心功能信号的同步采集与分析

Synchronous Acquisition and Analysis of Cardiac Function Signals

摘要: 长期以来，冠心病是心血管疾病致死的主要原因，且其发病率每年都在不断增加。基于心功能信号采集与分析的疾病无创诊断技术是生物医学工程领域的主要研究课题之一。本文选取心音和心电信号进行心功能状况分析。为了得到高质量的心功能信号，选用了高灵敏度的心音传感器。在电路设计中，充分考虑噪声的影响，实现了心电和多通道心音信号的同步采集，且电路仿真结果符合预期。在对心功能信号进行分析时，通过心电信号实现心音信号的分割，并采用小波散射变换提取心音信号的时频特征。通过对不同心音听诊区的分析，与单一心音信号相比，多通道心音信号在心血管疾病诊断方面更具优势。

Abstract: For a long time, coronary heart disease has been the leading cause of death from cardiovascular diseases, and its incidence rate has been continuously increasing every year. The non-invasive diagnostic technology for diseases based on the acquisition and analysis of cardiac function signals is one of the main research topics in the field of biomedical engineering. This paper selects heart sound and electrocardiogram (ECG) signals to analyze cardiac function status. To obtain high-quality cardiac function signals, high-sensitivity heart sound sensors were chosen. In the circuit design, the impact of noise was fully considered, achieving synchronous acquisition of ECG and multi-channel heart sound signals, with circuit simulation results meeting expectations. In the analysis of cardiac function signals, heart sound signals were segmented through ECG signals, and their time-frequency characteristics were extracted using wavelet scattering transform. Through the analysis of different heart sound auscultation areas, multi-channel heart sound signals were found to be more advantageous in diagnosing cardiovascular diseases compared to single-channel heart sound signals.

1. 引言

步入21世纪，生命科学学科蓬勃发展，医疗技术水平得到了极大提高，公众对身体健康问题的关注也与日俱增。根据世界卫生组织的报告，心血管疾病是人类主要的致死原因之一。中风和心脏病发作导致的死亡率占比高达80%，其中70岁以下的患者占比达33%，呈现出年轻化趋势。心脏是人体的重要器官，负责驱动血液循环，持续提供动力以维持血液流动。因此，采集心脏生理信号以实时观察心功能，对心血管疾病的早期诊断和术后监测具有重要意义。越早接受治疗，患者的生活质量就能大幅提升，且能防止疾病的过早发作。心血管疾病通常源于先天性缺陷、细胞恶化、感染等因素。这些疾病需要通过长时间的生理信号监测来发现，而心电信号在所有生理信号中是不可或缺的，因为它能直观地反映出心脏的电活动信息。在临床诊断过程中，医生通常通过心脏听诊初步评估病人的心功能状况，但诊断的准确性往往依赖于医生的临床经验。为了提高诊断准确性并降低误诊率，一款能够实时采集并可视化心音信号的设备可以有效辅助诊断。

近年来，国内学者在心功能信号采集处理系统方面的研究取得了显著进展。大多数系统基于嵌入式或移动平台，以下是一些代表性的研究工作：王朔彤等人设计了一种能够实时采集并同步显示心音和心电信号的系统[1]。该系统基于STM32微控制器，通过USB与上位机通信，实现了心功能信号的实时处理和显示；李凤等人开发了一种便携式心音检测系统，采用了一维卷积神经网络模型[2]。该系统具有高检测准确率、快速预测速度和轻量化的特点，适用于便携式医疗设备；杨正杰等人详细分析了心音信号的特征，并研究了几种心音信号特征提取技术[3]。结合深度学习技术，杨正杰等人对心音信号进行了分类识别，提升了心音信号处理的精度和效率。这些研究工作不仅推动了心功能信号采集和处理技术的发展，也为临床诊断和个人健康监测提供了有力的技术支持。

2. 整体方案设计

通过上述研究内容可知，心功能疾病的研究热点集中在基于生理信号采集与分析的无创诊断技术。然而，针对多生理信号同步采集与分析的研究相对较少。本研究选择了心电信号和四通道心音信号进行同步采集与分析。整体方案设计如图1所示。该方案包括心功能信号采集和处理两个部分。具体功能描述如下：

