(7.3)--2.心音特征在慢性心力衰竭分型辅助诊断中的应用研究.pdf

37 卷 5 期2018 年 10 月中国生物医学工程学报Chinese Journal of Biomedical EngineeringVol 37No 5October2018doi:10.3969/jissn02588021.2018.05.004收稿日期:2018-01-17，录用日期:2018-05-11基金项目:国家自然科学基金(31570003)#中国生物医学工程学会会员(Member，Chinese Society of Biomedical Engineering)*通信作者(Corresponding author)，E-mail:guoxm cqueducn心音特征在慢性心力衰竭分型辅助诊断中的应用研究摘要:提取心音时域和时频域特征，比较分析射血分数降低型心衰(HFrEF)和射血分数保留型心衰(HFpEF)患者各特征之间的关系。共采集了 72 列 HFrEF 患者和 172 列 HFpEF 患者 20 分钟的心音数据，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的总体标准差(SDDS)、S1 间期总体标准差(SDSSI)等 4 个时域特征。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，分别进行统计学分析和聚类分析。TS1/TS2、S1/S2、SDDS、SDSSI、ES1/ES2、EF-SLF、EF-DLF 在两组间均有统计学差异(P0.05);EF-LF、EF-HF、EF-SHF、EF-DHF 无统计学意义(P0.05)。选择其中 4 个相对独立的特征值进行聚类分析，区分HFrEF 组和 HFpEF 组的灵敏性和特异性分别为 93.06%和84.88%。提取的心音特征反映了两组信号的差异性，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。关键词:心音;射血分数降低型心力衰竭;射血分数保留型心力衰竭;心衰分型诊断;S 变换中图分类号:318文献标志码:A文章编号:0258-8021(2018)05-0537-08Application of Heart Sound Feature in the Typing Aided Diagnosis ofChronic Heart FailureSun WeiGuo Xingming#*Zheng YinengCollege of Bioengineering，Chongqing University，Chongqing Engineering esearch Center forMedical Electronic Technology，Chongqing 400044，China)Abstract:This article aimed to analyze the relationship between heart sound features extracted from timedomain and time-frequency domain in heart failure patients with reduced ejection fraction(HFrEF)and heartfailure patients with preserved ejection fraction(HFpEF)The heart sound signal lasting 20 minutes wasrecorded totally from the HFrEF patients(n=72)and HFpEF patients(n=172)，the time ratio of the first tosecond heart sound(TS1/TS2)，the amplitude ratio of the first to second heart sound(S1/S2)，standarddeviation of the ratio of diastolic to systolic duration(SDDS)and standard deviation of S1and S1interval(SDDSI)were extracted Then S transformation was performed on the heart sound signal to analyze itscharacteristics in timefrequency domain，and the energy ratio of the first to second heart sound(ES1/ES2)，the energy fraction of heart sound signal with low frequency(EFLF)，the energy fraction of