腸鳴音監測是評估睡眠期間腸動力的重要方法，但會受到鼾聲噪聲的嚴重影響。本文將自適應噪聲的完備集合經驗模態分解（CEEMDAN）方法用于睡眠期間腸鳴音的鼾聲噪聲去除。具體地，先對帶噪腸鳴音進行帶通濾波，然后使用CEEMDAN方法分解，最后選擇適當的分量重構純凈腸鳴音。半模擬數據和真實數據驗證表明，與普通的經驗模式分解和小波去噪方法相比，CEEMDAN方法能更有效地去除鼾聲噪聲。CEEMDAN方法用于睡眠期間腸鳴音鼾聲噪聲去除，可為腸鳴音用于睡眠期間腸動力評估奠定重要基礎。
引用本文： 王國靜, 王衛東, 劉洪運. 睡眠期間腸鳴音信號的鼾聲噪聲去除方法. 生物醫學工程學雜志, 2024, 41(2): 288-294. doi: 10.7507/1001-5515.202307055 復制
版權信息： ?四川大學華西醫院華西期刊社《生物醫學工程學雜志》版權所有，未經授權不得轉載、改編
0 引言
睡眠是影響身心健康的重要生理過程[1]。最近的研究表明，微生物-大腦-腸道軸在調節睡眠行為方面起著重要作用，并與睡眠障礙的發生有關[2-3]，這凸顯了睡眠與腸道健康之間的密切關系。目前還沒有一種廣泛適用的方法，可以對睡眠期間的腸道狀況進行長時間的連續評估。近年來，多項研究證明了腸鳴音在評估腸道運動方面的有效性和可靠性[4-7]，而睡眠狀態尤其適合采集腸鳴音。安靜的睡眠環境、較低的環境噪音以及受試者沒有劇烈和頻繁的活動，為使用腸鳴音評估腸道動力提供了高質量的背景[8]。
要將腸鳴音信號有效應用于臨床，需要進行噪聲去除，以確保信號的質量。干擾腸鳴音的噪聲主要分為三類：外部環境噪聲、內部生理噪聲和設備噪聲。外部環境噪聲指的是采集環境中的各種聲學噪聲，內部生理噪聲是指受試者體內產生的噪聲，比如呼吸聲、心音、說話聲等，設備噪聲是指設備采集噪聲和設備摩擦產生的噪聲[9]。針對這些噪聲的去除方法主要包括自適應濾波方法[4]、小波變換[10-11]、回歸方法[9]、多元經驗模態分解[12]等。
與日間采集的腸鳴音相比，睡眠期間的腸鳴音噪聲較少，主要由內部生理噪聲組成，如心音噪聲和鼾聲噪聲。心音噪聲頻率聚集在100 Hz以下[13]，而腸鳴音的主要頻率范圍在100～1 000 Hz[4, 14-15]，因此預處理時使用100～1 000 Hz的帶通濾波正好同時濾除了心音噪聲。鼾聲噪聲對于腸鳴音的影響比較復雜，一方面鼾聲的頻率范圍和腸鳴音的頻率范圍是重疊的[16]；另一方面，鼾聲不僅會從體外傳播干擾腸鳴音信號，而且還會通過體內傳播與腸鳴音混合在一起后進入腸鳴音采集設備中。然而，有相當一部分人在睡眠時會打鼾，因此，鼾聲噪聲的優化處理，對基于腸鳴音的睡眠期間腸動力評估非常關鍵。但是，目前尚未有研究涉及腸鳴音信號中的鼾聲噪聲濾除。
對于睡眠期間腸鳴音的鼾聲噪聲去除，本文嘗試使用經驗模態分解方法（empirical mode decomposition，EMD）來實現。EMD由Huang等[17]在1998年提出，已廣泛應用于非線性和非平穩數據分析中。EMD的優勢在于它是數據驅動和自適應的，不需要任何先驗知識便可實現非平穩信號分解。但是EMD算法有模態混疊問題，為此相繼出現了優化算法，包括集合經驗模態分解（ensemble EMD，EEMD）[18]和自適應噪聲的完備集合經驗模態分解（complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN）[19]。其中，CEEMDAN方法是在EEMD方法基礎上的進一步優化，能夠有效解決模態混疊問題，并通過逐層添加自適應噪聲的分解方法減少了整體的噪聲引入，是一種性能更好的信號分解方法[20]。
