睡眠期间肠鸣音信号的鼾声噪声去除方法

Abstract

Monitoring of bowel sounds is an important method to assess bowel motility during sleep, but it is seriously affected by snoring noise. In this paper, the complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN) method was applied to remove snoring noise from bowel sounds during sleep. Specifically, the noisy bowel sounds were first band-pass filtered, then decomposed by the CEEMDAN method, and finally the appropriate components were selected to reconstruct the pure bowel sounds. The results of semi-simulated and real data showed that the CEEMDAN method was better than empirical mode decomposition and wavelet denoising method. The CEEMDAN method is used to remove snoring noise from bowel sounds during sleep, which lays an important foundation for using bowel sounds to assess the intestinal motility during sleep.

0. 引言

睡眠是影响身心健康的重要生理过程^[1]。最近的研究表明，微生物-大脑-肠道轴在调节睡眠行为方面起着重要作用，并与睡眠障碍的发生有关^[2-3]，这凸显了睡眠与肠道健康之间的密切关系。目前还没有一种广泛适用的方法，可以对睡眠期间的肠道状况进行长时间的连续评估。近年来，多项研究证明了肠鸣音在评估肠道运动方面的有效性和可靠性^[4-7]，而睡眠状态尤其适合采集肠鸣音。安静的睡眠环境、较低的环境噪音以及受试者没有剧烈和频繁的活动，为使用肠鸣音评估肠道动力提供了高质量的背景^[8]。

要将肠鸣音信号有效应用于临床，需要进行噪声去除，以确保信号的质量。干扰肠鸣音的噪声主要分为三类：外部环境噪声、内部生理噪声和设备噪声。外部环境噪声指的是采集环境中的各种声学噪声，内部生理噪声是指受试者体内产生的噪声，比如呼吸声、心音、说话声等，设备噪声是指设备采集噪声和设备摩擦产生的噪声^[9]。针对这些噪声的去除方法主要包括自适应滤波方法^[4]、小波变换^[10-11]、回归方法^[9]、多元经验模态分解^[12]等。

与日间采集的肠鸣音相比，睡眠期间的肠鸣音噪声较少，主要由内部生理噪声组成，如心音噪声和鼾声噪声。心音噪声频率聚集在100 Hz以下^[13]，而肠鸣音的主要频率范围在100～1 000 Hz^{[4, 14-15]}，因此预处理时使用100～1 000 Hz的带通滤波正好同时滤除了心音噪声。鼾声噪声对于肠鸣音的影响比较复杂，一方面鼾声的频率范围和肠鸣音的频率范围是重叠的^[16]；另一方面，鼾声不仅会从体外传播干扰肠鸣音信号，而且还会通过体内传播与肠鸣音混合在一起后进入肠鸣音采集设备中。然而，有相当一部分人在睡眠时会打鼾，因此，鼾声噪声的优化处理，对基于肠鸣音的睡眠期间肠动力评估非常关键。但是，目前尚未有研究涉及肠鸣音信号中的鼾声噪声滤除。

对于睡眠期间肠鸣音的鼾声噪声去除，本文尝试使用经验模态分解方法（empirical mode decomposition，EMD）来实现。EMD由Huang等^[17]在1998年提出，已广泛应用于非线性和非平稳数据分析中。EMD的优势在于它是数据驱动和自适应的，不需要任何先验知识便可实现非平稳信号分解。但是EMD算法有模态混叠问题，为此相继出现了优化算法，包括集合经验模态分解（ensemble EMD，EEMD）^[18]和自适应噪声的完备集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN）^[19]。其中，CEEMDAN方法是在EEMD方法基础上的进一步优化，能够有效解决模态混叠问题，并通过逐层添加自适应噪声的分解方法减少了整体的噪声引入，是一种性能更好的信号分解方法^[20]。

基于此，本研究针对睡眠期间肠鸣音的鼾声噪声进行去除，对已有研究^[21]提出的不同类别的肠鸣音信号，包括单次爆发肠鸣音（single burst，SB，类别1）、多次爆发肠鸣音（multiple bursts，MB，类别2）、随机连续肠鸣音（random continued sound，RCS，类别3）和谐音肠鸣音（harmonic sound，HS，类别4），使用CEEMDAN方法实现不同类别肠鸣音的鼾声噪声去除。通过CEEMDAN将受鼾声污染的肠鸣音信号分解为数量有限的固有模态分量（intrinsic mode functions，IMFs），然后通过经验和结果对比来选择目标IMFs，重构出纯净的肠鸣音信号。最后，使用半模拟数据和真实数据对本算法进行验证。

