小样本心音分类方法研究
发布时间：2021-10-16 19:58
心音分类可用于检出异常心音、发现心血管病患者,在心血管病诊断方面能发挥重要作用,是基于心音信号的心血管病自动诊断领域的主要研究热点,吸引了众多国内外学者的研究兴趣。传统上基于经验选择心音信号特征以执行分类任务的方法,存在有效特征获取难、分类效果欠佳等不足。随着人工智能技术的发展,近年来深度学习已成为研究心音分类的主流方法,在分类性能上取得了较大提升。基于深度学习的心音分类网络一般都基于较大的神经网络所建立,需要大量训练样本来优化其权值。但是,现实中采集大量的心音数据是困难且昂贵的,从而导致难以获取充足的心音训练样本。因此,心音分类面临着小样本问题的挑战,且目前缺乏有效的解决方法。本文针对小样本心音分类,主要做了以下工作:（1）提出了基于监督阈值的心音分类方法,解决了当前基于原始心音样本分割的训练数据扩增方式所导致的原始心音样本标签估计问题。在主流的基于深度学习网络的心音分类方法中,先将原始心音训练样本分割为多个片段,再将每个片段用于训练分类网络,从而实现训练数据的扩增,是解决心音训练样本不足的主要手段。但这会导致一个问题,即在进行预测时,如何根据片段的预测结果来估计原始心音样本的标签。...
【文章来源】：广东工业大学广东省
【文章页数】：101 页
【学位级别】：博士
【部分图文】：
图２－１血液循环流动示意图??Ｆｉ．２－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｒａｍ?ｏｆ?ｂｌｏｏｄ?ｃｉｒｃｕｌａｔｉｏｎ??
?广东工业大学博士学位论文???张，心室内压继续下降，当心室内压低于心房内压时，心房内的血液冲开房室瓣流入??心室。此时，心房和心室都处于舒张状态，房室瓣开放着，而动脉瓣关闭着。此后，??随着心房舒张期的结束（此时心室舒张尚未结束），心脏活动进入下一个心动周期。??在一个心动周期中，心房与心室收缩和舒张的时间关系示意图如图２－３所示。??心房?收缩?舒张???心动周期???心室?舒张?收缩?舒张??图２－３心房与心室收缩和舒张的时间关系示意图??Ｆｉｇ．２－３?Ｔｈｅ?ｔｅｍｐｏｒａｌ?ｒｅｌａｔｉｏｎｓｈｉｐ?ｂｅｔｗｅｅｎ?ａｔｒｉａ?ａｎｄ?ｖｅｎｔｒｉｃｌｅ?ｉｎ?ｓｙｓｔｏｌｅ?ａｎｄ?ｄｉａｓｔｏｌｅ??从图２－３可以看出，在心脏周期性的活动中，心房与心室有各自的心动周期，且??二者心动周期的时间是重叠的。由于心室对心脏的泵血活动起主要作用，所以心脏的??心动周期通常是指心室的活动周期。心脏活动即是由一连串的的心动周期组合而成，??因此，心动周期可以作为分析心脏机械活动的基本单元［１°２］。??总的来说，心音是由心脏搏动和血液流动所产生的［８３］，是心脏及心血管系统机械??运动状况的反映。因此，心音是心血管病诊断的重要信息来源。心音信号随心脏收缩??和舒张呈现出周期性的变化。按时间顺序，心音信号中一个完整的心动周期依次包含??第一心音（Ｓ１）、收缩期（Ｓｙｓｔｏｌｅ）、第二心音（Ｓ２）、舒张期（Ｄｉａｓｔｏｌｅ）等四个部??分，如图２－４所示。??＾?收缩期?ｋ?＾?舒张期?ｋ??〇．〇６?—????—￣（?，???ｖ?—第一心音??００４?－第一心
?频特征￣＞?分类器?＞?分??２５－４５Ｈｚ?Ｉ?ｗｌ?｜｜?｜?类?＿?正常??ｉ频带信号■四?「片段１结果??！?结，??个?ＣＲ１?果??：４５－８０ＨＺ?＾频?全?里?ＣＲ１、融常??｜频带信号Ｔ带ｉ二维“连丄片＾口果ＣＲ２、＝合异吊??丨?８０－２＿?丄信?＞?ＣＮＮ?—接—叫?ＣＲ２?－＞??Ｉ频带信号＾＞?２?ｍ?：?ＳＳ?Ｕ??丨结?片段ｎ结果?干均??２００－４００ＨＺ＿＾合?ＣＲｎ????丨频带信号ＴＨ?Ｉ?｜二维ＣＮＮ分类器??图２－６?ＴＦＦ２ｄＣＮＮ方法的二维ＣＮＮ分类模型??Ｆｉｇ．２－６?Ｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌ?ＣＮＮ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｍｏｄｅｌ?ｉｎ?ｔｈｅ?