基于此，本研究針對睡眠期間腸鳴音的鼾聲噪聲進行去除，對已有研究[21]提出的不同類別的腸鳴音信號，包括單次爆發腸鳴音（single burst，SB，類別1）、多次爆發腸鳴音（multiple bursts，MB，類別2）、隨機連續腸鳴音（random continued sound，RCS，類別3）和諧音腸鳴音（harmonic sound，HS，類別4），使用CEEMDAN方法實現不同類別腸鳴音的鼾聲噪聲去除。通過CEEMDAN將受鼾聲污染的腸鳴音信號分解為數量有限的固有模態分量（intrinsic mode functions，IMFs），然后通過經驗和結果對比來選擇目標IMFs，重構出純凈的腸鳴音信號。最后，使用半模擬數據和真實數據對本算法進行驗證。
1 方法介紹
1.1 算法整體設計
本文提出的針對睡眠期間腸鳴音的鼾聲噪聲濾除方法整體流程如圖1所示。首先對被污染的腸鳴音信號進行100～1 000 Hz的帶通濾波預處理；然后對預處理后的信號進行CEEMDAN分解。考慮到通過CEEMDAN分解后的IMFs中，IMF1～IMF5中都存在腸鳴音信號成分，為了確定重構純凈腸鳴音的IMFs，本文通過半模擬數據的分解驗證，分別對IMF1～IMF3、IMF1～IMF4和IMF1～IMF5重構信號，使用部分半模擬數據結合評價參數，并進行統計學分析，確定最優重構分量，最后對相應的模態分量進行重構獲得純凈的腸鳴音信號。
圖1
睡眠期間腸鳴音信號的鼾聲噪聲濾除流程圖
Figure1.
Flow chart of snoring noise filtering of bowel sound signals during sleep
1.2 CEEMDAN
CEEMDAN是對EMD算法的改進。EMD算法的關鍵思想是將非線性波形信號轉換為一系列單頻分量信號和殘差信號。但是EMD算法在分解過程中，局部極點會多次跳變，從而導致模態混疊。EEMD算法是對EMD的一種改進算法，通過引入輔助白噪聲在一定程度上抑制模態混疊，然而EEMD分解的分量存在噪聲殘留，降低了分解效率，導致重建誤差較大。CEEMDAN算法是在EEMD的基礎上改進提出的，旨在解決模態混疊和殘留噪聲的問題。分解CEEMDAN所涉及的步驟如下。
步驟1：原信號
中加入高斯白噪聲：
 |
其中，
是噪聲的標準差，
是第j次分解后的加入的高斯白噪聲。
步驟2：對
進行N次EMD分解，得到第一階分量
，如式(2)所示：
 |
步驟3：得到第一階殘余分量：
 |
步驟4：當
的極值點數超過2時，將第一階殘差
加到第一階模態算子上，形成一個新的殘差信號
，再進行EMD分解，得到第二階模態分量
：
 |
式中，
為噪聲的第二階標準差，
是EMD分解產生的第一個算子。
步驟5：重復步驟4，直到不能再分離殘差，原始信號
分解為式(5)：
 |
其中K和k分別表示模態分解的次數和層數。第k層分解的k級殘差
如式(6)所示：
 |
第k + 1階模態分量如式(7)所示：
 |
1.3 選擇合適的IMFs重構純凈腸鳴音
要重構鼾聲濾除后的腸鳴音，必須從CEEMDAN分解后得到的IMFs中選擇合適的IMFs。通過對4類腸鳴音信號進行CEEMDAN分解，觀察到IMF1～IMF5都有可能包含腸鳴音信號，如圖2所示是類別2腸鳴音CEEMDAN方法分解后的IMFs（其他類別的腸鳴音CEEMDAN結果見附件1）。為了達到既能有效濾除鼾聲噪聲又能有效保留腸鳴音信號的最佳重建效果，本文通過部分半模擬數據結合相應的評價指標來確定最優的IMF組合。
圖2
類別2腸鳴音CEEMDAN方法分解后的IMFs
Figure2.
