心音分類可用于檢出異常心音、發(fā)現(xiàn)心血管病患者,在心血管病診斷方面能發(fā)揮重要作用,是基于心音信號的心血管病自動診斷領(lǐng)域的主要研究熱點,吸引了眾多國內(nèi)外學(xué)者的研究興趣。傳統(tǒng)上基于經(jīng)驗選擇心音信號特征以執(zhí)行分類任務(wù)的方法,存在有效特征獲取難、分類效果欠佳等不足。隨著人工智能技術(shù)的發(fā)展,近年來深度學(xué)習(xí)已成為研究心音分類的主流方法,在分類性能上取得了較大提升�；谏疃葘W(xué)習(xí)的心音分類網(wǎng)絡(luò)一般都基于較大的神經(jīng)網(wǎng)絡(luò)所建立,需要大量訓(xùn)練樣本來優(yōu)化其權(quán)值。但是,現(xiàn)實中采集大量的心音數(shù)據(jù)是困難且昂貴的,從而導(dǎo)致難以獲取充足的心音訓(xùn)練樣本。因此,心音分類面臨著小樣本問題的挑戰(zhàn),且目前缺乏有效的解決方法。本文針對小樣本心音分類,主要做了以下工作:（1）提出了基于監(jiān)督閾值的心音分類方法,解決了當(dāng)前基于原始心音樣本分割的訓(xùn)練數(shù)據(jù)擴增方式所導(dǎo)致的原始心音樣本標(biāo)簽估計問題。在主流的基于深度學(xué)習(xí)網(wǎng)絡(luò)的心音分類方法中,先將原始心音訓(xùn)練樣本分割為多個片段,再將每個片段用于訓(xùn)練分類網(wǎng)絡(luò),從而實現(xiàn)訓(xùn)練數(shù)據(jù)的擴增,是解決心音訓(xùn)練樣本不足的主要手段。但這會導(dǎo)致一個問題,即在進(jìn)行預(yù)測時,如何根據(jù)片段的預(yù)測結(jié)果來估計原始心音樣本的標(biāo)簽。... 

【文章來源】：廣東工業(yè)大學(xué)廣東省

【文章頁數(shù)】：101 頁

【學(xué)位級別】：博士

【部分圖文】：

圖２－１血液循環(huán)流動示意圖??Ｆｉ．２－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｒａｍ?ｏｆ?ｂｌｏｏｄ?ｃｉｒｃｕｌａｔｉｏｎ??

?廣東工業(yè)大學(xué)博士學(xué)位論文???張，心室內(nèi)壓繼續(xù)下降，當(dāng)心室內(nèi)壓低于心房內(nèi)壓時，心房內(nèi)的血液沖開房室瓣流入??心室。此時，心房和心室都處于舒張狀態(tài)，房室瓣開放著，而動脈瓣關(guān)閉著。此后，??隨著心房舒張期的結(jié)束（此時心室舒張尚未結(jié)束），心臟活動進(jìn)入下一個心動周期。??在一個心動周期中，心房與心室收縮和舒張的時間關(guān)系示意圖如圖２－３所示。??心房?收縮?舒張???心動周期???心室?舒張?收縮?舒張??圖２－３心房與心室收縮和舒張的時間關(guān)系示意圖??Ｆｉｇ．２－３?Ｔｈｅ?ｔｅｍｐｏｒａｌ?ｒｅｌａｔｉｏｎｓｈｉｐ?ｂｅｔｗｅｅｎ?ａｔｒｉａ?ａｎｄ?ｖｅｎｔｒｉｃｌｅ?ｉｎ?ｓｙｓｔｏｌｅ?ａｎｄ?ｄｉａｓｔｏｌｅ??從圖２－３可以看出，在心臟周期性的活動中，心房與心室有各自的心動周期，且??二者心動周期的時間是重疊的。由于心室對心臟的泵血活動起主要作用，所以心臟的??心動周期通常是指心室的活動周期。心臟活動即是由一連串的的心動周期組合而成，??因此，心動周期可以作為分析心臟機械活動的基本單元［１°２］。??總的來說，心音是由心臟搏動和血液流動所產(chǎn)生的［８３］，是心臟及心血管系統(tǒng)機械??運動狀況的反映。因此，心音是心血管病診斷的重要信息來源。心音信號隨心臟收縮??和舒張呈現(xiàn)出周期性的變化。按時間順序，心音信號中一個完整的心動周期依次包含??第一心音（Ｓ１）、收縮期（Ｓｙｓｔｏｌｅ）、第二心音（Ｓ２）、舒張期（Ｄｉａｓｔｏｌｅ）等四個部??分，如圖２－４所示。??＾?收縮期?ｋ?＾?舒張期?ｋ??〇．〇６?—????—￣（?，???ｖ?—第一心音??００４?－第一心

