血管硬化是心血管疾病的獨立預測因子，柯氏音的特征與血管順應性密切相關。本研究的目的是探究基于柯氏音信號的特征進行血管硬化檢測的可行性。分別采集正常血管和硬化血管的柯氏音信號，并進行預處理，利用小波散射網絡對柯氏音信號進行散射特征提取，搭建長短期記憶網絡（LSTM）作為分類模型，對散射特征進行分類，評估 LSTM 分類模型的性能。本研究共有 97 例柯氏音信號數據，其中血管硬化組為 50 例，血管正常組為 47 例，按照 8∶2 的比例劃分為訓練集和測試集。最終分類模型的準確率為 86.4%，敏感度為 92.3%，特異性為 77.8%。研究結果表明，柯氏音信號的特征受到血管順應性的影響，利用柯氏音信號的特征進行血管硬化的檢測是可行的，本研究為無創血管硬化檢測提供了一種新的思路。
引用本文： 任淑琪, 陳增勝, 鄧小燕, 樊瑜波, 孫安強. 基于小波散射神經網絡的血管硬化識別初探. 生物醫學工程學雜志, 2023, 40(2): 244-248. doi: 10.7507/1001-5515.202207068 復制
0 引言
心血管疾病是全球第一大死亡原因，歐洲約48.0%、美國約34.3%的死亡與心血管疾病有關[1]。老年人是心血管疾病的易發人群，隨著老齡化人口的不斷增加，心血管疾病的預防將面臨更嚴峻的挑戰[2-3]。研究表明，動脈硬化的發生先于血管結構的變化，可作為心血管疾病死亡率和發病率的獨立預測因子[4-6]。因此動脈硬化的早期發現對于心血管疾病的早期預防具有重要意義[7-8]。
脈搏波速度（pulse wave speed，PWV）是目前應用最廣泛的動脈硬化的無創測量方法[9-11]，其中頸動脈-股動脈脈搏波速度（carotid -femoral pulse wave velocity，cfPWV)是動脈硬化測量的金標準。然而，PWV測量動脈硬度的方法有很多不確定性[12]，嚴重依賴于對脈搏波傳輸時間和兩點之間沿血管段距離的準確測量。Németh等[13]通過使用不同的血管段距離測量方法探討了血液透析（hemodialysis，HD）患者PWV與心血管疾病死亡率的關系，指出表面膠帶測量的方式會引入較大的誤差。Millasseau等[14]則認為，心率對PWV的測量有較大影響。
柯氏音是指人在測量血壓過程中通過聽診器聽到的聲音信號，屬于人體微弱的非穩定生理信號。目前，柯氏音主要利用柯氏音五時相中的第一時相和第五時相來檢測動脈收縮壓和舒張壓的值，用于無創血壓測量，很少有研究關注柯氏音信號的特征與血管壁生物力學的關系。關于柯氏音的產生一直存有爭議，但更多的學者認為柯氏音是由動脈壁的自激振蕩產生的，受動脈順應性的影響[15-17]。此外，值得注意的是，動脈硬化是一種全身性疾病。柯氏音信號提取自肱動脈，該處的動脈硬化指標與中心動脈硬化指標在發展特征、年齡/疾病相關性方面略有差異，但仍然可以反映整體的動脈硬化情況。
小波散射網絡是一種最近發展起來的特征提取技術，在結構上類似于卷積神經網絡（convolutional neural network，CNN）[18]，具有平移不變性和變形穩定性，并能保留高頻信息進行分類[19]，是一種非常適合于非線性和非平穩信號的特征提取器，在音頻、音樂和圖像分類中得到了廣泛的應用[20]。本研究的目的是利用小波散射網絡進行柯氏音信號特征的提取，結合長短期記憶網絡（long short-term memory，LSTM）進行硬化血管的分類和識別，為無創檢測動脈硬化提供一種新的思路。
1 資料與方法
1.1 實驗設備
采用3MTM Littman? 3200型電子聽診器探頭（中國）作為柯氏音信號采集設備，魚躍YE690F型臂式電子血壓計（中國）作為輔助柯氏音產生設備。本研究所涉及到的數據均使用MATLAB（2019a，MathWorks，美國）進行處理。
1.2 實驗數據
