病病症，例如动脉导管未闭，心音信号在收缩期和舒张期均可见明显的心脏杂音成分。因此，心脏杂音信号的定位分割对后续的研究有重要意义。后续再对先心病其他典型病例的分析研究中，不仅需要分析收缩期杂音，而且舒张期杂音也是重要的研究对象。

同时，在不结合分类器的基础上，梅尔尺度特征参数以参数范围揭示先心病病理特征与心音信号的内在联系，可为建立典型先心病分析模型提供参数基础。

6　结论

先心病严重影响儿童生命健康[18-19]。心音信号中的杂音成分可以有效反映病理信息。本文提出一种心脏杂音分割及分析方法对先心病心音信号进行深入分析。采用基于频率切片小波变换的降噪方法不仅有效去除临床数据采集中环境噪声的影响，同时突出第一心音和第二心音以方便心脏杂音间期的提取。采用特征矩波形的分析方法分割并提取出心脏收缩杂音期和舒张杂音期信号。对心脏杂音间期信号提取梅尔尺度特征参数。根据临床数据实验，在收缩杂音期上梅尔尺度特征参数可以有效区分室间隔缺损心音信号和正常心音信号。后续研究工作中，需要采集多种类先心病病例心音数据，多角度提取心脏杂音特征参数，更全面地揭示典型先心病心音病理特征信息。

致谢

3个处理苹果幼树中心干、分枝上的叶片性状均差异不显著。中心干上叶片长度大于分枝上叶片，中心干上叶片宽度小于分枝上叶片。中心干上叶片叶柄长度、粗度大于分枝上叶片；叶片厚度却是分枝叶片大于中心干叶片；中心干叶片叶绿素含量大于分枝叶片。

其中,i为组合序号,Si为第i对组合之间的连接状态,N为局部区域内所有节点对组合的数量,计算公式如(4)所示.

感谢中国人民解放军成都军区总医院心胸外科对本研究的帮助和支持。

(3)强化规范的变化环节管理，是实现变化安全的保证；通过超前网络化、变化处置网络化、响应快捷化，实现变化环节的规范化管理，具体为：

参考文献

[1]　　　　中国心血管病报告编写组.中国心血管病报告2015[R]. 北京：中国心脏大会2016,2016.

The writing group of report on cardiovascular diseases in China.Report on cardiovascular diseases in China 2015[R]. Beijing:China Heart Congress 2016,2016.

[2]　Zhang Q,Wang H,Fang Y,et al.An adaptive heart murmur detection method based on SVD[J].Journal of Computational Information Systems,2012,8(21):9085-9092.

[3]　Sanei S,Ghodsi M,Hassani H.An adaptive singular spectrum analysis approach to murmur detection from heart sounds[J]. Medical Engineering & Physics,2011,33(3):362-367.

[4]　王新沛,刘常春，李远洋,等.基于高阶香农熵 的心音分段算法[J].吉林大学学报(工学版),2010,40 (5):1433-1437.

Wang XP，Liu CC,Li YY,et al.Heart sound segmentation algorithm based on high-order Shannon entropy[J].Journal of Jilin University (Engineering and Technology Edition),2010,40 (5):1433-1437.

[5]　王燕,王海滨,刘立汉.基于小波变换的心音信号降噪方法研究[J].信息与电子工程,2010,8(3):303-307.

Wang Y,Wang HB,Liu LH.Noise reduction for heart sound based on wavelet transform[J].Information and Electronic Engineering,2010,8(3):303-307.

[6]　余辉,姜博畅,刘雁飞,等.基于小波收缩的心音降噪最优化分析[J].电子测量与仪器学报，2017,31(3):383-388.

Yu H,Jiang BC,Liu YF,et al.Optimization analysis of noise reduction in heart sound based on wavelet shrinkage[J].Journal of Electronic Measurement and Instrumentation,2017,31(3):383-388.

[7]　Yan ZH,Miyamoto A,Jiang ZW,et al.An overall theoretical description of frequency slice wavelet transform[J].Mechanical Systems and Signal Processing,2010,24(2):491-507.

[8]　武伟宁,陈若珠.基于周期提取的心音分段方法[J].北京生物医学工程,2015,34(1):59-63.

Wu WN,Chen RZ.A heart sound analysis method based on cardiac cycle extraction[J].Beijing Biomedical Engineering,2015,34(1):59-63.

[9]　Fang Y,Wang HB,Guo S,et al.A novel cardiac cycle detection algorithm based on matched filter[J].Journal of Computational Information Systems,2012,8(10):4135-4142.

[10]　Yan ZH,Jiang ZW,Miyamoto A,et al.The moment segmentation analysis of heart sound pattern[J].Computer Methods and Programs in Biomedicine,2010,98(2):140-150.

[11]　田文雪.基于香农熵的心音信号检测方法研究[J].无线互联科技,2017(6):3-4.

Tian WX.Research on heart sound signal detection method based on Shannon entropy[J].Wireless Internet Technology,2017(6):3-4.

[12]　胡玉良，王海滨，陈健,等.心音时域分析的新方法研究[J].生物医学工程学杂志，2010,27(2):425-428.

Hu YL,Wang HB,Chen J,et al.A new method for heart sound analysis in time domain[J].Journal of Biomedical Engineering,2010,27(2):425-428.

[13]　郭兴明，蒋鸿，郑伊能.基于改进的维奥拉积分方法提取心音信号包络[J].仪器仪表学报,2016,37(10):2352-2358.

Guo XM,Jiang H,Zheng YN.Heart sound signal envelope extraction based on modified Viola intergral method[J].Chinese Journal of Scientific Instrument,2016,37(10):2352-2358.

[14]　Choi S,Jiang ZW.Cardiac sound murmurs classification with autoregressive spectral analysis and multi-support vector machine technique[J].Computers in Biology and Medicine,2010,40(1):8-20.

[15]　刘丽萍，袁刚.心音信号的特征分析及分类识别[J].信息通信，2016(10):26-29.

[16]　Chauhan S,Ping W,Chu SL.et al.A computer-aided MFCC-based HMM system for automatic auscultation[J].Computers in Biology and Medicine,2008,38 (2):221-233.

[17]　张文英，郭兴明，翁渐.改进的高斯混合模型在心音信号分类识别中应用[J].振动与冲击，2014,33(6):29-34.

Zhang WY,Guo XM,Weng J.Application of improved GMM in classification and recognition of heart sound[J].Journal of Vibration and Shock,2014,33(6):29-34.

[18]　王娟，白雪.细节护理对低体重先心病患儿的护理效果及生活质量的影响[J].中国医药导报,2017,14(23):171-174.

Wang J,Bai X.Effect of details in nursing on quality of life of low-birth-weight children with congenital heart disease[J].China Medical Herald,2017,14(23):171-174.

[19]　戴巍，骆德强，陈锐，等.婴幼儿先天性心脏病术后急性肾损伤和液体超负荷相关危险因素分析[J].中国医药导报,2017,14(17):65-68.

Dai W,Luo DQ,Chen R,et al.Analysis of risk factors of acute renal injury and fluid overload in infants after congenital heart disease surgery[J].China Medical Herald,2017,14(17):65-68.