Category 2 bowel sound signals and the IMFs after CEEMDAN method decomposition
2 試驗
2.1 數據獲取
本文分別使用半模擬數據和真實數據對腸鳴音鼾聲噪聲去除效果進行評價，主要針對腸鳴音信號保留程度和鼾聲噪聲去除效果進行定量分析。腸鳴音采集設備采用自研腸鳴音設備，其麥克風芯片是樓氏電子的MEMS麥克風（SPU1410LR5H-QB），采樣率是8 000 Hz，人體采集部位是右下腹位置。本試驗已通過中國人民解放軍總醫院倫理審查委員會批準（倫理號：S2022-341-01），受試者在試驗前簽署了知情同意書，采集地點是中國人民解放軍總醫院第一醫學中心睡眠監測中心。
2.2 半模擬數據及評價方法
半模擬數據由純凈的腸鳴音信號和純凈的鼾聲信號混合而成，混合模型如式（8）所示：
 |
其中，
是混合而成的半模擬數據，
是純凈的腸鳴音信號，
是純凈的鼾聲信號，
是噪聲所占的比重。通過調整
能夠得到不同信噪比的半模擬數據。純凈的腸鳴音片段和純凈的鼾聲片段都是按照經驗挑選的，并對挑選出的片段做100～1 000Hz的帶通，以去除心音和其他高頻噪聲的影響。純凈的腸鳴音片段分為4類，分別是類別1（SB）、類別2（MB）、類別3（RCS）和類別4（HS）。
對于半模擬數據，每種類型的腸鳴音對應的7個SNR值均有35個片段，每種類別的腸鳴音片段共計245段。半模擬數據對應的評價指標，選擇均方根誤差（root mean square error，RMSE）和相關系數（correlation coefficient，CC）。相關系數可以表征去噪后腸鳴音和純凈腸鳴音之間的相關性［見式(9)］，可以體現去噪后純凈腸鳴音的保留程度。均方根誤差可以表征純凈腸鳴音的噪聲去除效果，通過式(10)計算均方根誤差，該值越小，表示噪聲去除效果越好。
 |
 |
通過CC和RMSE參數，將本文的CEEMDAN算法與常用的小波去噪和EMD算法進行對比，驗證本文算法的去噪能力。
2.3 真實數據及評價方法
本文的真實數據是自研腸鳴音設備采集的30 min受鼾聲干擾的腸鳴音片段。由于在真實數據中無法獲得純凈的腸鳴音，所以無法計算半模擬數據中的評價指標。因此，本文將三種去噪算法分別結合同樣的有效腸鳴音片段識別算法[22]，通過有效腸鳴音片段的識別準確率指標來進行三種去噪算法的間接評價。有效腸鳴音的識別準確率越高，說明算法去噪效果越好。識別準確率指標具體包括：準確度（accuracy）、敏感度（sensitivity）和特異度（specificity），見公式(11)～(13)，其中，TP表示人工標注的有效腸鳴音片段被正確識別，FP表示人工標注的噪聲片段被錯誤識別為有效腸鳴音，TN表示人工標注為噪聲的片段被正確識別為噪聲部分，FN表示人工標注的有效腸鳴音片段被錯誤識別為噪聲部分，E(.)表示對應段的能量。之所以用能量來計算評價指標，一方面是因為它能更好地表達有效腸鳴音這種能量突然聚集的瞬態信號的識別效果；另一方面，對于長時程的腸鳴音信號識別，一些未被識別的特別低能量的腸鳴音片段對長時程腸鳴音影響很小。
 |
 |
 |
3 結果與討論
3.1 半模擬數據結果分析
3.1.1 確定重構濾波后腸鳴音的IMFs
通過CEEMDAN分解后的IMFs中，IMF1～IMF5中都存在腸鳴音信號成分，為了明確重構純凈腸鳴音的IMFs，本文對所有半模擬數據經過分解后得到的IMFs分別重構IMF1～IMF3，IMF1～IMF4和IMF1～IMF5，對比重構后信號與純凈腸鳴音的RMSE和CC。由于數據不符合正態分布，因此使用非參數檢驗來進行統計分析，具體的，采用Kruskal-Wallis H檢驗進行統計分析，多重檢驗采用Bonferroni校正方法對顯著性值進行調整。如表1所示，Kruskal-Wallis檢驗結果為：H = 64.866，P < 0.001，表明IMF1～IMF3（A組）、IMF1～IMF4（B組）和IMF1～IMF5（C組）三組差異具有統計學意義。經過兩兩比較，RMSE和CC兩兩組別之間均有統計學差異，而且B組的CC最高，A組的RMSE中位數和B組的一致，但是B組的四分位距更小，表明其值波動小。通過統計分析結果可得，B組是重構純凈腸鳴音的最佳選擇。在后續CEEMDAN方法與別的方法比較濾波效果的過程中，均采用IMF1～IMF4實濾波后腸鳴音信號重構。
表1
不同分量重構后濾波效果性能評價
Table1.
