基于遗传BP神经网络的肺音分类识别算法研究

发布时间：2017-06-04 11:23

  本文关键词：基于遗传BP神经网络的肺音分类识别算法研究，，由笔耕文化传播整理发布。

【摘要】：肺音是人体重要的生理信号之一，是呼吸时产生的一种声信号。肺音出现异常往往预示着肺器官的病变，是肺病的早期信号之一。肺音具有可观的科研价值和临床价值，所以近年来它已经成为国内外专家竞相研究的课题。肺音的发生机理和传导机理很复杂，它本身也具有非平稳性和随机性，加上获取肺音的设备不统一和分析方法的多样性，导致国内外肺音的研究结果的差异性较大。肺听诊是呼吸疾病辅助诊断的重要工具。随着计算机和电子技术的不断进步，肺音诊断将会实现自动实时采集、计算机智能处理和分析的功能。肺音辅助诊断技术的研究也终会在识别正异常肺音和推断病人患病种类上取得重大成果，发挥临床上肺病诊断的作用。 本文的肺音信号是电子听诊器采集临床上的正常和异常肺音。将肺音经过滤波和周期分段预处理后，分别采用韦尔奇功率谱估计和小波变换得到肺音信号的统计特征值。通过比较神经网络和遗传神经网络两类分类器的性能，选择遗传神经网络这种优化的识别算法进行肺音的识别。将每一类肺音和肺部疾病联系起来，通过识别哮鸣音、捻发音和爆裂音分别预测每类肺音对应的呼吸疾病。 首先，进行肺音的预处理。获取了临床常见的四类肺音（正常、哮鸣音、捻发音和爆裂音）后，将它们经滤波和周期分割等预处理后得到待分析的肺音样本。本文改进了小波变换滤除心音的算法，将肺音通过小波滤波得到心音干扰成份，再用原始肺音减去心音干扰成份而得到较纯净的肺音。肺音的周期分段则采用Violal积分波形法，得到肺音的特征波形，对肺音进行周期分割。 其次，进行肺音的特征提取。采用改进的韦尔奇功率谱统计特征值和小波系数统计特征值作为肺音特征。肺音的韦尔奇功率谱的统计特征值是功率谱的平均值、中值、几何平均值、调和平均值、切尾平均值、标准差、四位分极差、平均绝对偏差值构成的组合特征；肺音的小波系数统计特征值是肺音的小波分解第二层至第七层细节系数的绝对值的均值、每个子带小波系数的能量、标准偏差、相邻子带绝对平均值的比值构成的组合特征。这两类组合特征分别作为肺音的新组合特征。与传统韦尔奇功率谱值和小波系数特征值相比，这两种组合特征维度得到降低，有利于分类效率的提升。 最后，进行肺音的分类识别。研究了人工神经网络（BP网络）的分类原理和遗传算法。采用遗传算法得到优化的BP神经网络的权值和阈值，最后得到遗传BP神经网络(GABPNN)—改进的BP神经网络。分别用韦尔奇功率谱统计特征值和小波系数统计特征作为BP神经网络的输入进行肺音识别，结果显示韦尔奇功率谱特征的识别率为83%，高于小波系数特征的识别率（81.1%）。作为对照，用遗传算法与BP神经网络结合的GABPNN分类器来识别肺音，用韦尔奇功率谱特征作为GABPNN的特征，识别结果显示，GABPNN的识别率为89.0%，识别率优于BP神经网络的识别率（83.0%），GABPNN的识别误差更小，网络的稳定性更强。 本文算法皆在MATLAB软件上实现，最后设计了方便用户使用的图形界面，能实现肺音的加载、波形显示和分析识别，以及肺病预测的功能。
【关键词】：肺音信号 小波去噪 模式识别 遗传BP神经网络
【学位授予单位】：重庆理工大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP183;R563
【目录】：