heart sound signalwith high frequency(EFHF)，the energy fraction of heart sound signal with low and high frequency in cardiacsystole respectively(EFSLF，EFSHF)，the energy fraction of heart sound signal with low and high frequencyin cardiac diastole respectively(EFDLF，EFDHF)were extracted as well Statistical results demonstrated thatsignificant difference exited for TS1/TS2，S1/S2，SDDS，SDSSI，ES1/ES2，EFSLF，and EFDLF between twogroups(P0.05)，while EFLF，EFHF，EFSHF，and EFDHF had no statisticcal significance(P0.05)中国生物医学工程学报37 卷ISODATA was performed with four relatively independent features，the sensitivity and specificity fordiscriminating HFrEF patients and HFpEF patients reached 93.06%and 84.88%respectively The featuresextracted from heart sound signal described the significant difference between two groups，which provided thebasis of aided typing diagnosis for chronic heart failureKey words:heart sound;heart failure with reduced ejection fraction(HFrEF);heart failure with preservedejection fraction(HFpEF);typing diagnosis for heart failure;S transform引言中国心血管病报告 2015 显示，我国心血管病发病率与死亡率一直居高不下1。心力衰竭(heartfailure，HF)是一种心脏结构和(或)功能异常导致的临床综合征，是大多数心血管病的终末阶段和主要死因。心衰反映了心肌的舒缩功能不全，大多数心力衰竭病人心肌收缩力降低。2016 ESC 急慢性心力衰竭诊断和治疗指南2 根据左心室射血分数(left ventricular ejection fraction，LVEF)将心力衰竭分成 3 种类型:射血分数降低型心衰(heart failurewith reduced ejection fraction，HFrEF，LVEF40%)，射血分数中间值心衰(heart failure with mid-rangeejection fraction，HFmrEF，LVEF 40%50%)和射血分数保留型心衰(heart failure with preserved ejectionfraction，HFpEF，LVEF 50%)。以往研究表明，HFpEF 和 HFrEF 患者具有相近的临床表现和临床预后，且 HFpEF 会转变成 HFrEF3-4。心衰发生发展的基本机制是心室重塑，心室重塑是推动心衰从代偿阶段发展至失代偿阶段的重要生理病理过程。一些临床统计研究表明，HFrEF和 HFpEF 患者左室重塑存在明显差异:HFpEF 患者心脏后负荷过重，心室壁张力增加，引起心室壁及室间隔增厚，最终导致向心性肥厚，有明显的舒张功能不全3;HFrEF 患者常出现离心性肥厚，表现为进行性左室腔扩大或左室非对称性肥厚，常合并舒张功能不全。HFpEF 患者在心衰早期，机体调用心肌肥厚代偿机制，增强心肌收缩力保证射血量，长久的负荷过重促使心肌发生结构和功能改变而终致失代偿，心脏排血量下降，转变为射血分数降低型心衰5。大量研究发现，HFrEF 和 HFpEF 患者房室结构存在显著差异，HFpEF 患者的左房内径(LAD)、左室收缩期末内径(LVESD)、左室舒张期末内径(LVEDD)显著小于 HFrEF 患者的，而室壁隔厚度(IVST)，左室后壁厚度(LVPWT)指标刚好相反。心音的产生来自于心脏腔体的共振，包含了能够表征心脏内部结构的声学特性6。第一心音的幅值与心肌收缩力成高度正相关7-9，为了减小心音的个体差异性，Xiao 等提出相对值法即 S1/S2 作为心肌收缩力的评估指标10。Hsieh 等通过实验证明，在左心室收缩功能不全的患者中，伴随有 S1/S2值的降低11。