Performance evaluation of filtering effect after reconstruction of different components
3.1.2 不同算法噪聲濾除效果對比
對每段數據都使用CEEMDAN、小波去噪和EMD三種算法進行鼾聲去噪處理。本文通過計算同一種類型的腸鳴音所對應的RMSE和CC的平均值和標準差，來評價算法的噪聲去除效果和穩定性。
圖3和圖4分別展示了4種類別腸鳴音與純凈鼾聲噪聲混合而成的半模擬數據的鼾聲去除效果對比。從圖中可以看出，黑線表示的CEEMDAN方法的RMSE均值最小，CC均值最大，說明與小波去噪方法和EMD方法相比，CEEMDAN方法對睡眠期間腸鳴音信號的鼾聲噪聲去除效果最好。
圖3
不同類別腸鳴音信號不同濾波方法對應的RMSE誤差條圖
Figure3.
Error bar plots of root mean square error of different filtering methods of different types of bowel sound signals
圖4
不同類別腸鳴音信號不同濾波方法對應的CC誤差條圖
Figure4.
Error bar plots of correlation coefficient of different filtering methods of different types of bowel sound signals
3.2 真實數據結果分析
真實數據是分別使用CEEMDAN、小波去噪和EMD三種方法對實際采集的受污染的腸鳴音信號進行鼾聲濾除，然后對濾波后的腸鳴音信號使用同樣的識別方法進行有效腸鳴音片段識別，再分別比較識別準確度、敏感度和特異度，其中準確度綜合表達識別效果，靈敏度更能表達有效腸鳴音的識別能力，特異度更能表達噪聲識別能力，所以對于噪聲去除后的腸鳴音信號，準確度和靈敏度更能表達有效腸鳴音的識別效果。如表2所示，相比于小波去噪和EMD方法，CEEMDAN方法噪聲去除后的識別效果最好。EMD方法噪聲去除后的識別效果指標中，雖然準確度高達90.90%，但是靈敏度只有71.55%，這是因為有效腸鳴音片段只占整體腸鳴音信號的一小部分，準確度數值受占比較大的噪聲片段影響，因此靈敏度數值更能體現占比較小的有效腸鳴音的識別效果。
表2
不同噪聲濾除方法處理后的有效腸鳴音片段識別效果
Table2.
