基于增强量子局部二值模式与质量评估的真实噪声环境下心音分析研究

　　本刊推荐：本研究针对心血管疾病（CVD）诊断中心音图（PCG）信号易受环境噪声干扰的问题，提出了一种结合质量评估指标（PCGQA）与增强量子局部二值模式（EQLBP）的创新分析方法。该方法通过自适应参考像素选择（ARPS）和离散小波变换（DWT）特征融合，在CinC-2016和HSM-2018数据集上分别达到97.22%和98.70%的准确率，为偏远地区低成本心脏监测提供了高效解决方案。

　　

Highlight

本研究提出了一种结合创新质量评估指标与增强纹理特征提取方法的心音信号分析框架，在噪声环境下展现出卓越的分类性能。

Introduction

心血管疾病（CVDs）是全球死亡的首要原因，2021年导致1991万人死亡，预计2030年将超过2330万。在医疗设施落后的农村地区，CVD的早期诊断尤为困难。与传统心电图（ECG）和超声心动图相比，心音图（PCG）因其成本低、操作简便的优势，更适合偏远地区的应用场景。然而PCG信号易受环境噪声、患者运动和电子干扰影响，现有去噪方法往往会抑制异常杂音等关键信号成分。

Methods

研究框架包含三个核心模块：

1. 1.
   提出PCG_QA质量评估指标，通过统计参数筛选噪声最小子序列，避免传统去噪的信号失真问题
2. 2.
   开发增强型量子局部二值模式（EQLBP），采用自适应参考像素选择（ARPS）技术从信号频谱图中提取均匀模式，显著提升噪声鲁棒性
3. 3.
   结合离散小波变换（DWT）多分辨率特征与EQLBP局部纹理特征，采用机器学习模型进行分类

Results

在CinC-2016数据集上实现准确率97.22%（精确度98.29%，召回率98.63%，F1-score 98.46%）；在HSM-2018数据集上达到准确率98.70%（精确度99.05%，召回率99.00%，F1-score 99.00%），显著优于现有深度学习方法。

Discussion

分析表明：

• •
  PCG_QA使CinC-2016数据集分类准确率提升1.59%
• •
  ARPS机制有效解决传统QLBP对中心像素噪声敏感的问题
• •
  方法时间复杂度低（仅0.89秒处理5秒信号），适合嵌入式设备部署
• •
  对社会医疗公平性提升具有重要价值

Conclusion

该研究为临床外环境下的心音监测提供了高效解决方案，通过质量评估与增强特征提取的协同创新，在保证计算效率的同时实现优越分类性能，对推动农村地区心血管健康监测具有重要意义。