基于coif-5小波的心音自适应阈值降噪方法研究报告

作者及发表信息

本研究由江西理工大学信息工程学院的许春冬、周静、龙清华和许瑞龙共同完成，论文《基于coif-5小波的心音自适应阈值降噪方法》(A adaptive threshold method for heart sound de-noising based on coif-5 wavelet)发表于《科学技术与工程》(Science Technology and Engineering)2019年第19卷第2期，页码106-113。

学术背景

本研究属于生物医学信号处理领域，聚焦于心音信号(Heart Sound Signal, HSS)的降噪处理。心音信号分析是心血管疾病诊断的重要辅助手段，其分析过程通常分为分段和分类两个步骤。然而，心音信号极易受到多种噪声干扰，包括测试者自身运动、语音、听诊器噪声、肺音和环境噪声等，这些干扰使得心音分割任务变得困难。传统降噪方法如Chebyshev IIR滤波器、自适应噪声消除器(Adaptive Noise Canceller, ANC)和自相关方法等存在各种局限性。因此，开发更有效的心音降噪算法具有重要的临床价值。

研究方法与流程

本研究提出了一种基于coif-5小波的自适应阈值降噪方法，主要包含三个关键步骤：

1. 心音信号分解： 采用coif-5小波作为母小波对2kHz采样率的心音信号进行5层小波分解。研究发现第四和第五层细节系数覆盖了基础心音(Foundation Heart Sound, FHS)25-120Hz的主要频率范围，因此仅对这两个细节层次和第五近似层次进行处理，其他层次的系数被丢弃以抑制带外噪声。

2. 系数阈值处理： 这是本研究的核心创新部分，包含两个子步骤：

• 阈值估计：提出基于心音信号特征的阈值估计新方法。研究发现基础心音S1和S2持续时间之和不超过心动周期的25%，因此采用系数绝对值排序的75%位置值(CORA75)而非传统中值来反映噪声水平。根据噪声水平高低，设计了三种阈值计算方案，通过系数平均值和噪声系数方差两个参数进行自适应调整。
• 阈值函数设计：提出新型非线性阈值函数，采用双阈值法(t1=αt阈值，t2=βt阈值)，对系数进行分级处理：大于t2的系数保留，小于t1的置零，介于两者之间的采用非线性函数处理。通过遗传算法(Genetic Algorithm, GA)优化参数α和β的取值。

1. 信号重构： 将阈值化处理后的第四和第五层细节系数进行上采样，分别通过高通和低通滤波器，逐层重构降噪后的心音信号。

主要研究结果

实验采用美国华盛顿大学医学系开源心音数据，叠加-5至10dB高斯白噪声进行测试，主要结果如下：

1. 降噪效果可视化： 图7展示了不同信噪比下原始信号与降噪后信号的对比，即使在低信噪比条件下，算法仍能有效保留第一心音分裂等病理特征。

2. 客观评价指标：

• 信噪比(SNR)：提出方法在10dB至-4dB各噪声水平下均优于硬阈值、软阈值和线性中间阈值方法，最高提升达18.363dB(10dB输入时)。
• 均方根误差(RMSE)：在1-10dB范围内表现最优，在-4-0dB范围仅次于软阈值方法。
• 平均意见得分(MOS)：邀请10位心脏专科医生进行听诊评价，提出方法在各级噪声水平下得分最高，尤其在较高信噪比下接近”优”(5分)等级。

1. 算法创新验证：

• CORA75与CORA50对比证实，75%位置值能更准确反映噪声水平。
• 自适应阈值设计有效平衡了噪声抑制与信号保留的需求。
• 非线性阈值函数克服了硬阈值振荡和软阈值恒定偏差的问题。

研究结论

本研究得出以下重要结论： 1. 基于coif-5小波的五层分解能有效分离心音信号与噪声成分。 2. 系数绝对值排序的75%位置值(CORA75)比传统中值更能准确反映噪声水平。 3. 提出的自适应阈值估计方法和非线性阈值函数显著提升了降噪性能。 4. 选择性处理关键分解层次(第四、五细节层)既保证了效果又降低了计算复杂度。 5. 临床听诊评价证实该方法较传统方法更适合医学诊断应用。

研究价值与亮点

本研究具有重要的科学与应用价值： 1. 科学价值： - 提出了基于心音时域特性的噪声水平评估新参数CORA75 - 建立了自适应阈值与噪声水平的量化关系模型 - 设计了适用于非平稳心音信号的非线性阈值函数

1. 临床应用价值：

• 为心血管疾病的无创诊断提供了更可靠的心音信号处理工具
• 特别适合低信噪比环境下的心音分析，扩展了移动医疗应用场景
• 保留病理特征(如心音分裂)的能力有助于提高诊断准确性

1. 方法学创新：

• 首次将心音持续时间特征(不超过心动周期25%)引入阈值设计
• 创新性地采用双阈值分级处理策略
• 通过遗传算法优化关键参数，实现性能提升

1. 工程实践意义：

• 算法计算复杂度低，适合嵌入式设备实现
• 无需参考噪声信号，实用性强
• 为其他生物信号(如肺音、胎心音)处理提供了方法参考

未来展望

基于本研究结果，未来工作可从以下方向展开： 1. 将该方法扩展到其他类型的生物医学信号处理 2. 开发专用硬件实现实时心音降噪 3. 结合深度学习技术进一步提升性能 4. 开展多中心临床验证，推动临床应用

本研究得到国家自然科学基金(11864016)、国家自然科学基金面上项目(61571044，61473041)等多个项目的资助，体现了其在学术与临床应用方面的重要价值。