ＴＦＦ２ｄＣＮＮ?ｍｅｔｈｏｄ??在对ＴＦＦ２ｄＣＮＮ方法进行编程实现时，对心音信号进行预处理、心音分割和特征??提取的实验代码以及利用１２４个时频特征对Ａｄａｂｏｏｓｔ分类器进行训练和预测的实验代??码在ＭａｔｌａｂＲ２０１７ａ上进行编写，在Ｗｉｎｄｏｕｗｓ?１０系统下运行；利用４个频带信号对二??维ＣＮＮ分类器进行训练和预测的实验代码在ＴｅｎｓｏｒＨｏｗ［８１Ｐ?Ｐｙｔｈｏｎ?３．５框架下进行编??写，在Ｕｂｕｎｔｕ?１８．０４系统和型号为ＩＮＶＩＤＩＡ?ＴＩＴＡＮ?Ｖ的ＧＰＵ上运行；两个分类器的??预测结果融合决策的实验代码在Ｐｙｔｈｏｎ?３．５上进行编写。??（３）?ＳＣＳＶＭ?方法??Ｗｈｉｔａｋｅｒ等［７８］提出的ＳＣＳＶＭ方法通过ＳＶＭ分类器将基于稀疏编码的频域特征和??时域特征融合，以实现心音分类。如图２－７所示，该方法的实现流程如下：按心动周??期将心音信号分割为
【参考文献】：
期刊论文
[1]基于CNN和RNN联合网络的心音自动分类[J]. 李伟,杨向东,陈恳. 计算机工程与设计. 2020(01)
[2]基于卷积神经网络的先心病心音信号分类算法[J]. 谭朝文,王威廉,宗容,潘家华,杨宏波. 生物医学工程学杂志. 2019(05)
[3]基于CNN的心音特征融合分类方法[J]. 韩威,李昌,刘厶元,刘伟鑫,邱泽帆. 自动化与信息工程. 2019(05)
[4]基于LMS-PNN算法在心音识别与预测中的应用[J]. 周克良,王佳佳. 数据采集与处理. 2019(05)
[5]基于CEEMD的心音信号小波包去噪算法研究[J]. 董利超,郭兴明,郑伊能. 振动与冲击. 2019(09)
[6]心音信号MFCC特征向量提取方法的优化[J]. 许春冬,周静,应冬文,龙清华. 信号处理. 2019(03)
[7]基于coif-5小波的心音自适应阈值降噪方法[J]. 许春冬,周静,龙清华,许瑞龙. 科学技术与工程. 2019(02)
[8]带标签约束的心肺音分离方法[J]. 朱俊霖,王海平,杨祖元. 计算机工程. 2019(12)
[9]L1范数约束正交子空间非负矩阵分解[J]. 韩东,盖杉. 计算机系统应用. 2018(09)
[10]心音信号分析[J]. 马晶,蔡文杰,杨利. 中国医学物理学杂志. 2017(11)
博士论文
[1]基于循环平稳信号理论的心音信号处理方法研究[D]. 李婷.大连理工大学 2015
硕士论文
[1]左、右心系统非接触检测方法及其传感器设计[D]. 周杰.杭州电子科技大学 2009
[2]基于心内超声组织多普勒成象技术的窦房结定量研究[D]. 赵树魁.四川大学 2001
本文编号：3440412
【文章来源】：广东工业大学广东省
【文章页数】：101 页
【学位级别】：博士
【部分图文】：
图２－１血液循环流动示意图??Ｆｉ．２－１?Ｓｃｈｅｍａｔｉｃ?ｄｉａｒａｍ?ｏｆ?ｂｌｏｏｄ?ｃｉｒｃｕｌａｔｉｏｎ??
?广东工业大学博士学位论文???张，心室内压继续下降，当心室内压低于心房内压时，心房内的血液冲开房室瓣流入??心室。此时，心房和心室都处于舒张状态，房室瓣开放着，而动脉瓣关闭着。此后，??随着心房舒张期的结束（此时心室舒张尚未结束），心脏活动进入下一个心动周期。??在一个心动周期中，心房与心室收缩和舒张的时间关系示意图如图２－３所示。??心房?收缩?舒张???心动周期???心室?舒张?收缩?舒张??图２－３心房与心室收缩和舒张的时间关系示意图??Ｆｉｇ．２－３?Ｔｈｅ?ｔｅｍｐｏｒａｌ?ｒｅｌａｔｉｏｎｓｈｉｐ?ｂｅｔｗｅｅｎ?ａｔｒｉａ?ａｎｄ?ｖｅｎｔｒｉｃｌｅ?ｉｎ?ｓｙｓｔｏｌｅ?ａｎｄ?ｄｉａｓｔｏｌｅ??从图２－３可以看出，在心脏周期性的活动中，心房与心室有各自的心动周期，且??二者心动周期的时间是重叠的。由于心室对心脏的泵血活动起主要作用，所以心脏的??心动周期通常是指心室的活动周期。心脏活动即是由一连串的的心动周期组合而成，??因此，心动周期可以作为分析心脏机械活动的基本单元［１°２］。??总的来说，心音是由心脏搏动和血液流动所产生的［８３］，是心脏及心血管系统机械??运动状况的反映。因此，心音是心血管病诊断的重要信息来源。心音信号随心脏收缩??和舒张呈现出周期性的变化。按时间顺序，心音信号中一个完整的心动周期依次包含??第一心音（Ｓ１）、收缩期（Ｓｙｓｔｏｌｅ）、第二心音（Ｓ２）、舒张期（Ｄｉａｓｔｏｌｅ）等四个部??分，如图２－４所示。??＾?收缩期?ｋ?＾?舒张期?ｋ??〇．〇６?—????—￣（?，???ｖ?—第一心音??００４?－第一心