研究證明，動脈壁結構和功能隨年齡增加而變化，進而發展成動脈硬化[9]。Gomez-Sanchez等[7]對年齡在35～75歲之間且沒有明顯心血管疾病的西班牙成年人進行動脈硬化的檢測，結果表明，所有的動脈硬化指標都隨著年齡的增長而增加。基于這一結論，我們采集了50名老年人［（74.4 ± 7.96）歲］和47名年輕人［（23.1 ± 1.75）歲］的柯氏音信號分別作為動脈硬化組和動脈正常組數據。采集的原始柯氏音信號如圖1所示。被試者均無明顯的心血管疾病，老年組年齡范圍為50～90歲，年輕組年齡范圍為20～30歲，在數據采集前均簽署了《受試者知情同意書》。測量之前安靜休息10 min，在實驗開始前半小時內未吸煙或飲用咖啡，且已排空膀胱。
圖1
原始及預處理后柯氏音信號
AB段為原始信號中的有效信號段，作為后續處理信號段
Figure1. Original and pre-processed Korotkoff signalthe AB segment is the effective signal in the original signal
1.3 數據預處理
所收集的數據包含充氣階段到測量完成整個過程，因此首先截取有效的柯氏音數據段（圖1中的AB段）。柯氏音屬于人體微弱的生理信號，主要集中在5～200Hz之間[21]，考慮到巴特沃斯濾波器的過渡帶過寬，因此本研究設置一個5 Hz以下的低通濾波器，濾得信號的漂移基線信號，然后利用柯氏音信號減掉濾得的基線漂移信號，以去除基線漂移干擾。最后利用小波變換去除高頻噪聲。圖1為原始柯氏音信號和預處理之后的柯氏音信號。
1.4 小波散射網絡
小波散射網絡是一個自動提取緊湊特征的框架，每一層通常由三部分組成：小波卷積、非線性化和平均操作，類似于構成深度網絡的三個主要任務：卷積、非線性和池化，因此小波散射網絡也被稱為深度網絡。它與CNN的主要區別在于，小波散射網絡使用預定義的濾波器組，而CNN需要訓練得到濾波器參數[22]。因此，CNN需要大量的訓練數據，而小波散射網絡可適用于小數據集。
存在x(u)信號函數，小波散射變換可定義為：
 |
其中 
為小波變換的模公式，
為最大尺度的尺度函數，
為多分辨率小波函數，由小波函數通過旋轉和縮放濾波函數 
得到，即：
，其中 
，
，
，這里的 j 確定了 
的尺度，
確定了 
的方向。設散射路徑P = {
}，m為最大路徑長度，可以得到從1到m階窗口的散射特征系數{
}。
小波散射網絡結構如圖2所示。研究表明，小波散射神經網絡前三層包含了原始信號的大部分能量[19]，因此本研究中小波散射網絡設置為3層。藍色節點代表中間結果，即尺度圖系數，黑色節點為每一層的輸出，即網絡提取到的散射特征。
圖2
小波散射網絡結構
Figure2.
Structure of wavelet scattering network
第0層散射的功能是使用小波低通濾波器對輸入信號進行平均，濾掉信號中的高頻細節。然后對信號執行連續小波變換生成一組尺度圖系數，在后續層中捕獲在第一層中丟失的細節。將非線性算子（模數）應用于尺度圖系數，然后使用小波低通濾波器對輸出進行濾波，從而生成一組第1層散射系數，重復相同的過程獲得后續散射系數。
1.5 LSTM分類模型
LSTM是一種新興的深層循環神經網絡（deep recurrent neural networks，DRNN），解決了傳統DRNN處理時序數據時梯度消失或梯度爆炸的問題[23-24]，適用于通過捕獲遠程依賴關系來高效地處理時間序列數據任務。LSTM可以通過專門的機制決定何時記憶和何時忽略潛在狀態中的輸入，捕獲序列數據的長短期記憶，現已被廣泛應用于各種領域中，如圖像字幕、語音識別、基因組分析和自然語言處理等[25]。柯氏音信號是一種非穩定的時序信號，因此選用LSTM網絡對該信號進行分類。
由于數據集較小，本研究設計了一個單層的LSTM神經網絡，如圖3所示，包括輸入層、LSTM層、全連接層、Dropout層、Softmax層和輸出層。
圖3
LSTM神經網絡架構示意圖
Figure3.
