论文部分内容阅读
近年来,心血管疾病始终是严重威胁人类健康的首要因素,心衰是该类疾病的终末阶段,住院率和致死率均较高。根据左室射血分数,心衰分为射血分数降低型心衰(heart failure with reduced ejection fraction,HFrEF,LVEF(27)50%)和射血分数保留型心衰(heart failure with preserved ejection fraction,HFpEF,LVEF?50%)。HFrEF的死亡率明显高于HFpEF的,且HFpEF会转变成HFrEF,因此诊断出两种心衰具有重要的临床意义。心音来自于心脏的振动,可以反映心脏的结构和功能状态。HFrEF和HFpEF心室重塑不同,引起的心音的改变也不尽相同,因此本文从心音的角度比较分析HFrEF和HFpEF特征之间的关系,探索慢性心衰分型方法。首先,本文根据《中国心力衰竭诊断和治疗指南2014》,采集了72例HFrEF、172例HFpEF患者以及98例正常人连续20分钟的心音信号,在分析了心音中混入噪声的主要类型和特征后,选择快速独立分量分析(FastICA)和小波分解进行去噪,同时去除心音中的呼吸音和高斯白噪声,去噪效果优于单独使用快速独立分量分析和小波分解的。然后,利用维奥拉波形积分提取心音信号的特征包络,并用一阶香浓能量进行平滑,在此基础上设定双阈值确定心音信号端点位置进行心音信号自动分段。基于单个心动周期信号提取第一心音与第二心音时限之比(TS1/TS2)、第一心音与第二心音幅值之比(S1/S2)、舒张期时限与收缩期时限之比(D/S)的总体标准差(SDDS)、第一心音间期总体标准差(SDSSI)4个时域特征值。运用S变换分析其时频域特性,提取第一心音能量与第二心音能量之比(ES1/ES2),低频能量分数(EF-LF)、高频能量分数(EF-HF)、收缩期低频能量分数(EF-SLF)和高频能量分数(EF-SHF)、舒张期低频能量分数(EF-DLF)和高频能量分数(EF-DHF)7个时频域特征值。心脏系统属于混沌系统,心音具有明显的混沌特性,提取心音信号的最大Lyapunov指数进行非线性分析。最后,对8个相对独立的特征值进行主成分分析(PCA),实现特征值降维,将前4个累积方差贡献率达到94.07%(?85%)的特征值组成特征向量进行分类识别,综合对比了Fisher线性分类、反向传播神经网络(BP)和迭代自组织数据分析法(ISODATA)分类结果的灵敏度、特异度、准确率,最后选择迭代自组织数据分析法(ISODATA)作为本文的分类器,识别HFpEF和HFrEF结果的灵敏度、特异度、准确率分别为86.11%和93.02%和90.98%,三个指标均较高,说明本文提取的心音特征反映了两组信号的差异性,结合聚类分析能较准确区分HFrEF和HFpEF,为心音信号在慢性心力衰竭分型辅助诊断中的应用提供了理论依据。