為提高人工智能輔助診斷心音識別的準(zhǔn)確率,根據(jù)心音信號的周期性特點(diǎn),提出以快速主成分分析算法對心音信號降維和提取特征,同時基于單形進(jìn)化算法,優(yōu)化BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的輸出與期望的誤差函數(shù),以改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能,實(shí)現(xiàn)對心音信號高準(zhǔn)確度的分類識別.針對正常心音及8類異常心音信號進(jìn)行性能分析與測試,實(shí)驗(yàn)結(jié)果表明,各類心音的平均識別率為95.96%,改進(jìn)算法比其他對比算法識別率分別提高了4.9%,3.9%,1.9%,表明該算法能更有效地分類識別心音信號,提高人工輔助診斷的識別率. 

【文章來源】：吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2020,58(05)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

SSSE算法是基于單形鄰域與多角色進(jìn)化策略的智能優(yōu)化算法. 該算法的實(shí)現(xiàn)原理為: 基于隨機(jī)選取二維子空間, 利用定義的粒子單形鄰域, 實(shí)現(xiàn)單形凸集逼近搜索[9], 提高粒子勘探局部區(qū)域與算法收斂的性能. 同時, 在搜索策略中引入粒子多角色態(tài), 實(shí)現(xiàn)粒子多樣化, 提高搜索的全局性[10]. 將BP誤差函數(shù)作為SSSE算法優(yōu)化的目標(biāo)函數(shù), 其實(shí)現(xiàn)優(yōu)化的過程如圖2所示.SSSE算法優(yōu)化步驟如下:

將上述9類心音各112個樣本, 利用FastPCA算法進(jìn)行降維特征提取, 得到9類112×36組數(shù)據(jù), 選取部分特征值, 列舉出9類心音各一組樣本的特征值如圖3所示. 每類選取90組用于SSSE-BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練, 22組用于測試, 各類心音識別率列于表1. 由表1可見, 9類心音共198個測試樣本, 正確識別190個, 總體識別率為95.96%, 具有較好的識別率. 表2為本文經(jīng)SSSE算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的心音識別率對比. 由表2可見, 本文模型的心音識別率為95.96%, 遠(yuǎn)優(yōu)于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的識別率. 上述兩種實(shí)驗(yàn)方法結(jié)果的誤差曲線如圖4所示.表1 各類心音識別率Table 1 Recognition rates of various heart sounds 序號 心音類別 測試樣本 正確識別樣本 識別率/% 序號 心音類別 測試樣本 正確識別樣本 識別率/% 1 正常心音 22 22 100.00 6 二尖瓣關(guān)閉不全 22 21 95.45 2 第一心音減弱 22 20 90.91 7 二尖瓣狹窄 22 21 95.45 3 第二心音增強(qiáng) 22 22 100.00 8 二聯(lián)律 22 22 100.00 4 第二心音減弱 22 21 95.45 9 心包摩擦音 22 21 95.45 5 主動脈瓣關(guān)閉不全 22 20 90.91 總計(jì) 198 190 95.96

【參考文獻(xiàn)】：
期刊論文
[1]一種光電容積脈搏波的特征點(diǎn)自動識別算法[J]. 李思楠,王素新.  醫(yī)用生物力學(xué). 2019(04)
[2]基于一種新智能優(yōu)化算法與譜相關(guān)方法對重力固體潮的分析[J]. 高略,全海燕.  地震工程學(xué)報(bào). 2018(03)
[3]基于PCA-SOM的異常心音分類識別方法的研究[J]. 劉喻,唐雪輝,陳洪波,徐紹凱,范琳,梁慶德.  航天醫(yī)學(xué)與醫(yī)學(xué)工程. 2018(01)
[4]基于一種單純形鄰域與多角色進(jìn)化策略算法的重力固體潮信號獨(dú)立成分分析[J]. 全海燕,高略.  地球物理學(xué)進(jìn)展. 2018(04)
[5]基于MFCC的心音信號特征提取及識別研究[J]. 劉翔,孫靜,趙洋,王威廉.  電子測量技術(shù). 2018(02)
[6]A Surface-Simplex Swarm Evolution Algorithm[J]. QUAN Haiyan,SHI Xinling.  Wuhan University Journal of Natural Sciences. 2017(01)
[7]高斯混合模型心音信號自動識別[J]. 向昌盛.  南京理工大學(xué)學(xué)報(bào). 2016(05)
[8]心音信號特征分析與識別方法研究[J]. 周克良,王亞光,葉岑.  廣西師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(03)
[9]DWT和Fast PCA與SVM在人臉識別技術(shù)中的應(yīng)用[J]. 于玲,劉彥隆,郭建軍.  電視技術(shù). 2012(23)
[10]基于PCA+LDA的熱紅外成像人臉識別[J]. 華順剛,周羽,劉婷.  模式識別與人工智能. 2008(02)

碩士論文
[1]改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在心音身份識別中的應(yīng)用研究[D]. 馬永華.南京郵電大學(xué) 2011



本文編號：3287130