心音的施工方法和应用小波神经网络gydF4y2Ba

文摘gydF4y2Ba

构建一个有针对性的小波神经网络是一种有效的方法来提高网络性能和识别效果。通过引入心音小波神经网络隐层的激活函数,心音有针对性的学习和识别技术集成,获得一个新的心音小波神经网络。选择正常心音和过早搏动心音信号作为实验对象,准确性心音的识别率达到了97%。与Morlet相比小波神经网络和小波神经网络Mexicanhat,心脏的声音小波神经网络算法收敛速度和显示了明显的优越性在心音识别。gydF4y2Ba

关键字gydF4y2Ba

心的声音;激活功能;心声音小波神经网络gydF4y2Ba

前言gydF4y2Ba

小波神经网络是小波神经网络模型,并结合时频局部化特性,主要是小波变换的性质和自学习、适应性、健壮性、容错神经网络结合在一起的gydF4y2Ba1gydF4y2Ba- - - - - -gydF4y2Ba3gydF4y2Ba]。小波神经网络允许网络避免当地最适条件从根本上和加快了收敛速度,并有很强的学习和泛化能力。所以,它有一个广泛的应用在图像处理、模式识别等领域(gydF4y2Ba4gydF4y2Ba,gydF4y2Ba5gydF4y2Ba]。构建一个有针对性的小波神经网络是一种有效的方法来提高识别性能和网络性能。引入小波基神经网络隐层目标,具体的学习和识别的信号将达到高度的集成,以达到目标的特征提取的表达,分类和识别和解决复杂条件下的分类问题。这对提高网络性能有非常重要的意义,提高识别结果。gydF4y2Ba

宪法的原则,小波神经网络是神经网络隐层节点的激活函数是被小波函数,和相应的输入层到隐层的重量被规模膨胀系数a的小波函数和隐层到输出层的值是“b”取代翻译因素,所以小波神经网络的建设实际上是激活函数的建设(gydF4y2Ba6gydF4y2Ba]。目前,小波和神经网络的“集成”有以下三个方面:gydF4y2Ba

(1)利用连续参数小波神经网络的隐函数;gydF4y2Ba

(2)利用多分辨率小波神经网络的隐函数;gydF4y2Ba

(3)使用正交基函数神经网络的隐函数。gydF4y2Ba

激活函数可以有非线性因素和线性模型不能解决这个问题。所以激活函数的选择有显著影响识别率和收敛速度。常见的激活函数包括阈值类型sub-stage函数和s形的函数(gydF4y2Ba7gydF4y2Ba]。本文描述的方法建设心音小波神经网络,主要分析心音的模型小波神经网络和配置步骤,给予其训练算法。具体应用实验和比较分析心音的小波神经网络算法证明了小波神经网络优势在速度和收敛性。gydF4y2Ba

HS小波神经网络结构gydF4y2Ba

图1gydF4y2Ba示意图显示心音小波神经网络识别系统,这是一个方法来增强效果的心音识别目标的限制条件。gydF4y2Ba

使用心音小波神经网络识别技术,一方面,心音的优化技术和生理特点结合在一起,得到生理意义的心音特征;另一方面,将心音优化特征提取和心音识别集成在一个心音分类网络。在隐藏层,以心音小波为激活函数,心音识别技术和有针对性的学习高度集成,也就是说,使用面向目标水平心音小波神经网络识别系统的体系结构,它将达到一个目标表达式心音特征提取和心音分类解决复杂条件下心音分类的问题。gydF4y2Ba

构建心音小波神经网络的步骤是:gydF4y2Ba

步骤1:构建心音小波基函数gydF4y2Ba

根据配置所示gydF4y2Ba图2gydF4y2Ba首先,设计小波尺度滤波函数gydF4y2BaHgydF4y2Ba(gydF4y2BawgydF4y2Ba),其次是尺度滤波器的设计gydF4y2BahgydF4y2Ba(gydF4y2BangydF4y2Ba),gydF4y2Ba,然后做规模空间正交化,最后小波基函数是(gydF4y2Ba8gydF4y2Ba,gydF4y2Ba9gydF4y2Ba]。年代o that when the filter length is 10, vanishing moment is 5, a group of real solutions of heart sound wavelet base can be obtained:

根据gydF4y2Ba相应的心音g (n)和小波滤波器gydF4y2Ba是:gydF4y2Ba

步骤2:心音时域小波系数表达式gydF4y2Ba

情商的解决方案。(1)和(2)替换成双刻度方程(3):gydF4y2Ba

所以当N = 10,心音时域小波基础分析的形式将得到,也是一个隐层神经网络的函数。gydF4y2Ba

第三步:激活神经网络的函数替换心音小波基函数,和心脏的声音小波神经网络可以实现:gydF4y2Ba

图3gydF4y2Ba小波神经网络模型结构图:gydF4y2Ba

,xgydF4y2Ba_我gydF4y2Ba(i = 1,2,…)gydF4y2Ba是第i个样本输入的输入层,ygydF4y2Ba_kgydF4y2Ba(k = 1,2,…, n)gydF4y2Ba是k样本输出层的输出,zgydF4y2Ba_我gydF4y2Ba(zgydF4y2Ba_1gydF4y2Ba,zgydF4y2Ba_2gydF4y2Baz,…gydF4y2Ba_fgydF4y2Ba)是小波函数,连接输入层和隐层w1的重量gydF4y2Ba_ijgydF4y2Ba;隐藏层和输出层的连接权值是w2gydF4y2Ba_jkgydF4y2Ba。所以隐藏层神经元的输入是:gydF4y2Ba

把隐层神经元的输入子波函数gydF4y2Ba我们可以得到隐层神经元的输出:gydF4y2Ba

从情商。(4)和(5),小波神经网络模型的输出可以表示为:gydF4y2Ba

在哪里gydF4y2BaθgydF4y2Ba代表偏移值,称为“阈值”。gydF4y2Ba

正常心音信号长度为N模型可以描述为:gydF4y2Ba

,年代gydF4y2Ba_1gydF4y2Ba,年代gydF4y2Ba_2gydF4y2Ba分别为第一和第二心音信号;年代gydF4y2Ba_3gydF4y2Ba,年代gydF4y2Ba_4gydF4y2Ba第三和第四心音信号分别及其信号强度较弱,一般不讨论gydF4y2Ba10gydF4y2Ba,gydF4y2Ba11gydF4y2Ba];年代gydF4y2Ba_5gydF4y2Ba代表了心脏的杂音的声音;gydF4y2BakgydF4y2Ba_我gydF4y2Ba(I = 1、2、3、4、5)gydF4y2Ba是组合系数。gydF4y2Ba

然后把情商。(3)和(7)小波神经网络模型在Eq。(6),心音可以构造神经网络。其模型结构所示gydF4y2Ba图4gydF4y2Ba。心音小波神经网络的输出是:gydF4y2Ba

心音小波神经网络(HSWNN)训练算法gydF4y2Ba

神经网络的训练实际上是得到隐层到输出层的权值。心音的小波神经网络(HSWNN),样品尺寸相对较大;解决的成本将变得更大,因此您可以定义一个最小化误差函数以获得重量w的唯一解gydF4y2Ba_kpgydF4y2Ba根据心音的特征。gydF4y2Ba

心音信号的第n个样本是商品gydF4y2Ba_ngydF4y2Ba,我们可以从特征提取,得到m特征值gydF4y2Ba海关gydF4y2Ba_ngydF4y2Ba=[海关gydF4y2Ba_1gydF4y2Ba(n),海关gydF4y2Ba_2gydF4y2Ba海关(n),……gydF4y2Ba_{m - 1gydF4y2Ba}(n),海关gydF4y2Ba_{m - 1gydF4y2Ba}(n))gydF4y2Ba,其HSWNN训练误差定义如下:gydF4y2Ba

y是预期的输出,gydF4y2Ba网络的实际输出,N是样品的总数。所以,HSWNN训练算法是:gydF4y2Ba

地点:gydF4y2BalgydF4y2Ba是λ的迭代次数的迭代步骤中,gydF4y2BaggydF4y2Ba_kgydF4y2Ba(XgydF4y2Ba_ngydF4y2Ba)gydF4y2Ba样本的输出n在第n个隐层节点。gydF4y2Ba

心音的小波神经网络训练算法使误差最小化错误指导,不断修改参数,以减少误差。不同于一般的盲目搜索算法和不可预测,tt有很强的目的,和收敛速度明显有优势。gydF4y2Ba

心音小波神经网络的应用程序gydF4y2Ba

本文选择过早搏动和正常心音信号作为实验对象,和一群的波形正常心音和过早搏动心音信号所示gydF4y2Ba图5gydF4y2Ba:gydF4y2Ba

这两种类型的心音信号中所示gydF4y2Ba图5gydF4y2Ba分解为四层分别归一化能量的16个频率值后段四个分解特征作为特征向量。gydF4y2Ba图6gydF4y2Ba显示了这两种类型的归一化能量图的心音信号,在E9是归一化能量的总和值高于1000赫兹频段。gydF4y2Ba

在本文中,为了更好地评价小波神经网络的性能,我们比较常见的墨西哥帽小波神经网络和小波神经网络Morlet。其中,波形图的自配置的心音,墨西哥帽小波和小波基Morlet如下所示:gydF4y2Ba