?頻特征￣＞?分類器?＞?分??２５－４５Ｈｚ?Ｉ?ｗｌ?｜｜?｜?類?＿?正常??ｉ頻帶信號■四?「片段１結(jié)果??！?結(jié)，??個?ＣＲ１?果??：４５－８０ＨＺ?＾頻?全?里?ＣＲ１、融常??｜頻帶信號Ｔ帶ｉ二維“連丄片＾口果ＣＲ２、＝合異吊??丨?８０－２＿?丄信?＞?ＣＮＮ?—接—叫?ＣＲ２?－＞??Ｉ頻帶信號＾＞?２?ｍ?：?ＳＳ?Ｕ??丨結(jié)?片段ｎ結(jié)果?干均??２００－４００ＨＺ＿＾合?ＣＲｎ????丨頻帶信號ＴＨ?Ｉ?｜二維ＣＮＮ分類器??圖２－６?ＴＦＦ２ｄＣＮＮ方法的二維ＣＮＮ分類模型??Ｆｉｇ．２－６?Ｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌ?ＣＮＮ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｍｏｄｅｌ?ｉｎ?ｔｈｅ?ＴＦＦ２ｄＣＮＮ?ｍｅｔｈｏｄ??在對ＴＦＦ２ｄＣＮＮ方法進(jìn)行編程實現(xiàn)時，對心音信號進(jìn)行預(yù)處理、心音分割和特征??提取的實驗代碼以及利用１２４個時頻特征對Ａｄａｂｏｏｓｔ分類器進(jìn)行訓(xùn)練和預(yù)測的實驗代??碼在ＭａｔｌａｂＲ２０１７ａ上進(jìn)行編寫，在Ｗｉｎｄｏｕｗｓ?１０系統(tǒng)下運行；利用４個頻帶信號對二??維ＣＮＮ分類器進(jìn)行訓(xùn)練和預(yù)測的實驗代碼在ＴｅｎｓｏｒＨｏｗ［８１Ｐ?Ｐｙｔｈｏｎ?３．５框架下進(jìn)行編??寫，在Ｕｂｕｎｔｕ?１８．０４系統(tǒng)和型號為ＩＮＶＩＤＩＡ?ＴＩＴＡＮ?Ｖ的ＧＰＵ上運行；兩個分類器的??預(yù)測結(jié)果融合決策的實驗代碼在Ｐｙｔｈｏｎ?３．５上進(jìn)行編寫。??（３）?ＳＣＳＶＭ?方法??Ｗｈｉｔａｋｅｒ等［７８］提出的ＳＣＳＶＭ方法通過ＳＶＭ分類器將基于稀疏編碼的頻域特征和??時域特征融合，以實現(xiàn)心音分類。如圖２－７所示，該方法的實現(xiàn)流程如下：按心動周??期將心音信號分割為

【參考文獻(xiàn)】：
期刊論文
[1]基于CNN和RNN聯(lián)合網(wǎng)絡(luò)的心音自動分類[J]. 李偉,楊向東,陳懇.  計算機工程與設(shè)計. 2020(01)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的先心病心音信號分類算法[J]. 譚朝文,王威廉,宗容,潘家華,楊宏波.  生物醫(yī)學(xué)工程學(xué)雜志. 2019(05)
[3]基于CNN的心音特征融合分類方法[J]. 韓威,李昌,劉厶元,劉偉鑫,邱澤帆.  自動化與信息工程. 2019(05)
[4]基于LMS-PNN算法在心音識別與預(yù)測中的應(yīng)用[J]. 周克良,王佳佳.  數(shù)據(jù)采集與處理. 2019(05)
[5]基于CEEMD的心音信號小波包去噪算法研究[J]. 董利超,郭興明,鄭伊能.  振動與沖擊. 2019(09)
[6]心音信號MFCC特征向量提取方法的優(yōu)化[J]. 許春冬,周靜,應(yīng)冬文,龍清華.  信號處理. 2019(03)
[7]基于coif-5小波的心音自適應(yīng)閾值降噪方法[J]. 許春冬,周靜,龍清華,許瑞龍.  科學(xué)技術(shù)與工程. 2019(02)
[8]帶標(biāo)簽約束的心肺音分離方法[J]. 朱俊霖,王海平,楊祖元.  計算機工程. 2019(12)
[9]L1范數(shù)約束正交子空間非負(fù)矩陣分解[J]. 韓東,蓋杉.  計算機系統(tǒng)應(yīng)用. 2018(09)
[10]心音信號分析[J]. 馬晶,蔡文杰,楊利.  中國醫(yī)學(xué)物理學(xué)雜志. 2017(11)

博士論文
[1]基于循環(huán)平穩(wěn)信號理論的心音信號處理方法研究[D]. 李婷.大連理工大學(xué) 2015

碩士論文
[1]左、右心系統(tǒng)非接觸檢測方法及其傳感器設(shè)計[D]. 周杰.杭州電子科技大學(xué) 2009
[2]基于心內(nèi)超聲組織多普勒成象技術(shù)的竇房結(jié)定量研究[D]. 趙樹魁.四川大學(xué) 2001



本文編號：3440412