The identification effect of effective bowel sound segments after different noise filtering methods
4 結論
腸鳴音是腸動力無創評估的重要方法，然而，由于睡眠期間鼾聲噪聲的影響，這種方法在評估睡眠期間腸道動力時受到嚴重影響。本文提出使用CEEMDAN方法實現睡眠期間腸鳴音信號的鼾聲噪聲去除，與小波去噪方法和EMD方法相比，CEEMDAN方法在半模擬數據及對應的直接評價指標上顯示出最小的RMSE和最大的CC；在真實數據及對應的間接評價指標上顯示CEEMDAN方法對應結果有最準確的有效腸鳴音片段識別效果，驗證了CEEMDAN算法能夠在去除鼾聲噪聲的同時，還可以最大化保留腸鳴音信息。本文的實現為腸鳴音用于睡眠期間腸動力評估奠定了堅實基礎，具有重要的臨床和研究價值。
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：王國靜、王衛東負責研究框架設計、實驗方案設計，王國靜負責算法實現、數據處理與分析以及文稿撰寫，王衛東和劉洪運負責對文稿進行完善修改和最后定稿。
倫理聲明：本研究通過中國人民解放軍總醫院醫學倫理委員會的審批（批文編號：S2022-341-01）。
本文附件見本刊網站的電子版本（biomedeng.cn）。
0 引言
睡眠是影響身心健康的重要生理過程[1]。最近的研究表明，微生物-大腦-腸道軸在調節睡眠行為方面起著重要作用，并與睡眠障礙的發生有關[2-3]，這凸顯了睡眠與腸道健康之間的密切關系。目前還沒有一種廣泛適用的方法，可以對睡眠期間的腸道狀況進行長時間的連續評估。近年來，多項研究證明了腸鳴音在評估腸道運動方面的有效性和可靠性[4-7]，而睡眠狀態尤其適合采集腸鳴音。安靜的睡眠環境、較低的環境噪音以及受試者沒有劇烈和頻繁的活動，為使用腸鳴音評估腸道動力提供了高質量的背景[8]。
要將腸鳴音信號有效應用于臨床，需要進行噪聲去除，以確保信號的質量。干擾腸鳴音的噪聲主要分為三類：外部環境噪聲、內部生理噪聲和設備噪聲。外部環境噪聲指的是采集環境中的各種聲學噪聲，內部生理噪聲是指受試者體內產生的噪聲，比如呼吸聲、心音、說話聲等，設備噪聲是指設備采集噪聲和設備摩擦產生的噪聲[9]。針對這些噪聲的去除方法主要包括自適應濾波方法[4]、小波變換[10-11]、回歸方法[9]、多元經驗模態分解[12]等。
與日間采集的腸鳴音相比，睡眠期間的腸鳴音噪聲較少，主要由內部生理噪聲組成，如心音噪聲和鼾聲噪聲。心音噪聲頻率聚集在100 Hz以下[13]，而腸鳴音的主要頻率范圍在100～1 000 Hz[4, 14-15]，因此預處理時使用100～1 000 Hz的帶通濾波正好同時濾除了心音噪聲。鼾聲噪聲對于腸鳴音的影響比較復雜，一方面鼾聲的頻率范圍和腸鳴音的頻率范圍是重疊的[16]；另一方面，鼾聲不僅會從體外傳播干擾腸鳴音信號，而且還會通過體內傳播與腸鳴音混合在一起后進入腸鳴音采集設備中。然而，有相當一部分人在睡眠時會打鼾，因此，鼾聲噪聲的優化處理，對基于腸鳴音的睡眠期間腸動力評估非常關鍵。但是，目前尚未有研究涉及腸鳴音信號中的鼾聲噪聲濾除。
對于睡眠期間腸鳴音的鼾聲噪聲去除，本文嘗試使用經驗模態分解方法（empirical mode decomposition，EMD）來實現。EMD由Huang等[17]在1998年提出，已廣泛應用于非線性和非平穩數據分析中。EMD的優勢在于它是數據驅動和自適應的，不需要任何先驗知識便可實現非平穩信號分解。但是EMD算法有模態混疊問題，為此相繼出現了優化算法，包括集合經驗模態分解（ensemble EMD，EEMD）[18]和自適應噪聲的完備集合經驗模態分解（complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN）[19]。其中，CEEMDAN方法是在EEMD方法基礎上的進一步優化，能夠有效解決模態混疊問題，并通過逐層添加自適應噪聲的分解方法減少了整體的噪聲引入，是一種性能更好的信號分解方法[20]。
