一种心音小波神经网络识别系统

设计一种心音小波神经网络识别系统,将心音特征抽取、有针对性的神经网络层次化架构和分类识别融合一体,以解决复杂条件下的心音分类识别问题。提出基于心音小波神经网络的识别模型,讨论如何构造心音小波和心音小波神经网络的方法,重点讨论在网络结构的隐含层中引入心音小波作为激活函数的算法,从而获得一种把心音的针对性学习和心音识别技术高度融合的心音小波神经网络识别系统。通过选取正常心音信号与早搏心音信号作为实验对象,验证了心音小波神经网络识别系统的有效性和实用性,并且通过与morlet和Mexican-hat小波神经网络识别系统相比较,证明心音小波神经网络识别系统在收敛性、算法速度上呈现明显的优越性。

基于小波分析和神经网络的心音信号研究

针对传统的冠心病诊断方法具有不准性或有创性问题,积极广泛开展冠心病无损检测的研究,提高诊断准确性,为大众提供方便可行的检测手段是十分必要的。在分析冠状动脉堵塞与心音信号关系的基础上,研究心音信号的预处理,对心音信号进行去噪和定位分段;利用ARMA模型及功率谱估计对心音信号进行分析研究,提取冠心病病理特征;通过神经网络对心音信号进行分类,实现冠心病的智能无损诊断。实验结果表明,采用上述方法进行冠心病无损诊断准确率达到85.1%,为临床上的冠心病的无损诊断提供了应用基础。

基于人工神经网络及心音小波分析的冠心病诊断方法的研究

通过对冠脉血流动力学及湍流诱发声学的理论研究后，首次提出用整周期心音信号小波分析来提取冠状动脉疾病（ＣＡＤ）心音特征的方法，诊断系统将ＣＡＤ病人组及非冠心病对照组提取的心音特征结合人体的个体特征参数输入到神经网络进行学习训练后，最后达到自动诊断冠状动脉疾病．为了检测这种较为微弱的生理信号，本文通过对人体体表声传播模型研究后设计了对外界噪声有较强抗干扰能力而又适合于拾取人体体表心音的高灵敏度音腔．实验系统采用了高灵敏度传感器列阵对正常人及冠心病患者胸部的多个部位进行检测，经高频提取后的模拟信号通过计算机进行数据采集．在信号分析方面，发展了一种心音信号小波变换的方法对心音在时域和频域上展开了局部化分析，把不同频段上整周期心音信号的平均能量与舒张期的平均能量的能量比值以及人体的个体特征参数（如年龄、抽烟与否、血压水平等）作为输入参量输入到径向基函数网络（ＲＢＦ网络）进行训练和识别．经过临床实践证明，基于人工神经网络及心音小波分析的方法为冠状动脉疾病诊断。

基于HMM和WNN的心音信号身份识别研究

将隐马尔可夫模型(HMM)与小波神经网络(WNN)相结合,提出了一种基于心音信号的身份识别方法。该方法首先利用HMM对心音信号进行时序建模,并计算出待识别心音信号的输出概率评分;再将此识别概率评分作为小波神经网络的输入,通过小波神经网络将HMM的识别概率值进行非线性映射,获取分类识别信息;最后根据混合模型的识别算法得出识别结果。实验采集80名志愿者的160段心音信号对所提出的方法进行验证,并与GMM模型的识别结果进行了对比,结果表明,所选方法能够有效提高系统的识别性能,达到了比较理想的识别效果。

基于小波分析和概率神经网络的心音诊断研究

心音对大多数心血管疾病具有极高的临床诊断价值,对心音信号进行分析有助于临床上对心脏疾病的诊断。为了利用计算机智能分析心音信号,提出利用多尺度小波分解消除信号中的噪声,从各频带提取特征值,用概率神经网络(PNN)来进行心音信号的自动分析诊断。用Matlab仿真的方法测试了5种不同类型心音信号的分类情况,结果表明该方法可行。

心音信号识别研究方法进展

有效提取心音信号中的第1、2心音(S1和S2)是心音信号研究的关键点。本文介绍了心音信号识别的研究现状,通过比较谱分析、小波变换、神经网络以及数学形态学方法等几种心音研究方法,讨论了心音信号识别的研究重点和发展方向,为进一步的心音研究奠定基础。