基于新进化优化BP学习算法的心音识别方法
发布时间：2021-07-16 13:48
为提高人工智能辅助诊断心音识别的准确率,根据心音信号的周期性特点,提出以快速主成分分析算法对心音信号降维和提取特征,同时基于单形进化算法,优化BP神经网络学习算法的输出与期望的误差函数,以改进BP神经网络的学习性能,实现对心音信号高准确度的分类识别.针对正常心音及8类异常心音信号进行性能分析与测试,实验结果表明,各类心音的平均识别率为95.96%,改进算法比其他对比算法识别率分别提高了4.9%,3.9%,1.9%,表明该算法能更有效地分类识别心音信号,提高人工辅助诊断的识别率.
【文章来源】：吉林大学学报(理学版). 2020,58(05)北大核心
【文章页数】：7 页
【部分图文】：
BP神经网络结构
SSSE算法是基于单形邻域与多角色进化策略的智能优化算法. 该算法的实现原理为: 基于随机选取二维子空间, 利用定义的粒子单形邻域, 实现单形凸集逼近搜索[9], 提高粒子勘探局部区域与算法收敛的性能. 同时, 在搜索策略中引入粒子多角色态, 实现粒子多样化, 提高搜索的全局性[10]. 将BP误差函数作为SSSE算法优化的目标函数, 其实现优化的过程如图2所示.SSSE算法优化步骤如下:
将上述9类心音各112个样本, 利用FastPCA算法进行降维特征提取, 得到9类112×36组数据, 选取部分特征值, 列举出9类心音各一组样本的特征值如图3所示. 每类选取90组用于SSSE-BP神经网络的训练, 22组用于测试, 各类心音识别率列于表1. 由表1可见, 9类心音共198个测试样本, 正确识别190个, 总体识别率为95.96%, 具有较好的识别率. 表2为本文经SSSE算法优化的BP神经网络与传统BP神经网络的心音识别率对比. 由表2可见, 本文模型的心音识别率为95.96%, 远优于传统BP神经网络模型的识别率. 上述两种实验方法结果的误差曲线如图4所示.表1 各类心音识别率Table 1 Recognition rates of various heart sounds 序号 心音类别 测试样本 正确识别样本 识别率/% 序号 心音类别 测试样本 正确识别样本 识别率/% 1 正常心音 22 22 100.00 6 二尖瓣关闭不全 22 21 95.45 2 第一心音减弱 22 20 90.91 7 二尖瓣狭窄 22 21 95.45 3 第二心音增强 22 22 100.00 8 二联律 22 22 100.00 4 第二心音减弱 22 21 95.45 9 心包摩擦音 22 21 95.45 5 主动脉瓣关闭不全 22 20 90.91 总计 198 190 95.96
【参考文献】：
期刊论文
[1]一种光电容积脉搏波的特征点自动识别算法[J]. 李思楠,王素新. 医用生物力学. 2019(04)
[2]基于一种新智能优化算法与谱相关方法对重力固体潮的分析[J]. 高略,全海燕. 地震工程学报. 2018(03)
[3]基于PCA-SOM的异常心音分类识别方法的研究[J]. 刘喻,唐雪辉,陈洪波,徐绍凯,范琳,梁庆德. 航天医学与医学工程. 2018(01)
[4]基于一种单纯形邻域与多角色进化策略算法的重力固体潮信号独立成分分析[J]. 全海燕,高略. 地球物理学进展. 2018(04)
[5]基于MFCC的心音信号特征提取及识别研究[J]. 刘翔,孙静,赵洋,王威廉. 电子测量技术. 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号自动识别[J]. 向昌盛. 南京理工大学学报. 2016(05)
[8]心音信号特征分析与识别方法研究[J]. 周克良,王亚光,叶岑. 广西师范大学学报(自然科学版). 2015(03)
[9]DWT和Fast PCA与SVM在人脸识别技术中的应用[J]. 于玲,刘彦隆,郭建军. 电视技术. 2012(23)