张文波对 42 例心衰组患者及 36 例对照组进行心音图检查，结果表明，心衰组的电-机械激动时间(心电图 QS 波起点至心音图 S1 峰值强度的时间，EMAT)、S3 检出率和 S3 强度较控制组显著升高，左室收缩时间(S1 二尖瓣成分至 S2 主动脉瓣成分的间期，LVST)较控制组显著降低，当心衰患者 BNP 处于“灰度区”时，EMAT 具有更高的灵敏度和特异度12。吴晓军等对 136 例入院心衰患者分别进行心脏功能储备检测、彩色多普勒超声心动图检查和 6 min 步行试验检测，对比研究发现，心衰患者的 D/S 比与纽约心脏协会(New York HeartAssociation，NYHA)心脏功能分级和心衰严重程度均呈显著负相关13。心衰患者心肌收缩力减弱，泵血不足，为了保证正常的心排血量，机体调用代偿机制，引起心室重塑，HFrEF 和 HFpEF 患者心室重塑不同，导致心脏结构不同，进而引起心音的不同。目前已有的心音信号在心衰领域的研究主要针对心衰分期即心衰严重程度的研究，并未涉及心衰分型的研究。临床上心衰分型一般采用超声心动图检查结合血浆 B型利钠肽(BNP)或 N 末端脑钠尿肽原(NT-proBNP)浓度检测的方法进行诊断，耗时长，价格昂贵，不便于广泛使用，尤其在农村及偏远地区，而心音检查具有无创、快速、经济等优点，使用方便，有利于弥补这一缺陷。因此，本研究旨在从心音的角度比较研究 HFrEF 和 HEpEF 患者的心音信号特征，为慢性心衰分型诊断提供理论依据。1材料与方法心音由 4 个成分组成，即第一、第二、第三和第四心音(可分别记为 S1、S2、S3 和 S4)，正常情况下只出现 S1 和 S2，图 1 为 1 例正常心音。8355 期孙伟，等:心音特征在慢性心力衰竭分型辅助诊断中的应用研究1.1数据来源本实验所用的心音传感器位置可调以紧贴患者胸壁实时采集信号，并通过内置蓝牙系统将数据传至 PC 端进行处理，采样频率为11 025 Hz，量化精度为 8 位。为了减少环境干扰及个体差异性，采集时尽量保持病房安静，患者仰卧于病床上，传感器置于心前区心脏搏动最明显处，待患者呼吸平稳后，保持该姿势连续采集 20 min。本研究共采集了244 位心衰患者的心音数据，入选患者来自重庆医科大学附属大学城医院，均符合欧洲心脏病协会(ESC)2016 年发布的急慢性心力衰竭的诊断与治疗指南及医院专家建议的标准:存在 CHF 的临床症状和体征，NYHA II 级或以上，所有患者均签署了知情同意书。由于患者数量有限，只将患者分为了两组:HFrEF(LVEF50%)，HFpEF(LVEF50%)，其中 HFrEF 患者 72 位(年龄 71.8 岁9.8 岁，男性 37人(51.38%)，HFpEF 患者 172 位(年龄 59.4 岁13.7 岁，男性 71 人(41.28%)。心音信号的相关时域指标如图 1 所示。图 1心音信号的相关时域指标Fig1The indices in time domain of heart sound1.2预处理为了减小数据量，提高运算速度，采用 Cool EditPro 处理软件随机截取每位患者连续一分钟的数据。心音信号频率主要为 10400 Hz，需进行重采样，重采样频率为1 225 Hz，满足 Nyquist 采样定理。1.2.1小波去噪心音信号比较微弱，采集过程中容易受到环境噪声和生理噪声的影响，需要对信号进行去噪，突出特征。小波变换具有速度快、局部特性好等特点，适用于心音信号的去噪14，本研究选择 Db6 小波15，sqtwolog 阈值，5 层分解层数进行小波分解去噪。图 2 为 1 例 HFpEF 心音信号去噪前后的效果，可以看出，去噪后的信号基线明显变细，并较好地保留了信号的有用成分，说明该方法能够有效地滤除信号中的大部分噪声，便于后续处理。图 21 例原始 HFpEF 心音信号和去噪后的 HFpEF心音信号。(a)原始信号;(b)去噪后信号Fig2A case of original HFpEF heart sound signaland its de-noised signal(a)Original signal;(b)De-noised signal1.2.2心音信号分段因为本研究提取的心音特征是基于单个心动周期的，提取特征前必须对心音信号进行分段处理。本研究应用改进的维奥拉积分方法提取心音信号特征包络，再结合双阈值门限进行心音自动分段16。图 3 为 1 例 HFrEF 心音信号分段结果，从中可以看出，即使心音中存在心杂音，且伴随着心律不齐，该分段方法仍然能够正确定位出 S1、S2 的起止点，进行正确分段。图 31 例 HFrEF 心音信号的阈值分段结果。(a)心音信号包络;(b)心音信号分段结果Fig3The result of threshold segmentation of a caseof HFPEF heart sound signal(a)The envelope;(b)The result of segmentation935中国生物医学工程学报37 卷1.3特征提取1.3.1时域分析心音时域特征包括 S1/S2，D/S 以及心率不齐(HV)等指标。