心音信号的神经网络建模及疾病预测研究

发布时间：2022-12-03 19:42

　　随着人们对健康日益增长的需求,在身体可能出现不正常状况时得到警示以及时就医成为了一个保持健康的良好方式。但是大多数人群并不会评估自己的健康状况,无法及时了解自己身体健康状况变化的征兆。在疾病出现征兆时,及时的预防才是最好的方式。因此,让机器学习人体健康指标的特征,对使用者健康监测成为了当下一个重要的研究方向。心音信号就是非常利于采集和监测的一种重要的人体的健康指标,它能够表征心脏的健康状况。采用神经网络模型对心音信号这类不易直接描述的特征进行分类是一种行之有效的判断方式。本文研究了心音信号的特点,以及在医学上的各种健康与不健康心音的先验知识,构建了神经网络模型进行预测。本文的主要工作包括:1.提出了基于巴特沃斯滤波器和小波变换的心音信号去噪方法。心音信号的特征是频率集中在低频区和能量集中,由此,本文提出了使用巴特沃斯低通滤波器提取心音信号的低频部分,然后通过小波分解重构的方法使能量集中的部分更加突出的心音信号去噪方法。对比单一的心音信号去噪方法,这种综合滤波的方法能排除心音信号中大量的干扰信号,更加突出心音信号的有效部分。2.研究提出了基于Mel频率倒谱系数的心音信号特征提取方法。与直... 

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景及意义
    1.2 心音的概念与阶段划分
    1.3 心音诊断研究历史背景
    1.4 本文主要工作及创新
    1.5 本文组织结构
第二章 相关工作
    2.1 心音信号噪声来源及特性
    2.2 希尔伯特黄变换
    2.3 Mel频率倒谱系数
    2.4 神经网络基础
    2.5 本章小结
第三章 基于巴特沃斯滤波器和小波变换的心音信号去噪
    3.1 心音信号去噪框架
    3.2 心音信号的巴特沃斯滤波
        3.2.1 低通滤波器的选择
        3.2.2 低通滤波器的参数设置
    3.3 基于小波的心音信号处理
        3.3.1 S1、S2 信号的小波分解
        3.3.2 基于无偏估计的小波去噪
    3.4 本章小结
第四章 基于MEL系数的心音信号特征提取
    4.1 基于能量包络的S1、S2 特征提取及周期计算
    4.2 基于Mel系数的特征提取方法
    4.3 实验结果
        4.3.1 基于S1、S2 心音聚类的特征提取方法
        4.3.2 基于阈值的划分
    4.4 结果对比
    4.5 本章小结
第五章 心音信号的深度神经网络建模
    5.1 神经网络模型框架
        5.1.1 循环神经网络处理不定长特征
        5.1.2 构建神经网络模型
    5.2 心音信号数据集
    5.3 训练神经网络模型
    5.4 分类效果分析
    5.5 本章小结
第六章 可视化展示
第七章 总结与展望
    7.1 总结
    7.2 下一步工作展望
致谢
参考文献
攻硕期间取得的研究成果


【参考文献】：
期刊论文
[1]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)



本文编号：3706856