本發(fā)明屬于生物信號處理的研究領域，具體涉及一種心音信號的自適應去噪方法，是一種心音信號增強的技術(shù)手段。

背景技術(shù)：

心音是人體一種重要的生理信號，承載著與人體健康狀況有關(guān)的有價值的診斷信息。相關(guān)的專業(yè)人員可通過聽診的方式從心音中獲取這些信息，并依據(jù)這些信息進行相應的決策或診斷。然而，無論是使用傳統(tǒng)的心音聽診器還是使用現(xiàn)代的數(shù)字心音傳感器或數(shù)字聽診器時，心音信號中都存在著大量干擾噪聲。這些來源復雜的噪聲損害了心音中有重要價值的信息，嚴重影響了心音信號的可用性，從而會導致使用這些信息的專業(yè)人員做出錯誤的決策或診斷。因而，需要對心音信息進行有效的降噪聲處理。

為實現(xiàn)心音去噪的目的，小波變換是最常用的方法之一。小波變換需要預定義適當?shù)幕瘮?shù)，使用“db10”、“db5”或“bior5.5”等基函數(shù)的小波變換是目前用于心音去噪的主要方法。然而，由于年齡、性別和身體狀態(tài)等差別，心音這種弱信號生理信號具有不同的特征形態(tài)，小波變換中預定義的基函數(shù)很難很好地匹配心音的多樣性。因此，這需要有更為適合心音信號特點的去噪方法。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于基于心音信號一階差分序列的分組稀疏特征，提供一種基于分組稀疏性的自適應心音信號去噪方法。

本發(fā)明基于國際公開的心音數(shù)據(jù)庫的去噪實驗表明，本發(fā)明中所提出的去噪方法遠好于傳統(tǒng)的小波變換去噪方法。

為了實現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案如下：

步驟1：初始化參數(shù)

所提出算法的相關(guān)參數(shù)及輸入量設置如下：

分組大小參數(shù)K：K＝20

其中K表示分組的大??；

伽馬分布(Gamma)先驗的形狀參數(shù)：α＝1，

Gamma先驗的尺度參數(shù)：β＝50

歸整參數(shù)：θ＝0.8

算法中降噪信號的初始投影為x⁽⁰⁾＝y(tǒng)，其中y是長度為N的含噪聲心音信號；

步驟2：更新正則化參數(shù)

在算法的第k次迭代過程中，正則參數(shù)λ^(k)依下式進行更新

式(1)中的變量說明：δ²是預估的噪聲方差；α，β，θ是在步驟1中初始化的參數(shù)；N是信號的長度；x^(k)是算法在第k次迭代過程的投影；D是差分矩陣，其定義為

函數(shù)是差分序列Dx^(k)的分組稀疏性度量函數(shù)，其定義為：

其中[Dx^(k)]_n，K是差分序列Dx^(k)的第n個大小為K的分組，| ||₂表示向量的l₂范數(shù)；

步驟3：計算近似投影

依據(jù)在步驟2中所更新的正則參數(shù)λ^(k)，進而計算降噪心音信號的新的投影x^(k+1)，其計算過程由以下步驟構(gòu)成，相關(guān)變量與符號的含義與步驟2中相同；

步驟3.1：

計算對角陣Λ_(t)，其對角元素按下式進行計算：

其中上角標^-1表示求逆運算；

步驟3.2：

計算中間變換矩陣F

其中I表示單位矩陣，上角標表示^T矩陣轉(zhuǎn)置運算；

步驟3.3：

計算降噪心音信號新的投影

x^(t+1)＝Fy (6)

步驟4：降噪算法的停止條件

降噪算法的停止迭代為

||y-x^(k+1)||²≥Nδ² (7)

否則算法轉(zhuǎn)到步驟(2)繼續(xù)執(zhí)行；

當算法依據(jù)條件(7)停止時，算法輸出的x^(k+1)降噪后就是含噪聲心音y經(jīng)過降噪處理后的信號。

本發(fā)明的有益效果：本發(fā)明與目前廣泛用于心音信號降噪的小波變換方法相比，所提出的降噪方法具有更好的降噪聲效果和更低的計算代價。由于不需要任何預定義基函數(shù)，減少了算法所需的存儲空間，而且算法易于實現(xiàn)。因此，本發(fā)明的技術(shù)方案具有易于實現(xiàn)、可靠性好的特點，因此適合推廣使用。