1) 心功能信号采集：本文设计了一款多通道心音与心电同步采集设备。心电信号采用AD8220仪表放大器，具有高共模抑制比、高输入阻抗和低噪声特性。右腿驱动电路使用OP2177运算放大器，有效去除共模干扰。心音信号则采用ICS-40300麦克风芯片，具备高灵敏度、强抗干扰能力和小型化等优点。综合考虑运算放大器的性能参数，选用ADA4898作为心音前置放大器。信号经过放大和滤波后，由模数转换器传输到FPGA进行数字滤波，最终通过以太网传输到上位机进行实时显示与保存。

2) 心功能信号处理：心功能信号经过滤波预处理后，将同步采集的心电信号作为参考，实现心音信号的分割，随后采用小波散射变换提取心音信号的特征，进行多通道心音信号的分析。

Figure 1. Overall scheme block diagram

图1. 整体方案框图

3. 心功能信号采集

3.1. 心音传感器

在心音采集设计中，传感器的选型至关重要，因为它直接影响心音信号的质量。常用的传感器主要分为两类：一类是基于空气耦合传感器的MEMS声学传感器，另一类是基于接触式传感器的压电传感器。综合考虑传感器的应用场景、功耗、灵敏度和体积大小等因素，本文选用了MEMS声学传感器。

人体正常心音的频率范围为20 Hz到1000 Hz，异常心音信号可能超过1000 Hz。人耳所能听到的频率范围为20 Hz到20,000 Hz。为了还原医生使用听诊器听诊的音频信号，MEMS声学传感器的频率响应范围应包含人耳所能听到的频率范围。高信噪比和宽动态范围的传感器能更真实地还原心音信号。本文采用ICS-40300麦克风芯片作为心音采集的传感器。其具体性能参数如表1所示。

Table 1. ICS-40300 specification parameter

表1. ICS-40300规格参数

序号
1	系列	ICS-40300
2	类型	MEMS (硅)
3	频率范围	6 Hz~20 KHz
4	灵敏度	−45 dB ± 2 dB @ 94 dB SPL
5	信噪比	63 dB
6	阻抗	200 Ohms
7	电压范围	1.5 V~3.63 V
8	电流-供电	250 µA

3.2. 心音调理电路

心音信号是一种微弱的生理信号，其输出幅值较低。麦克风前置放大器能够放大这些信号的幅度，使得放大后的心音信号能够匹配信号链路中后续电路的输入电平范围。在前置放大电路设计中，运算放大器的关键参数，如电压噪声、总谐波失真和增益带宽积，对信号质量有显著影响。综合考虑上述参数要求，本文选用ADA4898作为前置放大电路的运放，表2为具体规格参数。

Table 2. ADA4898 specification parameters

表2. ADA4898规格参数

序号	名称	值
1	噪声	0.9 nV/√Hz
2	增益带宽积	65 MHz
3	压摆率	55 V/us
4	总谐波失真(20 KHz)	−166 dB
5	共模抑制比	−126 dB

在前置放大电路设计中，电压噪声通常比电流噪声对电路的影响更大，除非电路中存在高电阻值的电阻，这时电流噪声的影响才会显著增加。图3展示了运算放大器ADA4898的电压噪声和电流噪声与频率的关系。描述运算放大器噪声的指标是噪声密度，电压噪声密度的单位为nV/√Hz。噪声密度乘以目标带宽的平方根可以得到电路噪声。根据图1，麦克风传感器的带宽约为20 KHz；根据表1，运算放大器的噪声密度为0.9 nV/√Hz。通过计算，噪声级为0.127 uV，即−138 dBV。

运算放大器的噪声主要受1/f噪声(闪烁噪声)影响，从图2中可以看出，运算放大器的1/f噪声约为10 Hz。由于心音信号的频率下限约为20 Hz，因此该运算放大器对心音信号的噪声影响较小。根据图1，ICS40300麦克风芯片的信噪比为63 dB，灵敏度为−45 dB，表明该麦克风在20 KHz带宽内的本底噪声为−108 dB，噪声密度约为39.8 nV/√Hz。在选择运算放大器作为前置放大电路时，运算放大器产生的噪声应远低于麦克风，至少比麦克风安静10分贝。运算放大器ADA4898的噪声密度仅为0.9 nV/√Hz (−138 dB)，远低于这一阈值。