我们自己建了一个心音数据库包括323组的心音心音小波得到30样品正常心音数据库中。心音样品不包括在测试样本的实验部分。从数据库,选择20组正常心音信号和20组过早搏动心脏的声音作为训练数据,从数量和正常1正常20胜1胜20;然后选择10组过早跳动的心音和10组正常心音的任意的测试数据。由于有限的空间里,只有两套数据列出。gydF4y2Ba

为了过早搏动心音信号分类和正常心音信号,识别目标的值分为两类:100000000代表过早跳动的心音,,010000000代表正常心音(gydF4y2Ba图7gydF4y2Ba)。gydF4y2Ba

首先,训练数据输入心音小波神经网络所示gydF4y2Ba图3gydF4y2Ba培训,我们可以调整网络参数根据情商。(9)和(10),然后把测试数据到训练小波心音神经网络验证,最后获得20输出值。输出值与目标值比较在相同的环境。gydF4y2Ba图8gydF4y2Ba显示输出值与目标值的比较图表10组正常心音信号和10组过早搏动心音信号。gydF4y2Ba

从gydF4y2Ba图8gydF4y2Ba,在误差允许的范围内,使用自配置心音小波神经网络,10组正常心音信号和10组过早搏动心音信号被检测到,重复10次,平均识别率达到97%。本文在相同的测试数据,重复上述实验与Morlet小波神经网络和墨西哥帽小波神经网络,并得到其误差曲线,操作时间,心音识别率。误差曲线所示gydF4y2Ba图9gydF4y2Ba,所示的性能比较结果gydF4y2Ba表1gydF4y2Ba。gydF4y2Ba

分析gydF4y2Ba图9gydF4y2Ba可以学到,心音小波神经网络,当训练的数量达到50倍,收敛,和Morlet小波神经网络才会变得收敛100次,和墨西哥帽小波神经网络需要近300次基本收敛;gydF4y2Ba表gydF4y2Ba2gydF4y2Ba和gydF4y2Ba3gydF4y2Ba表明,确保正确的识别速度不变,心音小波神经网络计算成本最小。总之,心音小波神经网络具有更好的收敛,更少的计算时间和识别的速度达到97%。gydF4y2Ba

表1:gydF4y2Ba三个小波神经网络的性能比较。gydF4y2Ba

表2:gydF4y2Ba能量特征值的训练数据。gydF4y2Ba

表3:gydF4y2Ba能量特征值的测试数据。gydF4y2Ba

结论gydF4y2Ba

本文主要完成了以下工作:gydF4y2Ba

1。心音的方法的详细描述小波取代激活函数。给心声音小波神经网络结构的步骤;gydF4y2Ba

2。根据心音的特征,构造小波神经网络及其训练算法,我们获得了小波神经网络具有更多的优势在心音的处理,为工程应用提供一种有效的方法的小波神经网络;gydF4y2Ba

3所示。选择正常的心和过早搏动心音信号进行仿真实验,实验结果表明,心音小波神经网络的准确率达到97%,且在收敛速度和算法方面,心音小波神经网络远远超过了Morlet小波神经网络和墨西哥帽小波神经网络在心音识别。gydF4y2Ba

确认gydF4y2Ba

*项目支持由中国国家自然科学基金(批准No.61271334)”的新方法研究和应用的心音特征提取识别”。gydF4y2Ba

引用gydF4y2Ba

1. 理查德•OD et al .模式分类。2010;4gydF4y2Ba
2. 约翰•m•神经计算的应用在二十一世纪和21年的神经计算和应用。神经计算和应用。2013:12:657 - 665。gydF4y2Ba
3. DongxiaoNIU和邢m .研究时间序列的小波神经网络预测模型。系统工程理论与实践。1999;5:89 - 92。gydF4y2Ba
4. 陈ZQ、et al .设计基于多分辨率的正交基小波神经网络的学习。《系统Engineering.2003; 18:218 - 223。gydF4y2Ba
5. Shaobai Z andWeiqingC。理解运动的小脑控制模型的应用。神经计算与应用。2014;24。gydF4y2Ba
6. ——Z, Renjie Z激活函数及其导数的实现基于FPGA的神经网络。现代电子技术。2008年,18:139 - 142。gydF4y2Ba
7. 程XF和张咱。施工方法的心音双正交小波。《物理Sin.2013; 62:1-12。gydF4y2Ba
8. Xiefeng C andZheng z心音信号的去噪方法基于self-construct心音小波。每年进步。2014;4:1-9。gydF4y2Ba
9. 张GH,等。研究小波包对心音信号的特征提取算法。振动和冲击。杂志2008;27:47-49。gydF4y2Ba
10. al - UU。自适应神经模糊推理系统的诊断心脏瓣膜疾病使用小波变换和熵。神经Comput&Applic。2012;21:1617 - 1628。gydF4y2Ba
11. 程XF, et al .心音识别技术研究。中国正Sci Sci。2012; 55:281 - 292。gydF4y2Ba