附圖說明

圖1為采用現(xiàn)有的db10、db5、bior5.5三種小波變換降噪方法與本發(fā)明中所述的降噪方法，在輸入含噪心音為-5dB時，對美國馬里蘭大學公開發(fā)布的心音數(shù)據(jù)庫中的心音記錄進行降噪處理時的性能表現(xiàn)及其平均性能表現(xiàn)圖；

圖2為采用現(xiàn)有的db10、db5、bior5.5三種小波變換降噪方法與本發(fā)明中所述的降噪方法，在輸入含噪心音為5dB時，對美國馬里蘭大學公開發(fā)布的心音數(shù)據(jù)庫中的心音記錄進行降噪處理時的性能表現(xiàn)及其平均性能表現(xiàn)圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進一步闡述。

步驟1：初始化參數(shù)

所提出算法的相關(guān)參數(shù)及輸入量設置如下：

分組大小參數(shù)K：K＝20

其中K表示分組的大?。?/p>

伽馬分布(Gamma)先驗的形狀參數(shù)：α＝1，

Gamma先驗的尺度參數(shù)：β＝50

歸整參數(shù)：θ＝0.8

算法中降噪信號的初始投影為x⁽⁰⁾＝y(tǒng)，其中y是長度為N的含噪聲心音信號；

步驟2：更新正則化參數(shù)

在算法的第k次迭代過程中，正則參數(shù)λ^(k)依下式進行更新

式(1)中的變量說明：δ²是預估的噪聲方差；α，β，θ是在步驟1中初始化的參數(shù)；N是信號的長度；x^(k)是算法在第k次迭代過程的投影；D是差分矩陣，其定義為

函數(shù)是差分序列Dx^(k)的分組稀疏性度量函數(shù)，其定義為：

其中[Dx^(k)]_n，K是差分序列Dx^(k)的第n個大小為K的分組，| ||₂表示向量的l₂范數(shù)；

步驟3：計算近似投影

依據(jù)在步驟2中所更新的正則參數(shù)λ^(k)，進而計算降噪心音信號的新的投影x^(k+1)，其計算過程由以下步驟構(gòu)成，相關(guān)變量與符號的含義與步驟2中相同；

步驟3.1：

計算對角陣Λ_(t)，其對角元素按下式進行計算：

其中上角標^-1表示求逆運算；

步驟3.2：

計算中間變換矩陣F

其中I表示單位矩陣，上角標表示^T矩陣轉(zhuǎn)置運算；

步驟3.3：

計算降噪心音信號新的投影

x^(t+1)＝Fy (6)

步驟4：降噪算法的停止條件

降噪算法的停止迭代為

||y-x^(k+1)||²≥Nδ² (7)

否則算法轉(zhuǎn)到步驟(2)繼續(xù)執(zhí)行；

當算法依據(jù)條件(7)停止時，算法輸出的x^(k+1)降噪后就是含噪聲心音y經(jīng)過降噪處理后的信號。

為驗證本發(fā)明中所提出的降噪方法的有效性，我們分別采用db10、db5以及bior5.5三種常用的小波變換降噪方法和本發(fā)明中所述的降噪方法，對美國馬里蘭大學公開發(fā)布的心音數(shù)據(jù)庫中的心音進行降噪處理。此數(shù)據(jù)庫中共含有23個心音記錄，分別M1、M2、…、M23表示，在這些心音記錄中包含多種類型的心音。db10、db5、bior5.5三種小波變換降噪方法和本發(fā)明中所述的降噪方法，分別在輸入信噪比為-5dB和5dB的噪聲水平下，對每個心音記錄進行降噪的性能表現(xiàn)及其在這些心音記錄上的平均性能表現(xiàn)，分別見圖1和圖2所示。從圖中可以看出，本發(fā)明所提出的降噪方法的性能表現(xiàn)都遠好于小波變換方法。此實驗充分證實了所提出方法的有效性。