Figure 2. The relationship between voltage noise and current noise and frequency

图2. 电压噪声和电流噪声与频率的关系

同相放大电路的输出信号不会改变相位，与输入信号的极性相同。因此，这种电路非常适合需要保持信号极性不变的应用，例如心音信号处理。在同相放大电路中，共模抑制比(CMRR)是一个值得关注的重要参数。从表1可知ADA4898的共模抑制比为−126 dB。在心音信号频段内，ADA4898具有很高的共模抑制比，降低共模增益对输出信号的影响，避免心音信号失真。图3展示了四通道心音信号前置放大电路图。在设计同相放大电路时，可以适当地增加R14的阻值，使运算放大器具有高输入阻抗特性。由于ICS40300的输出信号具有0.8 V的直流偏置电压，电容C6可以很好地起到隔直作用，消除直流偏置。同时，电容C6与电阻R14一起构成无源高通滤波器，滤除低频噪声干扰。

Figure 3. Four-channel heart sound conditioning circuit

图3. 四通道心音调理电路

3.3. 心电调理电路

考虑到心电信号微弱且极易受到外部噪声的影响，为了获得高质量的心电信号，对前端调理电路中运算放大器的选型尤为重要。仪表放大器因其高共模抑制比、高输入阻抗和低噪声等优点，特别适合用于心电信号的放大。本文选用AD8220作为心电调理电路的运算放大器。AD8220是一款JFET型仪表放大器，具有轨到轨的输出范围，使得在高增益放大条件下能保证心电信号的完整性，同时其极高的共模抑制比能大大减少电极导线引入的线路噪声。在生理信号采集中，采用OP2177运放(具有低失调电压和低输入偏置电流)组成缓冲器，反相来自AD8220增益设置电阻中点的共模电压，通过右腿驱动电路将共模信号反相驱动回体内，从而抵消人体产生的共模电压。为了确保安全，在电极输入处串联电阻以限制大电流流向体内。同时，为了保护电子元器件，通过肖特基二极管对高于运放供电电压的输入信号进行钳位保护，以避免元器件损坏。心电调理电路如图4所示。

Figure 4. ECG conditioning circuit

图4. 心电调理电路

3.4. 模数转换

相较于传统的生理信号采集方法，本文舍弃了模拟滤波器电路。在信号采集链路中添加了抗混叠滤波器后，直接对放大的信号进行采集，用数字滤波取代模拟滤波。这一做法的优点在于降低了模拟滤波器电子器件引入的噪声，并且数字滤波具有更高的灵活性和性能稳定性，从而提高了信噪比。通过模数转换器，可以将多通道心音和心电模拟信号同步转换为数字信号。在现场可编程逻辑阵列(FPGA)中搭建数字滤波器，以滤除噪声干扰。表3展示了心音和心电信号的采样信息。综合分析心音和心电信号的频率特性，在满足香农采样定理的条件下，采样频率被设定为2 KHz。心音和心电信号经过前端调理电路放大后，选用了16位模数转换器以达到信号的采样精度。通过无源低通RC滤波器组成的抗混叠滤波器，主要衰减高于1 KHz的频率信号

Table 3. Heart function signal sampling information

表3. 心功能信号采样信息

	心电	心音
采样率	2 KHz	2 KHz
位数	16 bits	16 bits
增益	50 V/V	50V/V
目标信号带宽	0.05 Hz~100 Hz	20 Hz~1 KHz
抗混叠滤波器截止频率	150 Hz	1 KHz

3.5. 数字滤波

通过ADC采集的心音和心电信号伴随噪声干扰，因此首先应对其进行滤波处理。考虑到心音和心电信号的频率特性不同，需要选用不同截至频率的滤波器进行处理。对于心音信号，采用截至频率为20 Hz的低通滤波器来消除基线漂移和低频噪声；而心电信号则采用截至频率为2 Hz的低通滤波器，随后使用50 Hz陷波器滤除工频干扰噪声。在滤波处理过程中，保持信号波形的准确性非常重要，尤其是心音和心电这类生理信号，能够保持信号的原始特征对医疗诊断有直接影响。相比于无限脉冲响应(IIR)滤波器，有限脉冲响应(FIR)滤波器具有严格的线性相位和无条件稳定性的优点。然而，FIR滤波器需要更高的阶数才能达到与IIR滤波器相同的滤波效果，消耗更多计算资源的同时也带来了较长的延迟。在硬件资源允许的条件下，选用FIR滤波器可以有效滤除噪声，同时很好地保留原始信号的特征信息。心音信号滤波前后的对比效果如图5所示。