S1/S2 指标反映了心脏收缩能力与外周阻力的关系;D/S 指标可用来评估心脏舒张期供血时间是否充足17。HFrEF 患者容易触发室性心律失常，心音图上表现为心动周期变异性大，如图 3 所示，但这些增长的心动周期一般出现在舒张期，即 D/S 会增大很多，这时 D/S 仅能体现心脏功能障碍，而无法用来评估心脏供血时间是否充足，因此用 1 min 内 D/S 和 S1 间期总体标准差(SDDS、SDSSI)来描述心律失常。本研究共提取了 TS1/TS2、S1/S2、SDDS、SDSSI 等 4 个时域特征。SDDS计算公式为SDDS=Ni=1(D/S)i mean(D/S)2N 1槡(1)式中，N 表示 1 min 内心动周期总数，mean(D/S)表示 1 min 内 D/S 均值，计算公式为mean(D/S)=Ni=1(D/S)iN(2)1.3.2S 变换时频分析S 变换是 Stockwelle 于 1996 年提出的一种时频分析方法，它结合了傅里叶变换与小波变换的优点，具有良好的时频分辨率，其快速傅里叶算法的离散形式为S mT，nNT=N1k=0Hk+nNTe22k2n2ej2kmN(n 0)S mT，0=1NN1k=0h mT(n=0)(3)式中，H k为时间序列 hm的离散傅里叶变换，即H k=1NN1m=1h(m)ej2kmN(4)由式(3)可知，S 变换时频分析采用了高斯窗函数，且窗宽与频率成反比，克服了短时傅里叶变换窗宽固定的缺陷，避免了小波分析时小波基的选择问题，S 变换的时频模矩阵时间和频率一一对应，便于时频分析。由于 S 变换的这些优点，近年来 S 变换逐渐成为生物医学工程领域时频分析的主要方法之一。李战明提取了 4 类心音信号 S 变换后若干列的最大值作为特征值进行分类，得到了较好的分类结果18。1.4统计学分析本实验数据均使用 IBM SPSS19.0 软件进行统计学分析，计量资料以均值标准差(珋xs)表示，计数资料以百分率(%)表示。以概率值 P0.05 为差异有统计学意义。组间比较采用独立样本 t 检验，分别对 HFrEF 组和 HFpEF 组的每个特征值进行检验分析。1.5聚类分析聚类分析具有可调参数少、运算速度快、可重复性好等优点，适合于特征少的小样本分类19。本研究采 用 迭 代 自 组 织 数 据 分 析 法(iterative self-organizingdataanalysistechniquesalgorithm，ISODATA)进行分类识别。ISODATA 在每轮迭代过程中，样本重新调整聚类中心及所属类别后分别计算类内和类间有关参数，并和设定的阈值比较，确定合并或分裂聚类中心，不断地进行“自组织”调整，使得各个样本到其聚类中心的距离平方和最小。算法原理步骤为:1)设置初始值，包括预期聚类个数 c，初始聚类个数 Nc(可以不等于 c)，每一类中样本数下限 n，类内各分量分布的标准差上限 s，两类心间的最小距离下限 D，最多迭代次数 I。2)选定初始聚类中心，按最小距离原则，将每个样本分到某一类中，如果dil=minj5xi zj(j=1，2，N)(5)则 xi wj。式中，dil表示样本xi和类wl的中心zj之间的欧式距离。3)依据 n判断是否合并类。如果类 wl中样本数 nj n，则取消 zj，NC=NC 1，转至步骤 2)。4)计算分类后的参数:各类的中心为zj=1njxiwjxi(j=1，2，Nc)(6)各类中样本到类心的平均距离为dj=1njxiwjxi zj(j=1，2，Nc)(7)各个样本到其类心的总体平均距离为d=1NNcj=1njdj(8)5)依据当前迭代次数 IP和 Nc判断停止、分裂或合并。若分裂，转至 6);若合并，转至 8);否则停止。6)计算各类内距离的标准差各分量，有0455 期孙伟，等:心音特征在慢性心力衰竭分型辅助诊断中的应用研究kj=1njxiwj(xki zkj)212(k=1，2，n;j=1，2，Nc)(9)式中，k 为样本维数分量编号，j 为类的编号，n 为矢量维数，xki、zkj分别是 xi和 zj的第 k 个分量。计算每一聚类类内距离标准差矢量中的最大分量，有jmax=maxk kj(j=1，2，Nc)(10)7)在jmax 中，如果有 jmax s，且满足(dj d且nj 2(n+1)或 Nc c/2，则将该类分裂为两个聚类，转至 2)，否则转至 8)。8)计算类间距离 Dij，依据 Dij与 D判断是否合并，有Dij=zi zj，i=1，2，Nc 1;j=i+1，Nc(11)9)根据 Ip判断是否结束迭代过程。如果 Ip=I或过程收敛，则结束聚类过程;否则 Ip=Ip+1，如果需要调整参数，则转至 1)，如果不需要，则转至 2)。聚类过程中，合并类的条件为:(类内样本数 n)(类的数目2c)(两类间中心距离 D)。