?频特征￣＞?分类器?＞?分??２５－４５Ｈｚ?Ｉ?ｗｌ?｜｜?｜?类?＿?正常??ｉ频带信号■四?「片段１结果??！?结，??个?ＣＲ１?果??：４５－８０ＨＺ?＾频?全?里?ＣＲ１、融常??｜频带信号Ｔ带ｉ二维“连丄片＾口果ＣＲ２、＝合异吊??丨?８０－２＿?丄信?＞?ＣＮＮ?—接—叫?ＣＲ２?－＞??Ｉ频带信号＾＞?２?ｍ?：?ＳＳ?Ｕ??丨结?片段ｎ结果?干均??２００－４００ＨＺ＿＾合?ＣＲｎ????丨频带信号ＴＨ?Ｉ?｜二维ＣＮＮ分类器??图２－６?ＴＦＦ２ｄＣＮＮ方法的二维ＣＮＮ分类模型??Ｆｉｇ．２－６?Ｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌ?ＣＮＮ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｍｏｄｅｌ?ｉｎ?ｔｈｅ?ＴＦＦ２ｄＣＮＮ?ｍｅｔｈｏｄ??在对ＴＦＦ２ｄＣＮＮ方法进行编程实现时，对心音信号进行预处理、心音分割和特征??提取的实验代码以及利用１２４个时频特征对Ａｄａｂｏｏｓｔ分类器进行训练和预测的实验代??码在ＭａｔｌａｂＲ２０１７ａ上进行编写，在Ｗｉｎｄｏｕｗｓ?１０系统下运行；利用４个频带信号对二??维ＣＮＮ分类器进行训练和预测的实验代码在ＴｅｎｓｏｒＨｏｗ［８１Ｐ?Ｐｙｔｈｏｎ?３．５框架下进行编??写，在Ｕｂｕｎｔｕ?１８．０４系统和型号为ＩＮＶＩＤＩＡ?ＴＩＴＡＮ?Ｖ的ＧＰＵ上运行；两个分类器的??预测结果融合决策的实验代码在Ｐｙｔｈｏｎ?３．５上进行编写。??（３）?ＳＣＳＶＭ?方法??Ｗｈｉｔａｋｅｒ等［７８］提出的ＳＣＳＶＭ方法通过ＳＶＭ分类器将基于稀疏编码的频域特征和??时域特征融合，以实现心音分类。如图２－７所示，该方法的实现流程如下：按心动周??期将心音信号分割为
【参考文献】：
期刊论文
[1]基于CNN和RNN联合网络的心音自动分类[J]. 李伟,杨向东,陈恳. 计算机工程与设计. 2020(01)
[2]基于卷积神经网络的先心病心音信号分类算法[J]. 谭朝文,王威廉,宗容,潘家华,杨宏波. 生物医学工程学杂志. 2019(05)
[3]基于CNN的心音特征融合分类方法[J]. 韩威,李昌,刘厶元,刘伟鑫,邱泽帆. 自动化与信息工程. 2019(05)
[4]基于LMS-PNN算法在心音识别与预测中的应用[J]. 周克良,王佳佳. 数据采集与处理. 2019(05)
[5]基于CEEMD的心音信号小波包去噪算法研究[J]. 董利超,郭兴明,郑伊能. 振动与冲击. 2019(09)
[6]心音信号MFCC特征向量提取方法的优化[J]. 许春冬,周静,应冬文,龙清华. 信号处理. 2019(03)
[7]基于coif-5小波的心音自适应阈值降噪方法[J]. 许春冬,周静,龙清华,许瑞龙. 科学技术与工程. 2019(02)
[8]带标签约束的心肺音分离方法[J]. 朱俊霖,王海平,杨祖元. 计算机工程. 2019(12)
[9]L1范数约束正交子空间非负矩阵分解[J]. 韩东,盖杉. 计算机系统应用. 2018(09)
[10]心音信号分析[J]. 马晶,蔡文杰,杨利. 中国医学物理学杂志. 2017(11)
博士论文
[1]基于循环平稳信号理论的心音信号处理方法研究[D]. 李婷.大连理工大学 2015
硕士论文
[1]左、右心系统非接触检测方法及其传感器设计[D]. 周杰.杭州电子科技大学 2009
[2]基于心内超声组织多普勒成象技术的窦房结定量研究[D]. 赵树魁.四川大学 2001
本文编号：3440412
本文链接：https://www.wllwen.com/yixuelunwen/xxg/3440412.html
最近更新
教材专著