Figure 5. Digital filter effect diagram

图5. 数字滤波效果图

3.6. 电路仿真

使用LTspice对部分电路进行仿真验证。对于心电调理电路，输入一个100 Hz的正弦信号，该信号具有0.1 V的直流偏置，幅值为10 mV。仿真结果如图6所示，从图中可以得到信号被放大50倍左右，且直流偏置也被消除。对于心音调理电路，我们将一个正弦波作为输入信号，该正弦波的频率设定为1 kHz，带有0.8 V的直流偏置，并且振幅为10 mV。仿真结果如图7所示，可以看到信号被放大约50倍，输入信号的0.8 V直流偏置也被消除。仿真结果表明，该电路不仅成功实现了信号放大的功能，同时也有效地消除了不必要的直流分量，达到了设计的预期目标。

Figure 6. ECG circuit simulation diagram

图6. 心电电路仿真图

Figure 7. Heart sound circuit simulation diagram

图7. 心音电路仿真图

4. 心功能信号分析

4.1. 预处理

心电信号是描述人体心脏电活动的时序信息，主要包含P波、R波和QSR波群三部分。在对心电和心音信号进行同步采集后，根据它们在时域上的对应关系，以心电信号作为参考，分割心音信号。通常情况下，心电信号的R波峰值点对应心音信号的第一心音起始点。第一心音大约持续100到120毫秒，在定位R波峰值点后，就能确定第一心音的起止范围。心电信号的T波末端对应心音信号的第二心音起始位置，第二心音大约持续80到100毫秒。从第一心音结束到第二心音开始的时间间隔称为收缩期，表示心室收缩的持续时间。从第二心音结束到第一心音开始的时间间隔称为舒张期。通常，舒张期的时间间隔比收缩期更长，因为血液需要更多时间流回心脏。图8展示了心音信号与心电信号在时域上的对应关系。

Figure 8. Time domain correspondence diagram of ECG and heart sound signals

图8. 心电和心音信号时域对应关系图

为了更好地提取心音信号的特征，需要对心音信号进行S1和S2时段的划分。根据心音信号与心电信号的时序对应关系，利用心电信号对心音信号进行分割是一种有效的方法。采用这种方法进行心音分割的前提是心音和心电信号是同步采集的。心音信号的分割步骤如下：首先，采用R波检测算法检测出心电信号的峰值；其次，计算心音信号的能量，识别心音信号的峰值；最后，根据心音信号在时域上与同步心电信号的R波峰值的时间关系，划分出S1和S2的范围。图9为心电辅助心音分割效果图。

心音信号的S1和S2峰值采用归一化香农能量包络定位[4] [5]。在心音信号处理中，香农能量包络是一种高效且常用的方法。归一化香农能量包络提取法主要步骤如下：

(1) 对滤波后的心音信号进行归一化处理，如式(1)：

$X_{norm}\left(t\right)=\frac{X\left(t\right)}{\left|\max \left(X\left(t\right)\right)\right|}$ (1)

(2) 计算心音信号的能量，如式(2)：

$E\left(t\right)=X_{{}_{norm}}^2\left(t\right)$ (2)

(3) 计算心音信号的香农能量，如式(3)：

$E_{norm}\left(t\right)=-X_{{}_{norm}}^2\left(t\right)\log \left(X_{{}_{norm}}^2\left(t\right)\right)$ (3)

(4) 选取长度为N的区间，在该区间内对香农能量进行平滑滤波，如式(4)：

$E_{smooth}\left(t\right)=\frac{1}{N}{\displaystyle \sum _{i=t}^{t=t+N}{E}_{norm}\left(t\right)}$ (4)

(5) 计算香农能量包络，如式(5)：

$P\left(t\right)=\frac{E_{smooth}\left(t\right)-mean\left(E_{smooth}\left(t\right)\right)}{{\sigma }^2\left(E_{smooth}\left(t\right)\right)}$ (5)

上式中$E_{smooth}\left(t\right)$ 表示的是香农能量的均值，${\sigma }^2\left(E_{smooth}\left(t\right)\right)$ 表示为香农能量的方差，$P\left(t\right)$ 为所求的心音信号的包络线。

Figure 9. ECG-assisted segmentation of cardiogram

图9. 心电辅助分割心音图

4.2. 特征提取

在时域上对心音信号进行分析，可以得出心音信号在各个状态下的持续时间及其幅值大小，这些能够很好地反映心功能状况。因此，将心音信号的周期和四个状态的持续时间、各状态持续时间与周期的比值、不同状态持续时间之间的比值以及不同状态幅值之间的比值作为心音信号的时域特征。表4详细的展示了单个心动周期内的时域特征。