若原来两个聚类中心为 zi、zj，则合并后 Nc=Nc为 已合并的类数，在一次迭代中，某一类最多只能被合并一次，新的聚类中心为zl=1ni+nj nizi+njzj(l=1，2，L)(12)分裂类的条件为:(类的数目 c/2)(类的某分量标准差 s)(dj d)(nj 2(n+1)(Nc c/2)。如果 c/2 Nc 2c，当 Ip是奇数时分裂，当 Ip是偶数时合并，以使机会均等。当 wj分裂为两个聚类时，原 zj取消且令 Nc=Nc+1，Ip=Ip+1。两个新类的中心 zj+和zj分别是在原 zj中相应于 jmax的分量上 加 上 和 减 去 kjmax，而 其 他 分 量 不 变，其中 0 k 1。为了验证 ISODATA 算法及本研究提出的诊断方法的正确性、可靠性，引入医学科研中常用的评价方法20，评价指标通常有灵敏性 Sen、特异性 Spe和准确率。Sen和 Spe的定义为Sen=aa+b 100%Spe=cc+d 100%(13)式中，a 代表对 HFrEF 患者检测时诊断正确的人数，b 代表对 HFrEF 诊断时误检为 HFpEF 的人数，c 代表对 HFpEF 患者诊断时诊断正确人数，d 代表对HFpEF 诊断时误检为 HFrEF 的人数。2结果2.1特征提取结果按照时域分析方法，对预处理后的心音信号提取其 4 个时域特征。图 4、5 分别为两组患者心音的TS1/TS2、SDDS 散点图分布，两幅图中都有较明显的分界线，只有少量数据重叠，有利于后续的分类识别。图 4两组信号 TS1/TS2 分布结果Fig4The feature distributions of TS1/TS2 oftwo types of heart sounds图 5两组信号 SDDS 分布结果Fig5The feature distributions of SDDS of twotypes of heart sounds本研究利用 S 变换分析单个心动周期心音的时频特性，根据 S 变换模矩阵计算第一心音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 个特征145中国生物医学工程学报37 卷值，其中，HF200 Hz，10 HzLF200 Hz。图 6 为1 例 HFrEF 心音信号和 1 例 HFpEF 心音信号的 S变换时频图。表 2两组心音信号时频域特征值分析结果Tab2The analysis result of heart sound feature in time-frequency domain in two groups组别样本数ES1/ES2EF-LFEF-HFEF-SLFEF-SHFEF-DLFEF-DHFHFrEFN=721.0240.5030.9590.0330.0410.0330.4960.1820.0200.0210.4640.1680.0200.023HFpEFN=1723.5281.8310.9610.0410.0390.0410.700.1340.0250.0250.2550.1240.0190.019P0.01P0.05P0.05P0.05P0.05P0.05P0.05图 6两组信号 S 变换时频分布结果。(a)HFpEF;(b)HFrEFFig6The distribution in time-frequency domain of Stransform in twogroups(a)HFpEF;(b)HFrEF图 6 中每幅图的左右两部分分别表示 S1、S2 成分的时频分布，由图中可以看出，与 HFpEF 患者相比，HFrEF 患者心音的 S1 时长和幅值均较小。因为本研究入选的 HFrEF 患者，大多数信号的 S1 幅值较低甚至 S1、S2 倒置，这种现象在时域上表现为 S1持续时间减小，幅度降低，S 时频变换结果直观地描述了心音信号的这种现象。2.2统计分析结果共提取了 11 个特征值，包括 4 个时域特征和 7个时频域特征，对 HFrEF 组和 HFpEF 组每个特征分别进行独立样本 t 检验，分析其差异性，结果如表1、2 所示。可以看出，与 HFpEF 组相比，HFrEF 组的 TS1/TS2、S1/S2、ES1/ES2、EF-SLF 均显著降低;而 SDDS、SDSSI、EF-DLF 较大，两组之间存在显著性差异。EF-LF、EF-HF、EF-SHF、EF-DHF 在两组间无统计学意义。2.3聚类分析结果表 1、2 的结果表明，本研究提取的 11 个特征值中只有 7 个在两组间具有显著性差异。为了减小运算量，提高运算速度，运用主成分分析对 7 个特征值降维21，选择累计方差贡献率大于 85%的前 4 个特征作为 ISODATA 分类器的输入。本研究类内距离和类间距离均采用欧氏距离度量，类内距离为每一类样本到其聚类中心标准差矢量的最大分量，类间距离为聚类中心间的距离。因本实验分类结果为两类，初始化时初始聚类中心设置为 2，初始类心选择为相距最远的两个样本，即 c=Nc=2，根据实验结果，其他参数分别设置为 n=50，s=0.5，D=1，I=8。