[10]基于PCA+LDA的热红外成像人脸识别[J]. 华顺刚,周羽,刘婷. 模式识别与人工智能. 2008(02)
硕士论文
[1]改进BP神经网络在心音身份识别中的应用研究[D]. 马永华.南京邮电大学 2011
本文编号：3287130
【文章来源】：吉林大学学报(理学版). 2020,58(05)北大核心
【文章页数】：7 页
【部分图文】：
BP神经网络结构
SSSE算法是基于单形邻域与多角色进化策略的智能优化算法. 该算法的实现原理为: 基于随机选取二维子空间, 利用定义的粒子单形邻域, 实现单形凸集逼近搜索[9], 提高粒子勘探局部区域与算法收敛的性能. 同时, 在搜索策略中引入粒子多角色态, 实现粒子多样化, 提高搜索的全局性[10]. 将BP误差函数作为SSSE算法优化的目标函数, 其实现优化的过程如图2所示.SSSE算法优化步骤如下:
将上述9类心音各112个样本, 利用FastPCA算法进行降维特征提取, 得到9类112×36组数据, 选取部分特征值, 列举出9类心音各一组样本的特征值如图3所示. 每类选取90组用于SSSE-BP神经网络的训练, 22组用于测试, 各类心音识别率列于表1. 由表1可见, 9类心音共198个测试样本, 正确识别190个, 总体识别率为95.96%, 具有较好的识别率. 表2为本文经SSSE算法优化的BP神经网络与传统BP神经网络的心音识别率对比. 由表2可见, 本文模型的心音识别率为95.96%, 远优于传统BP神经网络模型的识别率. 上述两种实验方法结果的误差曲线如图4所示.表1 各类心音识别率Table 1 Recognition rates of various heart sounds 序号 心音类别 测试样本 正确识别样本 识别率/% 序号 心音类别 测试样本 正确识别样本 识别率/% 1 正常心音 22 22 100.00 6 二尖瓣关闭不全 22 21 95.45 2 第一心音减弱 22 20 90.91 7 二尖瓣狭窄 22 21 95.45 3 第二心音增强 22 22 100.00 8 二联律 22 22 100.00 4 第二心音减弱 22 21 95.45 9 心包摩擦音 22 21 95.45 5 主动脉瓣关闭不全 22 20 90.91 总计 198 190 95.96
【参考文献】：
期刊论文
[1]一种光电容积脉搏波的特征点自动识别算法[J]. 李思楠,王素新. 医用生物力学. 2019(04)
[2]基于一种新智能优化算法与谱相关方法对重力固体潮的分析[J]. 高略,全海燕. 地震工程学报. 2018(03)
[3]基于PCA-SOM的异常心音分类识别方法的研究[J]. 刘喻,唐雪辉,陈洪波,徐绍凯,范琳,梁庆德. 航天医学与医学工程. 2018(01)
[4]基于一种单纯形邻域与多角色进化策略算法的重力固体潮信号独立成分分析[J]. 全海燕,高略. 地球物理学进展. 2018(04)
[5]基于MFCC的心音信号特征提取及识别研究[J]. 刘翔,孙静,赵洋,王威廉. 电子测量技术. 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号自动识别[J]. 向昌盛. 南京理工大学学报. 2016(05)
[8]心音信号特征分析与识别方法研究[J]. 周克良,王亚光,叶岑. 广西师范大学学报(自然科学版). 2015(03)
[9]DWT和Fast PCA与SVM在人脸识别技术中的应用[J]. 于玲,刘彦隆,郭建军. 电视技术. 2012(23)
[10]基于PCA+LDA的热红外成像人脸识别[J]. 华顺刚,周羽,刘婷. 模式识别与人工智能. 2008(02)
硕士论文
[1]改进BP神经网络在心音身份识别中的应用研究[D]. 马永华.南京邮电大学 2011
本文编号：3287130
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3287130.html