Schematic diagram of LSTM neural network architecture
Softmax能夠將神經網絡向前傳播的結果轉變為概率分布，即每一個輸出都是0到1之間的小數，且所有輸出的結果之和為1。之后使用交叉熵損失函數來計算真實分布與期望分布的距離，并利用梯度下降算法通過降低交叉熵損失來擬合樣本訓練模型。交叉熵損失函數表示為：
 |
其中 
是指真實樣本的標簽值，
是指實際的輸出經過Softmax計算后得到的概率值。
2 結果和分析
2.1 訓練網絡
本研究使用97例柯氏音信號數據經小波散射網絡提取到的散射特征作為數據集，其中血管正常組47例，血管硬化組50例，按照8∶2的比例隨機劃分成訓練集和測試集。設置超參數batch size為5 000，epoch為3 000次，Adam優化器的學習速率為0.000 1，Dropout值為0.5。使用MATLAB環境進行LSTM分類器的訓練和測試。訓練過程中的準確率和損失曲線如圖4所示。
圖4
LSTM分類模型準確率和損失變化曲線
Figure4.
The accuracy and loss of LSTM classification model
2.2 模型性能驗證
混淆矩陣可以用來衡量模型的性能，由LSTM模型訓練結果形成的混淆矩陣如圖5所示。真實標簽為陽性（Stiffness）的13個數據中被正確預測為陽性的數據有12個，被錯誤預測為陰性（Normal）的數據有1個，敏感度（Sensitivity）為92.3%。真實標簽為陰性的9個數據中，2個被錯誤預測為陽性，7個被正確預測為陰性，模型的特異度（Specificity）為77.8%。通過計算，全部真陽性和真陰性標簽預測結果占所有數據樣本的比例為86.4%（19/22），即該分類模型的準確率（Accuracy）為86.4%。
圖5
混淆矩陣
Figure5.
Confusion matrix
3 結論
目前，動脈硬化無創檢測方法非常有限，而傳統的脈搏波速度評價血管硬化的方法存在許多不確定性，如體表血管段長度測量不準確、脈搏波易受心率影響等。研究表明，柯氏音信號的產生受到血管順應性的影響，因此本研究利用小波散射網絡進行柯氏音信號特征的自動提取，然后建立LSTM分類模型對散射特征進行分類。本研究的分類準確率為86.4%，該結果表明，利用柯氏音信號的特征進行血管硬化的檢測是可行的，本研究為無創血管硬化檢測提供了一種新的思路。
當然，本研究在樣本選擇方面存在一定的局限性：我們采集了50名健康老年人和47名健康年輕人的柯氏音信號分別作為動脈硬化組和動脈正常組數據。雖然有研究表明動脈硬化程度隨著年齡的增長而增加，但是在沒有進行動脈硬化測量的情況下無法保證所有樣本符合這個規律，因此，該分類結果還需要后續研究進一步驗證。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：任淑琪主要負責實驗設計、數據收集、數據分析以及初稿撰寫；陳增勝和鄧小燕主要負責提供實驗指導、數據分析指導以及論文審閱修訂；樊瑜波和孫安強主要負責統籌項目推進、數據分析指導、論文審閱修訂以及資金支持。
倫理聲明：本研究通過了北京航空航天大學生物與醫學倫理委員會的審批（批文編號：BM20210119）。
0 引言
心血管疾病是全球第一大死亡原因，歐洲約48.0%、美國約34.3%的死亡與心血管疾病有關[1]。老年人是心血管疾病的易發人群，隨著老齡化人口的不斷增加，心血管疾病的預防將面臨更嚴峻的挑戰[2-3]。研究表明，動脈硬化的發生先于血管結構的變化，可作為心血管疾病死亡率和發病率的獨立預測因子[4-6]。因此動脈硬化的早期發現對于心血管疾病的早期預防具有重要意義[7-8]。
脈搏波速度（pulse wave speed，PWV）是目前應用最廣泛的動脈硬化的無創測量方法[9-11]，其中頸動脈-股動脈脈搏波速度（carotid -femoral pulse wave velocity，cfPWV)是動脈硬化測量的金標準。然而，PWV測量動脈硬度的方法有很多不確定性[12]，嚴重依賴于對脈搏波傳輸時間和兩點之間沿血管段距離的準確測量。Németh等[13]通過使用不同的血管段距離測量方法探討了血液透析（hemodialysis，HD）患者PWV與心血管疾病死亡率的關系，指出表面膠帶測量的方式會引入較大的誤差。Millasseau等[14]則認為，心率對PWV的測量有較大影響。