• 摘要4-6
• Abstract6-10
• 缩略语表10-11
• 1 绪论11-18
• 1.1 课题背景和研究意义11-12
• 1.2 国内外研究现状12-16
• 1.3 本课题肺音研究的主要工作16-18
• 2 肺音信号的获取、分析和预处理18-32
• 2.1 肺音信号的获取技术18-19
• 2.2 韦尔奇变换与小波变换19-23
• 2.2.1 傅里叶变换19-20
• 2.2.2 短时傅里叶变换（STFT)20
• 2.2.3 信号的连续小波变换20-21
• 2.2.4 信号的离散小波变换21-22
• 2.2.5 小波的多分辨率分析和 MALLAT 算法22-23
• 2.3 小波分析去噪技术23-25
• 2.4 小波的肺音混合去噪技术25-29
• 2.4.1 肺音的高通滤波25-27
• 2.4.2 基于小波变换的混合去噪原理与实现27-29
• 2.5 肺音周期分割算法的研究与实现29-31
• 2.6 本章小结31-32
• 3 肺音信号的特征提取和识别技术32-43
• 3.1 模式识别技术和特征提取技术32-42
• 3.1.1 模式识别的基本原理32-33
• 3.1.2 特征提取技术33-35
• 3.1.3 分类器的设计35
• 3.1.4 人工神经网络的分类识别技术35-37
• 3.1.5 BP 神经网络原理37
• 3.1.6 BP 神经网络的设计基础37-39
• 3.1.7 基于遗传算法的优化的 BP 网络39-42
• 3.2 临床常见的四类肺音与肺病的联系42
• 3.3 本章小结42-43
• 4 肺音特征提取和分类识别技术的实现43-54
• 4.1 基于韦尔奇功率谱的肺音特征提取43-46
• 4.1.1 韦尔奇功率谱估计43-44
• 4.1.2 肺音的韦尔奇功率谱特征提取44-46
• 4.2 基于小波系数统计特征值的肺音特征提取46-48
• 4.2.1 肺音的小波分析46-47
• 4.2.2 肺音小波系数统计特征值的提取实现47-48
• 4.3 BP 神经网络与遗传 BP 神经网络（GABPNN）的识别与分析48-53
• 4.3.1 BP 神经网络的识别与分析48-51
• 4.3.2 遗传 BP 神经网络（GABPNN）的肺音识别结果与分析51-53
• 4.4 本章小结53-54
• 5 肺音分析识别系统的设计与实现54-62
• 5.1 肺音分析识别系统构架和功能54
• 5.2 基于 MATLAB 软件的ＧＵＩ操作界面编写54-61
• 5.3 本章小结61-62
• 6 总结与展望62-65
• 6.1 本文的工作总结62-63
• 6.2 展望63-65
• 致谢65-66
• 参考文献66-69
• 附录69-74
• 个人简历、在学期间发表的学术论文及取得的研究成果74-75

【参考文献】

中国期刊全文数据库 前10条

1 王文渊,闫平凡;肺音研究综述[J];北京生物医学工程;1992年02期

2 朱来东;廉小亲;江远志;;小波变换在信号降噪中的应用及MATLAB实现[J];北京工商大学学报(自然科学版);2009年02期

3 赵治栋,唐向宏,赵知劲,潘敏,陈裕泉;基于Hilbert-Huang Transform的心音信号谱分析[J];传感技术学报;2005年01期

4 邓曦,鲁勇军;肺声的电子检测及其医学应用[J];国外医学.生物医学工程分册;2000年04期

5 何中市;王健;陈永锋;张杰慧;;基于仿生模式识别的孤立性肺结节检测[J];广西师范大学学报(自然科学版);2008年02期

6 吕萍,钱铁群,闵一建;运动前后脉搏声和肺音信号的同步拾取与特征研究[J];广州体育学院学报;2005年05期

7 李真真;杜明辉;吴效明;;基于分数阶希尔伯特变换的罗音特征提取[J];华南理工大学学报(自然科学版);2011年12期

8 涂拥军;李静;王国恩;李绕奇;;基于韦尔奇功率谱的雷达辐射源信号识别[J];航天电子对抗;2009年03期

9 沈琴琴;赵治栋;;基于DWTMFC特征参数提取的心音身份识别[J];杭州电子科技大学学报;2011年04期

10 周维忠,冯心海,孙国基;基于小波系数聚类的特征提取分类方法[J];计算机研究与发展;2001年08期

  本文关键词：基于遗传BP神经网络的肺音分类识别算法研究，由笔耕文化传播整理发布。

本文编号：420870