1. 方法介绍

1.1. 算法整体设计

本文提出的针对睡眠期间肠鸣音的鼾声噪声滤除方法整体流程如图1所示。首先对被污染的肠鸣音信号进行100～1 000 Hz的带通滤波预处理；然后对预处理后的信号进行CEEMDAN分解。考虑到通过CEEMDAN分解后的IMFs中，IMF1～IMF5中都存在肠鸣音信号成分，为了确定重构纯净肠鸣音的IMFs，本文通过半模拟数据的分解验证，分别对IMF1～IMF3、IMF1～IMF4和IMF1～IMF5重构信号，使用部分半模拟数据结合评价参数，并进行统计学分析，确定最优重构分量，最后对相应的模态分量进行重构获得纯净的肠鸣音信号。

图 1.

Flow chart of snoring noise filtering of bowel sound signals during sleep

睡眠期间肠鸣音信号的鼾声噪声滤除流程图

1.2. CEEMDAN

CEEMDAN是对EMD算法的改进。EMD算法的关键思想是将非线性波形信号转换为一系列单频分量信号和残差信号。但是EMD算法在分解过程中，局部极点会多次跳变，从而导致模态混叠。EEMD算法是对EMD的一种改进算法，通过引入辅助白噪声在一定程度上抑制模态混叠，然而EEMD分解的分量存在噪声残留，降低了分解效率，导致重建误差较大。CEEMDAN算法是在EEMD的基础上改进提出的，旨在解决模态混叠和残留噪声的问题。分解CEEMDAN所涉及的步骤如下。

步骤1：原信号中加入高斯白噪声：

1

其中，是噪声的标准差，是第j次分解后的加入的高斯白噪声。

步骤2：对进行N次EMD分解，得到第一阶分量，如式(2)所示：

2

步骤3：得到第一阶残余分量：

3

步骤4：当的极值点数超过2时，将第一阶残差加到第一阶模态算子上，形成一个新的残差信号，再进行EMD分解，得到第二阶模态分量：

4

式中，为噪声的第二阶标准差，是EMD分解产生的第一个算子。

步骤5：重复步骤4，直到不能再分离残差，原始信号分解为式(5)：

5

其中K和k分别表示模态分解的次数和层数。第k层分解的k级残差如式(6)所示：

6

第k + 1阶模态分量如式(7)所示：

7

1.3. 选择合适的IMFs重构纯净肠鸣音

要重构鼾声滤除后的肠鸣音，必须从CEEMDAN分解后得到的IMFs中选择合适的IMFs。通过对4类肠鸣音信号进行CEEMDAN分解，观察到IMF1～IMF5都有可能包含肠鸣音信号，如图2所示是类别2肠鸣音CEEMDAN方法分解后的IMFs（其他类别的肠鸣音CEEMDAN结果见附件1）。为了达到既能有效滤除鼾声噪声又能有效保留肠鸣音信号的最佳重建效果，本文通过部分半模拟数据结合相应的评价指标来确定最优的IMF组合。

图 2.

Category 2 bowel sound signals and the IMFs after CEEMDAN method decomposition

类别2肠鸣音CEEMDAN方法分解后的IMFs

2. 试验

2.1. 数据获取

本文分别使用半模拟数据和真实数据对肠鸣音鼾声噪声去除效果进行评价，主要针对肠鸣音信号保留程度和鼾声噪声去除效果进行定量分析。肠鸣音采集设备采用自研肠鸣音设备，其麦克风芯片是楼氏电子的MEMS麦克风（SPU1410LR5H-QB），采样率是8 000 Hz，人体采集部位是右下腹位置。本试验已通过中国人民解放军总医院伦理审查委员会批准（伦理号：S2022-341-01），受试者在试验前签署了知情同意书，采集地点是中国人民解放军总医院第一医学中心睡眠监测中心。