Table 4. Time domain characteristics of a single cardiac cycle

表4. 单个心动周期内的时域特征

序号	特征名称
1	心动周期时长
2	S1时长
3	S2时长
4	舒张期间时长
5	收缩期间时长
6	S1与心动周期时长比值
7	S2与心动周期时长比值
8	S1与S2时长比值
9	S1与收缩期期间平均幅值比值
10	S2与舒张期期间平均幅值比值

快速傅里叶变换是信号在频域上最常用的分析方法。本文采用快速傅里叶变换法分析心音信号的频谱。研究表明，心脏病患者的心音信号中高频分量增加，并且心脏病患者与正常人的心音信号在低频分量下存在差异，特别是在31.5 Hz频率处[6]。因此，本文将心音信号中频率高于200 Hz的部分标定为高频成分，将频率低于50 Hz的部分标定为低频成分。通过这种方法对心音信号进行分析。在一个心动周期内，分别计算分割的四段心音信号中高频成分和低频成分的比值，作为频域上的特征信息。表5展示了单个心动周期内的频域特征。

Table 5. Frequency domain characteristics of a single cardiac cycle

表5. 单个心动周期内的频域特征

序号	特征名称
1	S1内低频占比
2	S1内高频占比
3	S2内低频占比
4	S2内高频占比
5	收缩期内高频占比
6	收缩期内低频占比
7	舒张期内高频占比
8	舒张期内低频占比

S. Mallat在小波变换的基础上提出了一种新的时频分析方法——小波散射变换[7]-[10]。小波散射变换融合了小波变换和卷积神经网络的方法，不需要通过大量的数据集训练即可提取信号特征。小波散射是一种单向传播路径，与神经网络的反向传播相比，计算量和时间复杂度更低。小波散射变换的阶数对心音信号特征提取有重要影响。经过一层变换后得到的一阶散射系数通常包含信号的主要能量，而经过二阶变换后，二阶散射系数的能量迅速减小，仅为原信号能量的1% [10]。变换阶数越高，能量减少越多。因此，本文选用二阶小波散射变换来提取心音信号的时频域特征。对心音信号进行小波变换的步骤如下。

首先，对心音信号进行预处理，包括滤波降噪与归一化处理；然后，采用一阶小波散射变换，通过小波变换、非线性运算和平均运算，提取一阶散射系数；在一阶散射系数的基础上，重复上述过程，得到二阶散射系数。这些系数反映了信号的非线性特征，是对心音信号时频特征的描述。图10展示了心音信号的小波散射网络，其中S0为零阶小波散射，S1为一阶小波散射，S2为二阶小波散射。

Figure 10. Wavelet scattering network diagram

图10. 小波散射网络图

4.3. 多通道心音信号分析

本研究设计的心功能采集设备用于对人体四大听诊区同步采集心音信号。通过分析多通道心音信号，我们发现：第一心音(S1)主要反映二尖瓣和三尖瓣关闭的声音。由于二尖瓣关闭的声音最为清晰，二尖瓣是采集第一心音的最佳位置，特别适用于评估二尖瓣的功能和病变(如二尖瓣关闭不全和狭窄)。第二心音(S2)主要反映主动脉瓣和肺动脉瓣关闭的声音。肺动脉瓣是采集第二心音的最佳位置，因为这里能清晰地听到肺动脉瓣关闭的声音，适合评估肺动脉瓣的功能和病变(如肺动脉瓣关闭不全和狭窄)。

在心脏病诊断中，多通道心音信号相比单通道心音信号更具优势。它可以从多个听诊区采集心音信号，更全面地反映心功能状况。同步采集的信号有助于定位异常信号的具体来源。多通道数据还能提取更多时频特征，更精准地进行分类和诊断，提升检测的准确性。通过观察心脏在不同生理状态下的动态变化，医生可以更全面地了解心脏功能。因此，多通道心音信号分析显著提高了心脏病的诊断效果。

5. 总结

本文设计了一种能够同步采集心电和多通道心音信号的装置，优化了电路设计以减少噪声，从而获得高质量的心功能信号。在心功能信号分析过程中，采用小波散射变换对信号的时频域进行特征提取。对不同心音听诊区进行分析的结果表明，多通道心音信号采集可以更全面地反映心功能状况。与单一心音信号相比，多通道心音信号在心血管疾病诊断方面具有更大优势。