表 1两组信号时域特征分析结果Tab1The analysis result of heart sound feature in timedomain in two groups组别样本数TS1/TS2S1/S2SDDSSDSSIHFrEF721.2730.1781.0990.4570.4580.2289.7684.897HFpEF1722.2960.4122.2090.8650.1290.0443.0581.341P0.01P0.01P0.01P0.01本研究分类结果用灵敏性、特异性和准确率 3个标准评判，结果如表 3 所示。对表 3 分析可知，区分 HFrEF 组和 HFpEF 组的灵敏性、特异性和准确率分别为 93.06%、84.88%和 87.30%，误将 7 个HFrEF 样本判别为 HFpEF 类，26 个 HFpEF 样本判别为 HFrEF 类，该结果可能与聚类分析的本身特性有关，因为聚类分析适用于小样本分析。总体来看，3 个指标均较高，说明提取的心音信号特征结合聚类分析可以较准确地识别两组信号，进一步说明了本研究提取的心音时域和时频域特征反映了两2455 期孙伟，等:心音特征在慢性心力衰竭分型辅助诊断中的应用研究类心衰患者心音信号的差异性。表 3聚类分析结果Tab3The result for clustering analysis组别HFrEFHFpEF灵敏性/%93.06(67/72)特异性/%84.88(146/172)准确率/%87.30(213/244)类内距离0.512 20.640 8类间距离1.688 23讨论LVEF 常被认为是评价左室收缩功能的首选指标，HFpEF 患者存在明显的心室舒张功能不全，尽管其 LVEF 正常，但心室收缩功能可能已受损，通过心肌形变成像技术研究发现，HFpEF 患者左室局部室壁收缩不良22。HFrEF 患者的 LVEF 低于正常水平，心室收缩功能明显降低，但心脏收缩功能障碍一般不会单独出现，常伴随舒张功能障碍。因此有研究23 认为，HFpEF 和 HFrEF 患者心室重塑的发生发展过程存在交集，收缩功能保留的心衰可能是收缩功能降低心衰的早期表现，即 HFpEF 是HFrEF 的早期表现。心音来自于心脏及血液的机械振动，当心脏结构发生改变时，这种改变会在心音上反映出来。目前心音在心衰领域的研究工作还未涉及到心衰分型，HFrEF 和 HFpEF 患者心室重塑不同，引起心脏结构变化的不同，可能导致心音的不同。本研究基于这些研究基础，分析 HFrEF 和 HFpEF 患者心音时域、时频域特征，探究两类患者心音信号的差异性，为心音在心衰分型诊断的临床应用提供理论基础。本研究共提取了 11 个时域、时频域特征，两组间每个特征均采用独立样本 t 检验，结果如表 1、2所示。从时域分析结果来看，反映心肌收缩力的指标 S1/S2，其在 HFrEF 组的水平显著低于 HFpEF 组的水平，说明 HFrEF 患者的心肌收缩力低于 HFpEF的。HFrEF 患者心肌收缩力的降低在心音图上不仅表现为 S1 幅值的降低，还伴随 S1 时限的缩短，导致HFrEF 组的 TS1/TS2 也低于 HFpEF 组的。本研究入选的 HErEF 患者大多数心率失常，与文献 2425 的研究结果一致，导致该组的 SDDS 和 SDSSI 均高于 HFpEF 组的，说明心音 D/S 和 S1 间期总体标准差都能反映心律失常。从时频域分析结果来看，HFrEF 组 S1 幅值较低甚至 S1、S2 倒置，致使 S1 能量减小，这是导致 HFrEF 组 ES1/ES2 低于 HFpEF组结果的主要原因。表 1、2 分析结果显示，HErEF组的 EF-LF、EF-SLF、EF-SHF 较 HFpEF 组的低，EF-HF、EF-DLF、EF-DHF 刚好相反，其中 EF-SLF、EF-DLF 在两组间均具有显著性差异，而 EF-LF、EF-HF、EF-SHF 和 EF-DHF 没有统计学意义。这一方面因为 S1 处于心动周期中的收缩期，HErEF 患者S1 幅值较低，引起心音的收缩期能量降低;另一方面因为心音的主要频率成分集中在 200 Hz 以下，S1幅值的改变引起的能量改变也集中在低频成分26。这些统计结果表明，HFpEF 患者向 HFrEF 转变时，存在心音低频能量向高频能量转移的趋势，但主要是收缩期低频能量向舒张期低频能量的转移。本研究用于分类识别的特征参数有 4 个，构成的特征向量维数较低，适合选择运算速度快、可调参数少、运算结果稳定可靠的分类器进行分类识别。本研究分别选择 BP 神经网络、Fisher 线性分类器和 ISODATA 进行分类识别，对比分析判别结果的灵敏性、特异性、准确率和运算时间 4 个指标，以获得最优的分类结果，对比分析结果如表 4 所示。对表 4 分析可知，Fisher 分类器的运算时间略短于ISODATA，但其灵敏性、特异性、准 确 率 均 低 于ISODATA;相对于 ISODATA，BP 神经网络的特异性和准确率略高，灵敏性略低，但运算时间比前者高一个数量级。