2.2. 半模拟数据及评价方法

半模拟数据由纯净的肠鸣音信号和纯净的鼾声信号混合而成，混合模型如式（8）所示：

8

其中，是混合而成的半模拟数据，是纯净的肠鸣音信号，是纯净的鼾声信号，是噪声所占的比重。通过调整能够得到不同信噪比的半模拟数据。纯净的肠鸣音片段和纯净的鼾声片段都是按照经验挑选的，并对挑选出的片段做100～1 000Hz的带通，以去除心音和其他高频噪声的影响。纯净的肠鸣音片段分为4类，分别是类别1（SB）、类别2（MB）、类别3（RCS）和类别4（HS）。

对于半模拟数据，每种类型的肠鸣音对应的7个SNR值均有35个片段，每种类别的肠鸣音片段共计245段。半模拟数据对应的评价指标，选择均方根误差（root mean square error，RMSE）和相关系数（correlation coefficient，CC）。相关系数可以表征去噪后肠鸣音和纯净肠鸣音之间的相关性［见式(9)］，可以体现去噪后纯净肠鸣音的保留程度。均方根误差可以表征纯净肠鸣音的噪声去除效果，通过式(10)计算均方根误差，该值越小，表示噪声去除效果越好。

9

10

通过CC和RMSE参数，将本文的CEEMDAN算法与常用的小波去噪和EMD算法进行对比，验证本文算法的去噪能力。

2.3. 真实数据及评价方法

本文的真实数据是自研肠鸣音设备采集的30 min受鼾声干扰的肠鸣音片段。由于在真实数据中无法获得纯净的肠鸣音，所以无法计算半模拟数据中的评价指标。因此，本文将三种去噪算法分别结合同样的有效肠鸣音片段识别算法^[22]，通过有效肠鸣音片段的识别准确率指标来进行三种去噪算法的间接评价。有效肠鸣音的识别准确率越高，说明算法去噪效果越好。识别准确率指标具体包括：准确度（accuracy）、敏感度（sensitivity）和特异度（specificity），见公式(11)～(13)，其中，TP表示人工标注的有效肠鸣音片段被正确识别，FP表示人工标注的噪声片段被错误识别为有效肠鸣音，TN表示人工标注为噪声的片段被正确识别为噪声部分，FN表示人工标注的有效肠鸣音片段被错误识别为噪声部分，E(.)表示对应段的能量。之所以用能量来计算评价指标，一方面是因为它能更好地表达有效肠鸣音这种能量突然聚集的瞬态信号的识别效果；另一方面，对于长时程的肠鸣音信号识别，一些未被识别的特别低能量的肠鸣音片段对长时程肠鸣音影响很小。

11

12

13

3. 结果与讨论

3.1. 半模拟数据结果分析

3.1.1. 确定重构滤波后肠鸣音的IMFs

通过CEEMDAN分解后的IMFs中，IMF1～IMF5中都存在肠鸣音信号成分，为了明确重构纯净肠鸣音的IMFs，本文对所有半模拟数据经过分解后得到的IMFs分别重构IMF1～IMF3，IMF1～IMF4和IMF1～IMF5，对比重构后信号与纯净肠鸣音的RMSE和CC。由于数据不符合正态分布，因此使用非参数检验来进行统计分析，具体的，采用Kruskal-Wallis H检验进行统计分析，多重检验采用Bonferroni校正方法对显著性值进行调整。如表1所示，Kruskal-Wallis检验结果为：H = 64.866，P < 0.001，表明IMF1～IMF3（A组）、IMF1～IMF4（B组）和IMF1～IMF5（C组）三组差异具有统计学意义。经过两两比较，RMSE和CC两两组别之间均有统计学差异，而且B组的CC最高，A组的RMSE中位数和B组的一致，但是B组的四分位距更小，表明其值波动小。通过统计分析结果可得，B组是重构纯净肠鸣音的最佳选择。在后续CEEMDAN方法与别的方法比较滤波效果的过程中，均采用IMF1～IMF4实滤波后肠鸣音信号重构。

表 1. Performance evaluation of filtering effect after reconstruction of different components.