基于此，本研究針對睡眠期間腸鳴音的鼾聲噪聲進行去除，對已有研究[21]提出的不同類別的腸鳴音信號，包括單次爆發腸鳴音（single burst，SB，類別1）、多次爆發腸鳴音（multiple bursts，MB，類別2）、隨機連續腸鳴音（random continued sound，RCS，類別3）和諧音腸鳴音（harmonic sound，HS，類別4），使用CEEMDAN方法實現不同類別腸鳴音的鼾聲噪聲去除。通過CEEMDAN將受鼾聲污染的腸鳴音信號分解為數量有限的固有模態分量（intrinsic mode functions，IMFs），然后通過經驗和結果對比來選擇目標IMFs，重構出純凈的腸鳴音信號。最后，使用半模擬數據和真實數據對本算法進行驗證。
1 方法介紹
1.1 算法整體設計
本文提出的針對睡眠期間腸鳴音的鼾聲噪聲濾除方法整體流程如圖1所示。首先對被污染的腸鳴音信號進行100～1 000 Hz的帶通濾波預處理；然后對預處理后的信號進行CEEMDAN分解。考慮到通過CEEMDAN分解后的IMFs中，IMF1～IMF5中都存在腸鳴音信號成分，為了確定重構純凈腸鳴音的IMFs，本文通過半模擬數據的分解驗證，分別對IMF1～IMF3、IMF1～IMF4和IMF1～IMF5重構信號，使用部分半模擬數據結合評價參數，并進行統計學分析，確定最優重構分量，最后對相應的模態分量進行重構獲得純凈的腸鳴音信號。
圖1
睡眠期間腸鳴音信號的鼾聲噪聲濾除流程圖
Figure1.
Flow chart of snoring noise filtering of bowel sound signals during sleep
1.2 CEEMDAN
CEEMDAN是對EMD算法的改進。EMD算法的關鍵思想是將非線性波形信號轉換為一系列單頻分量信號和殘差信號。但是EMD算法在分解過程中，局部極點會多次跳變，從而導致模態混疊。EEMD算法是對EMD的一種改進算法，通過引入輔助白噪聲在一定程度上抑制模態混疊，然而EEMD分解的分量存在噪聲殘留，降低了分解效率，導致重建誤差較大。CEEMDAN算法是在EEMD的基礎上改進提出的，旨在解決模態混疊和殘留噪聲的問題。分解CEEMDAN所涉及的步驟如下。
步驟1：原信號中加入高斯白噪聲：
|
其中，是噪聲的標準差，是第j次分解后的加入的高斯白噪聲。
步驟2：對進行N次EMD分解，得到第一階分量，如式(2)所示：
|
步驟3：得到第一階殘余分量：
|
步驟4：當的極值點數超過2時，將第一階殘差加到第一階模態算子上，形成一個新的殘差信號，再進行EMD分解，得到第二階模態分量：
|
式中，為噪聲的第二階標準差，是EMD分解產生的第一個算子。
步驟5：重復步驟4，直到不能再分離殘差，原始信號分解為式(5)：
|
其中K和k分別表示模態分解的次數和層數。第k層分解的k級殘差如式(6)所示：
|
第k + 1階模態分量如式(7)所示：
|
1.3 選擇合適的IMFs重構純凈腸鳴音
要重構鼾聲濾除后的腸鳴音，必須從CEEMDAN分解后得到的IMFs中選擇合適的IMFs。通過對4類腸鳴音信號進行CEEMDAN分解，觀察到IMF1～IMF5都有可能包含腸鳴音信號，如圖2所示是類別2腸鳴音CEEMDAN方法分解后的IMFs（其他類別的腸鳴音CEEMDAN結果見附件1）。為了達到既能有效濾除鼾聲噪聲又能有效保留腸鳴音信號的最佳重建效果，本文通過部分半模擬數據結合相應的評價指標來確定最優的IMF組合。
圖2
類別2腸鳴音CEEMDAN方法分解后的IMFs
Figure2.