柯氏音是指人在測量血壓過程中通過聽診器聽到的聲音信號，屬于人體微弱的非穩定生理信號。目前，柯氏音主要利用柯氏音五時相中的第一時相和第五時相來檢測動脈收縮壓和舒張壓的值，用于無創血壓測量，很少有研究關注柯氏音信號的特征與血管壁生物力學的關系。關于柯氏音的產生一直存有爭議，但更多的學者認為柯氏音是由動脈壁的自激振蕩產生的，受動脈順應性的影響[15-17]。此外，值得注意的是，動脈硬化是一種全身性疾病。柯氏音信號提取自肱動脈，該處的動脈硬化指標與中心動脈硬化指標在發展特征、年齡/疾病相關性方面略有差異，但仍然可以反映整體的動脈硬化情況。
小波散射網絡是一種最近發展起來的特征提取技術，在結構上類似于卷積神經網絡（convolutional neural network，CNN）[18]，具有平移不變性和變形穩定性，并能保留高頻信息進行分類[19]，是一種非常適合于非線性和非平穩信號的特征提取器，在音頻、音樂和圖像分類中得到了廣泛的應用[20]。本研究的目的是利用小波散射網絡進行柯氏音信號特征的提取，結合長短期記憶網絡（long short-term memory，LSTM）進行硬化血管的分類和識別，為無創檢測動脈硬化提供一種新的思路。
1 資料與方法
1.1 實驗設備
采用3MTM Littman? 3200型電子聽診器探頭（中國）作為柯氏音信號采集設備，魚躍YE690F型臂式電子血壓計（中國）作為輔助柯氏音產生設備。本研究所涉及到的數據均使用MATLAB（2019a，MathWorks，美國）進行處理。
1.2 實驗數據
研究證明，動脈壁結構和功能隨年齡增加而變化，進而發展成動脈硬化[9]。Gomez-Sanchez等[7]對年齡在35～75歲之間且沒有明顯心血管疾病的西班牙成年人進行動脈硬化的檢測，結果表明，所有的動脈硬化指標都隨著年齡的增長而增加。基于這一結論，我們采集了50名老年人［（74.4 ± 7.96）歲］和47名年輕人［（23.1 ± 1.75）歲］的柯氏音信號分別作為動脈硬化組和動脈正常組數據。采集的原始柯氏音信號如圖1所示。被試者均無明顯的心血管疾病，老年組年齡范圍為50～90歲，年輕組年齡范圍為20～30歲，在數據采集前均簽署了《受試者知情同意書》。測量之前安靜休息10 min，在實驗開始前半小時內未吸煙或飲用咖啡，且已排空膀胱。
圖1
原始及預處理后柯氏音信號
AB段為原始信號中的有效信號段，作為后續處理信號段
Figure1. Original and pre-processed Korotkoff signalthe AB segment is the effective signal in the original signal
1.3 數據預處理
所收集的數據包含充氣階段到測量完成整個過程，因此首先截取有效的柯氏音數據段（圖1中的AB段）。柯氏音屬于人體微弱的生理信號，主要集中在5～200Hz之間[21]，考慮到巴特沃斯濾波器的過渡帶過寬，因此本研究設置一個5 Hz以下的低通濾波器，濾得信號的漂移基線信號，然后利用柯氏音信號減掉濾得的基線漂移信號，以去除基線漂移干擾。最后利用小波變換去除高頻噪聲。圖1為原始柯氏音信號和預處理之后的柯氏音信號。
1.4 小波散射網絡
小波散射網絡是一個自動提取緊湊特征的框架，每一層通常由三部分組成：小波卷積、非線性化和平均操作，類似于構成深度網絡的三個主要任務：卷積、非線性和池化，因此小波散射網絡也被稱為深度網絡。它與CNN的主要區別在于，小波散射網絡使用預定義的濾波器組，而CNN需要訓練得到濾波器參數[22]。因此，CNN需要大量的訓練數據，而小波散射網絡可適用于小數據集。
存在x(u)信號函數，小波散射變換可定義為：
|
其中 為小波變換的模公式， 為最大尺度的尺度函數， 為多分辨率小波函數，由小波函數通過旋轉和縮放濾波函數 得到，即：，其中 ，，，這里的 j 確定了 的尺度， 確定了 的方向。設散射路徑P = {}，m為最大路徑長度，可以得到從1到m階窗口的散射特征系數{}。
小波散射網絡結構如圖2所示。研究表明，小波散射神經網絡前三層包含了原始信號的大部分能量[19]，因此本研究中小波散射網絡設置為3層。藍色節點代表中間結果，即尺度圖系數，黑色節點為每一層的輸出，即網絡提取到的散射特征。
圖2
小波散射網絡結構
Figure2.