不同分量重构后滤波效果性能评价

组别	例数	RMSEa	CC a
注：a数据表达形式为：中位数（四分位距）；***表示P < 0.001，**表示 P < 0.01
IMF1～IMF3（A组）	n=280	0.001 2(0.001 6)	0.865 2(0.122 1)
IMF1～IMF4（B组）	n=280	0.001 2(0.001 2)	0.9091(0.057 0)
IMF1～IMF5（C组）	n=280	0.002 0(0.002 4)	0.8210(0.053 2)
整体比较：H，P		64.866, 0.000	323.23, 0.000***
多重比较：P	A vs B	0.005**	0.000***
	A vs C	0.000***	0.000***
	B vs C	0.000***	0.000***

3.1.2. 不同算法噪声滤除效果对比

对每段数据都使用CEEMDAN、小波去噪和EMD三种算法进行鼾声去噪处理。本文通过计算同一种类型的肠鸣音所对应的RMSE和CC的平均值和标准差，来评价算法的噪声去除效果和稳定性。

图3和图4分别展示了4种类别肠鸣音与纯净鼾声噪声混合而成的半模拟数据的鼾声去除效果对比。从图中可以看出，黑线表示的CEEMDAN方法的RMSE均值最小，CC均值最大，说明与小波去噪方法和EMD方法相比，CEEMDAN方法对睡眠期间肠鸣音信号的鼾声噪声去除效果最好。

图 3.

Error bar plots of root mean square error of different filtering methods of different types of bowel sound signals

不同类别肠鸣音信号不同滤波方法对应的RMSE误差条图

图 4.

Error bar plots of correlation coefficient of different filtering methods of different types of bowel sound signals

不同类别肠鸣音信号不同滤波方法对应的CC误差条图

3.2. 真实数据结果分析

真实数据是分别使用CEEMDAN、小波去噪和EMD三种方法对实际采集的受污染的肠鸣音信号进行鼾声滤除，然后对滤波后的肠鸣音信号使用同样的识别方法进行有效肠鸣音片段识别，再分别比较识别准确度、敏感度和特异度，其中准确度综合表达识别效果，灵敏度更能表达有效肠鸣音的识别能力，特异度更能表达噪声识别能力，所以对于噪声去除后的肠鸣音信号，准确度和灵敏度更能表达有效肠鸣音的识别效果。如表2所示，相比于小波去噪和EMD方法，CEEMDAN方法噪声去除后的识别效果最好。EMD方法噪声去除后的识别效果指标中，虽然准确度高达90.90%，但是灵敏度只有71.55%，这是因为有效肠鸣音片段只占整体肠鸣音信号的一小部分，准确度数值受占比较大的噪声片段影响，因此灵敏度数值更能体现占比较小的有效肠鸣音的识别效果。

表 2. The identification effect of effective bowel sound segments after different noise filtering methods.

不同噪声滤除方法处理后的有效肠鸣音片段识别效果

噪声滤除方法	准确度	灵敏度	特异度
CEEMDAN	91.65%	93.68%	91.49%
小波去噪	80.14%	87.47%	79.55%
EMD	90.90%	71.55%	90.72%

4. 结论

肠鸣音是肠动力无创评估的重要方法，然而，由于睡眠期间鼾声噪声的影响，这种方法在评估睡眠期间肠道动力时受到严重影响。本文提出使用CEEMDAN方法实现睡眠期间肠鸣音信号的鼾声噪声去除，与小波去噪方法和EMD方法相比，CEEMDAN方法在半模拟数据及对应的直接评价指标上显示出最小的RMSE和最大的CC；在真实数据及对应的间接评价指标上显示CEEMDAN方法对应结果有最准确的有效肠鸣音片段识别效果，验证了CEEMDAN算法能够在去除鼾声噪声的同时，还可以最大化保留肠鸣音信息。本文的实现为肠鸣音用于睡眠期间肠动力评估奠定了坚实基础，具有重要的临床和研究价值。

重要声明

利益冲突声明：本文全体作者均声明不存在利益冲突。

作者贡献声明：王国静、王卫东负责研究框架设计、实验方案设计，王国静负责算法实现、数据处理与分析以及文稿撰写，王卫东和刘洪运负责对文稿进行完善修改和最后定稿。

伦理声明：本研究通过中国人民解放军总医院医学伦理委员会的审批（批文编号：S2022-341-01）。

本文附件见本刊网站的电子版本（biomedeng.cn）。

Funding Statement

科技创新2030-“新一代人工智能”项目（2020AAA0105800）