Category 2 bowel sound signals and the IMFs after CEEMDAN method decomposition
2 試驗
2.1 數據獲取
本文分別使用半模擬數據和真實數據對腸鳴音鼾聲噪聲去除效果進行評價，主要針對腸鳴音信號保留程度和鼾聲噪聲去除效果進行定量分析。腸鳴音采集設備采用自研腸鳴音設備，其麥克風芯片是樓氏電子的MEMS麥克風（SPU1410LR5H-QB），采樣率是8 000 Hz，人體采集部位是右下腹位置。本試驗已通過中國人民解放軍總醫院倫理審查委員會批準（倫理號：S2022-341-01），受試者在試驗前簽署了知情同意書，采集地點是中國人民解放軍總醫院第一醫學中心睡眠監測中心。
2.2 半模擬數據及評價方法
半模擬數據由純凈的腸鳴音信號和純凈的鼾聲信號混合而成，混合模型如式（8）所示：
|
其中，是混合而成的半模擬數據，是純凈的腸鳴音信號，是純凈的鼾聲信號，是噪聲所占的比重。通過調整能夠得到不同信噪比的半模擬數據。純凈的腸鳴音片段和純凈的鼾聲片段都是按照經驗挑選的，并對挑選出的片段做100～1 000Hz的帶通，以去除心音和其他高頻噪聲的影響。純凈的腸鳴音片段分為4類，分別是類別1（SB）、類別2（MB）、類別3（RCS）和類別4（HS）。
對于半模擬數據，每種類型的腸鳴音對應的7個SNR值均有35個片段，每種類別的腸鳴音片段共計245段。半模擬數據對應的評價指標，選擇均方根誤差（root mean square error，RMSE）和相關系數（correlation coefficient，CC）。相關系數可以表征去噪后腸鳴音和純凈腸鳴音之間的相關性［見式(9)］，可以體現去噪后純凈腸鳴音的保留程度。均方根誤差可以表征純凈腸鳴音的噪聲去除效果，通過式(10)計算均方根誤差，該值越小，表示噪聲去除效果越好。
|
|
通過CC和RMSE參數，將本文的CEEMDAN算法與常用的小波去噪和EMD算法進行對比，驗證本文算法的去噪能力。
2.3 真實數據及評價方法
本文的真實數據是自研腸鳴音設備采集的30 min受鼾聲干擾的腸鳴音片段。由于在真實數據中無法獲得純凈的腸鳴音，所以無法計算半模擬數據中的評價指標。因此，本文將三種去噪算法分別結合同樣的有效腸鳴音片段識別算法[22]，通過有效腸鳴音片段的識別準確率指標來進行三種去噪算法的間接評價。有效腸鳴音的識別準確率越高，說明算法去噪效果越好。識別準確率指標具體包括：準確度（accuracy）、敏感度（sensitivity）和特異度（specificity），見公式(11)～(13)，其中，TP表示人工標注的有效腸鳴音片段被正確識別，FP表示人工標注的噪聲片段被錯誤識別為有效腸鳴音，TN表示人工標注為噪聲的片段被正確識別為噪聲部分，FN表示人工標注的有效腸鳴音片段被錯誤識別為噪聲部分，E(.)表示對應段的能量。之所以用能量來計算評價指標，一方面是因為它能更好地表達有效腸鳴音這種能量突然聚集的瞬態信號的識別效果；另一方面，對于長時程的腸鳴音信號識別，一些未被識別的特別低能量的腸鳴音片段對長時程腸鳴音影響很小。
|
|
|
3 結果與討論
3.1 半模擬數據結果分析
3.1.1 確定重構濾波后腸鳴音的IMFs
通過CEEMDAN分解后的IMFs中，IMF1～IMF5中都存在腸鳴音信號成分，為了明確重構純凈腸鳴音的IMFs，本文對所有半模擬數據經過分解后得到的IMFs分別重構IMF1～IMF3，IMF1～IMF4和IMF1～IMF5，對比重構后信號與純凈腸鳴音的RMSE和CC。由于數據不符合正態分布，因此使用非參數檢驗來進行統計分析，具體的，采用Kruskal-Wallis H檢驗進行統計分析，多重檢驗采用Bonferroni校正方法對顯著性值進行調整。如表1所示，Kruskal-Wallis檢驗結果為：H = 64.866，P < 0.001，表明IMF1～IMF3（A組）、IMF1～IMF4（B組）和IMF1～IMF5（C組）三組差異具有統計學意義。經過兩兩比較，RMSE和CC兩兩組別之間均有統計學差異，而且B組的CC最高，A組的RMSE中位數和B組的一致，但是B組的四分位距更小，表明其值波動小。通過統計分析結果可得，B組是重構純凈腸鳴音的最佳選擇。在后續CEEMDAN方法與別的方法比較濾波效果的過程中，均采用IMF1～IMF4實濾波后腸鳴音信號重構。
表1
不同分量重構后濾波效果性能評價
Table1.