Structure of wavelet scattering network
第0層散射的功能是使用小波低通濾波器對輸入信號進行平均，濾掉信號中的高頻細節。然后對信號執行連續小波變換生成一組尺度圖系數，在后續層中捕獲在第一層中丟失的細節。將非線性算子（模數）應用于尺度圖系數，然后使用小波低通濾波器對輸出進行濾波，從而生成一組第1層散射系數，重復相同的過程獲得后續散射系數。
1.5 LSTM分類模型
LSTM是一種新興的深層循環神經網絡（deep recurrent neural networks，DRNN），解決了傳統DRNN處理時序數據時梯度消失或梯度爆炸的問題[23-24]，適用于通過捕獲遠程依賴關系來高效地處理時間序列數據任務。LSTM可以通過專門的機制決定何時記憶和何時忽略潛在狀態中的輸入，捕獲序列數據的長短期記憶，現已被廣泛應用于各種領域中，如圖像字幕、語音識別、基因組分析和自然語言處理等[25]。柯氏音信號是一種非穩定的時序信號，因此選用LSTM網絡對該信號進行分類。
由于數據集較小，本研究設計了一個單層的LSTM神經網絡，如圖3所示，包括輸入層、LSTM層、全連接層、Dropout層、Softmax層和輸出層。
圖3
LSTM神經網絡架構示意圖
Figure3.
Schematic diagram of LSTM neural network architecture
Softmax能夠將神經網絡向前傳播的結果轉變為概率分布，即每一個輸出都是0到1之間的小數，且所有輸出的結果之和為1。之后使用交叉熵損失函數來計算真實分布與期望分布的距離，并利用梯度下降算法通過降低交叉熵損失來擬合樣本訓練模型。交叉熵損失函數表示為：
|
其中 是指真實樣本的標簽值， 是指實際的輸出經過Softmax計算后得到的概率值。
2 結果和分析
2.1 訓練網絡
本研究使用97例柯氏音信號數據經小波散射網絡提取到的散射特征作為數據集，其中血管正常組47例，血管硬化組50例，按照8∶2的比例隨機劃分成訓練集和測試集。設置超參數batch size為5 000，epoch為3 000次，Adam優化器的學習速率為0.000 1，Dropout值為0.5。使用MATLAB環境進行LSTM分類器的訓練和測試。訓練過程中的準確率和損失曲線如圖4所示。
圖4
LSTM分類模型準確率和損失變化曲線
Figure4.
The accuracy and loss of LSTM classification model
2.2 模型性能驗證
混淆矩陣可以用來衡量模型的性能，由LSTM模型訓練結果形成的混淆矩陣如圖5所示。真實標簽為陽性（Stiffness）的13個數據中被正確預測為陽性的數據有12個，被錯誤預測為陰性（Normal）的數據有1個，敏感度（Sensitivity）為92.3%。真實標簽為陰性的9個數據中，2個被錯誤預測為陽性，7個被正確預測為陰性，模型的特異度（Specificity）為77.8%。通過計算，全部真陽性和真陰性標簽預測結果占所有數據樣本的比例為86.4%（19/22），即該分類模型的準確率（Accuracy）為86.4%。
圖5
混淆矩陣
Figure5.
Confusion matrix
3 結論
目前，動脈硬化無創檢測方法非常有限，而傳統的脈搏波速度評價血管硬化的方法存在許多不確定性，如體表血管段長度測量不準確、脈搏波易受心率影響等。研究表明，柯氏音信號的產生受到血管順應性的影響，因此本研究利用小波散射網絡進行柯氏音信號特征的自動提取，然后建立LSTM分類模型對散射特征進行分類。本研究的分類準確率為86.4%，該結果表明，利用柯氏音信號的特征進行血管硬化的檢測是可行的，本研究為無創血管硬化檢測提供了一種新的思路。
當然，本研究在樣本選擇方面存在一定的局限性：我們采集了50名健康老年人和47名健康年輕人的柯氏音信號分別作為動脈硬化組和動脈正常組數據。雖然有研究表明動脈硬化程度隨著年齡的增長而增加，但是在沒有進行動脈硬化測量的情況下無法保證所有樣本符合這個規律，因此，該分類結果還需要后續研究進一步驗證。
重要聲明
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
作者貢獻聲明：任淑琪主要負責實驗設計、數據收集、數據分析以及初稿撰寫；陳增勝和鄧小燕主要負責提供實驗指導、數據分析指導以及論文審閱修訂；樊瑜波和孫安強主要負責統籌項目推進、數據分析指導、論文審閱修訂以及資金支持。
倫理聲明：本研究通過了北京航空航天大學生物與醫學倫理委員會的審批（批文編號：BM20210119）。