综合考虑 4 个指标，选择 ISODATA 作为本研究的分类器进行识别。表 4不同分类器识别结果Tab4The recognition result for different classifiers分类器组别灵敏性/%特异性/%准确率/%运算时间/sBPHFrEFHFpEF90.2887.2188.113.16FisherHFrEFHFpEF88.8983.1484.840.13ISODATAHFrEFHFpEF93.0684.8887.300.20本研究入选的 HFpEF 患者大多数为女性，与文献 24-25 的研究结果一致，但是 HFrEF 患者男女比例差不多，与文献 24-25 的研究结果不一致，可能与本研究选择的 HFrEF 样本数量少有关。4结论本研究共采集了 72 位 HFrEF 患者和 172 位HFpEF 患者的心音数据，提取了 11 个时域、时频域特征，其中 7 个特征值在两组间具有显著性差异，选择其中 4 个相对独立的特征值进行 ISODATA 聚类345中国生物医学工程学报37 卷分析，分类结果的灵敏性、特异性和准确率分别为93.06%、84.88%和 87.30%，均较高，说明本研究提取的特征值结合 ISODATA 算法能较好地将两类信号分开，为心音信号在慢性心力衰竭临床分型辅助诊断的应用提供了理论依据。本研究只分析了心音的时域、时频域指标，后期可以补充分析其非线性指标，从非线性角度评估两类信号的差异性。(致谢:感谢重庆医科大学附属大学城医院舒彬、赵刚教授以及本实验室的同学们对本研究工作提供的支持与帮助)参考文献1国家心血管病中心中国心血管病报告 2015 北京:中国大百科全书出版社，20162Ponikowski P，Anker SD，Bueno H，et al 2016 ESC Guidelinesfor the diagnosis and treatment of acute and chronic heart failureJ European Journal of Heart Failure，2016，18(8):2129-22003Lee DS，Gona P，Vasari S，et al elation of disease pathogenesis and risk factors to heartfailure with preserved or reducedejection fraction:insights from the framing ham heart study of thenational heart，lung，and blood institute J Circulation，2009，119:3070-30774Steinberg B，Xin Z，Fonarow G，et al Trends in patientshospitalized with heart failure and preserved left ventricularejection fraction:prevalence，therapies，and outcomes JCirculation，2012，126(1):65-755葛均波，徐永健内科学M 北京:人民卫生出版社，2013:165-1706成谢锋，陈亚敏S1 和 S2 共振峰频率在心音分类识别中的应用 J 南京邮电大学学报(自然科学版)，2017，37(5):7-127Leung SK，Lau CP，Lam CT，et al Automatic optimization ofresting andexerciseatrioventricularintervalusingapeakendocardialaccelerationsensor:validationwithdopplerechocardiography and direct cardiacoutput measurementsJPacing Clin Electrophysiol，2000，23(11):1762-17668Hansen PB，Luisada AA，Miletich DJ，et al Phonocardiograph-yas amonitor of cardiac performanceduringanesthesiaJ Anes-thesia and Analgesia，1989，68(3):385-3879Durand LG，Langlois YE，Lanthier T，et al Spectral analysis andacoustic transmission of mitral and aortic valve closure sounds indogsJ Medical Biological Engineering Computing，1990，28(5):439-445 10Xiao Shouzhong，Guo Xingming，Wang Fanglu，et al Evalu