几种循环神经网络和时频掩码在心肺音分离中的应用

针对基于循环神经网络的心肺音分离方法采用的LSTM分离模型存在的结构复杂、参数过多、收敛速度慢、无法挖掘时频谱时序上下文关系等问题,将其与3种循环神经网络的变体(GRU,BiLSTM,BiGRU)应用于心肺音分离,并分别与2种时频掩码(IBM,IPSM)组合进行仿真,比较不同模型和不同时频掩码的心肺音分离性能。在分离模型方面,相比于LSTM,GRU具有参数少、更容易收敛等优点,BiLSTM和BiGRU的双向结构能够挖掘心肺音时频谱的时序上下文关系;在时频掩码方面,相比于IBM,IPSM考虑了混合相位与目标相位的差异信息。仿真结果表明:基于BiGRU和IPSM的心肺音分离方法取得较好的分离效果。

基于全连接LSTM的心肺音分离方法

针对基于非负矩阵分解的心肺音分离方法假设心肺音在时频域上是线性混叠的,且没有利用心肺音成分的时序相关性等问题,提出基于全连接LSTM的心肺音分离方法。将长短时记忆网络应用于心肺音分离,以处理心肺音成分的非线性混叠,并捕捉心肺音成分的时序相关性,加强分离效果。为减少网络参数,提高训练速度,LSTM网络采用全连接网络结构。实验结果表明:本文设计的LSTM网络取得了优于监督非负矩阵分解方法的心肺音分离效果。