Performance evaluation of filtering effect after reconstruction of different components
3.1.2 不同算法噪聲濾除效果對比
對每段數據都使用CEEMDAN、小波去噪和EMD三種算法進行鼾聲去噪處理。本文通過計算同一種類型的腸鳴音所對應的RMSE和CC的平均值和標準差，來評價算法的噪聲去除效果和穩定性。
圖3和圖4分別展示了4種類別腸鳴音與純凈鼾聲噪聲混合而成的半模擬數據的鼾聲去除效果對比。從圖中可以看出，黑線表示的CEEMDAN方法的RMSE均值最小，CC均值最大，說明與小波去噪方法和EMD方法相比，CEEMDAN方法對睡眠期間腸鳴音信號的鼾聲噪聲去除效果最好。
圖3
不同類別腸鳴音信號不同濾波方法對應的RMSE誤差條圖
Figure3.
Error bar plots of root mean square error of different filtering methods of different types of bowel sound signals
圖4
不同類別腸鳴音信號不同濾波方法對應的CC誤差條圖
Figure4.
Error bar plots of correlation coefficient of different filtering methods of different types of bowel sound signals
3.2 真實數據結果分析
真實數據是分別使用CEEMDAN、小波去噪和EMD三種方法對實際采集的受污染的腸鳴音信號進行鼾聲濾除，然后對濾波后的腸鳴音信號使用同樣的識別方法進行有效腸鳴音片段識別，再分別比較識別準確度、敏感度和特異度，其中準確度綜合表達識別效果，靈敏度更能表達有效腸鳴音的識別能力，特異度更能表達噪聲識別能力，所以對于噪聲去除后的腸鳴音信號，準確度和靈敏度更能表達有效腸鳴音的識別效果。如表2所示，相比于小波去噪和EMD方法，CEEMDAN方法噪聲去除后的識別效果最好。EMD方法噪聲去除后的識別效果指標中，雖然準確度高達90.90%，但是靈敏度只有71.55%，這是因為有效腸鳴音片段只占整體腸鳴音信號的一小部分，準確度數值受占比較大的噪聲片段影響，因此靈敏度數值更能體現占比較小的有效腸鳴音的識別效果。
表2
不同噪聲濾除方法處理后的有效腸鳴音片段識別效果
Table2.
The identification effect of effective bowel sound segments after different noise filtering methods
4 結論
腸鳴音是腸動力無創評估的重要方法，然而，由于睡眠期間鼾聲噪聲的影響，這種方法在評估睡眠期間腸道動力時受到嚴重影響。本文提出使用CEEMDAN方法實現睡眠期間腸鳴音信號的鼾聲噪聲去除，與小波去噪方法和EMD方法相比，CEEMDAN方法在半模擬數據及對應的直接評價指標上顯示出最小的RMSE和最大的CC；在真實數據及對應的間接評價指標上顯示CEEMDAN方法對應結果有最準確的有效腸鳴音片段識別效果，驗證了CEEMDAN算法能夠在去除鼾聲噪聲的同時，還可以最大化保留腸鳴音信息。本文的實現為腸鳴音用于睡眠期間腸動力評估奠定了堅實基礎，具有重要的臨床和研究價值。
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：王國靜、王衛東負責研究框架設計、實驗方案設計，王國靜負責算法實現、數據處理與分析以及文稿撰寫，王衛東和劉洪運負責對文稿進行完善修改和最后定稿。
倫理聲明：本研究通過中國人民解放軍總醫院醫學倫理委員會的審批（批文編號：S2022-341-01）。
本文附件見本刊網站的電子版本（biomedeng.cn）。
