基于LMS-PNN算法在心音识别与预测中的应用

2019-10-30 00:36周克良王佳佳
数据采集与处理 2019年5期
关键词:心音心室准确率

周克良 王佳佳

(江西理工大学电气工程与自动化学院,赣州,341000)

引 言

据相关数据统计,全世界每年约1750万人死于心脏病,占总死亡人数的30%。每年心脏病和中风幸存者至少有2000万人,且多数存在复发和死亡的风险。中国每年大约有260万人死于心血管疾病,死亡人数居世界第2位。据世界卫生组织统计,到2020年中国每年因心血管疾病死亡人数将达400万人。对于心脏健康状况的监测成为国内外相关领域较重视的问题。而心脏最直观的监测对象便是心电图和心音,医生可以根据心电图判断心脏跳动的频率是否正常,而心音可辅助判断心脏是何处异常或损坏,及时了解病人的病情,挽救病人的生命。因此研究心音的识别与预测具有重要意义。

心音的杂音是一组历时较长、频率及振幅均不同的振动,既可与心音分离,也可连续,或完全覆盖心音。目前对于心音降噪分析采用的是经验模态分解(Empirical mode decomposition,EMD)、小波包分析、Mel频谱倒谱系数等方法,这些算法可以提取出异常心音与正常心音的特征数据,并根据这些特征数据,以及心音的训练样本,采用BP神经网络、支持向量机(Support vector machine,SVM)、径向基函数(Radial basis function,RBF)神经网络等进行训练,达到识别及其预测的效果。文献[1]利用主成分分析对心音特征进行降维,采取自组织映射神经网络进行聚类分析,并对各种异常和正常心音进行分类识别。文献[2]在EMD的基础上,引入了单通道奇异值分解(Singular value decomposition,SSVD)方法,在心音降噪方面取得了良好效果。文献[3]将概率神经网络(Probabilistic neural network,PNN)引入电控发动机故障诊断,诊断结果无误。

PNN具有较强的泛化性和实用性,故本文对传统PNN进行优化,用于心音数据分类。运用Matlab 2013a软件,采用LMS-PNN对心音数据去噪,提取降噪后的特征数据进行训练,降低了传统PNN的误差,提高了识别的准确率,改善了心音预测效果。

1 心音的降噪与特征值提取

由于心音信号的短时平稳性[4],本文采用最小均方(Least mean square,LMS)方法[5]进行心音去噪。对于心音信号的时间序列x(n),利用窗函数分帧后得到第i帧语音信号xi(m),帧长设置为200,对每帧心音信号做离散傅里叶(Discrete Fourier transform,DFT)变换后可得

式中Xiangle为第i帧的相角。

式中:NIS为帧数,D(k)为无话段的平均能量。

式(4)为谱减公式,其中a和b为常数,a为过减因子,b为增益补偿因子为谱减后的时间系列。

然后提取降噪后数据的特征值,本文提取降噪心音的短时自相关系数和短时能量谱密度[6-8]。对降噪后的x(k)分帧后,每帧的短时自相关函数为

采用Matlab软件中的pwelch函数求得心音每帧的短时能量谱密度,并保存计算数据。

2 PNN识别与预测

PNN于1989年由Specht博士首先提出,是基于统计原理的神经网络模型,在分类功能上与最优贝叶斯分类器等价。PNN的实质是基于贝叶斯最小风险准则发展而来的一种并行算法[9,10],由输入层、模式层、求和层和输出层(决策层)组成。第1层为输入层,用于输入特征数据,将数据传递跟隐含层;模式层为径向基层,计算输入向量与中心之间的距离,并返回一标量。向量x输入到模式层,模式层中第i类模式的第j神经元所确定的关系式为

式中:i=1,2,…,M,M为训练样本总类数;d为样本空间数据维数;xij为第i类样本的第j个中心。求和层把隐含层中属于同一类的神经元的输出做加权平均

式中:vi为第i类别的输出,L为第i类神经元的个数。输出层取求和层中最大的一个作为输出的类别

输入层的向量先于加权系数相乘,由输入RBF计算

3 实验结果与分析

本文采集的心音信息来自赣州某医院的临床数据,包括:心室舒张期额外音(正常)心室舒张期额外音(严重)、收缩早期喀啦音(严重)等心音。运用LMS算法对上述3种心音进行降噪与分析,采样频率为44100Hz,采样信号和采样数据分别以wav和mat格式保存。采用本文的观察数据与观察图像可得:IS为0.4 s,a取值为10,b取值为0.01。通过LMS降噪后,降噪结果如图1、2所示。图1为心室舒张期额外音(正常)的带噪心音波形,图2为经LMS滤波后心室舒张期额外音(正常)的去噪波形,由图1、2对比可知,LMS算法滤波明显去除了心室舒张期额外音(正常)的杂音。

再对去噪后的心音进行特征提取、短时域时域处理和短时域频域处理,得到各心音的短时自相关数据及短时功率谱密度,将得到的数据以mat格式保存。图3、4分别为心室舒张期额外音(正常)正常自相关系数及短时功率谱密度图。

图1 带噪心音波形Fig.1 Noisy heart sound waveform

图2 LMS谱减后的心音信号波形Fig.2 Heart sound signal waveform after LMS spectrum reduction

对于PNN,输入层输入短时自相关数据及短时功率谱密度数据,加上模式层输入训练数据,共有40000个训练样本数据,其中心室舒张期额外音(正常)样本数据10000个,心室舒张期额外音(严重)样本数据10000个,收缩早期喀啦音(严重)样本数据10000个和测试数据10000个。输出层将输出数据进行等级划分:“1”代表心室舒张期额外音(正常),“2”代表心室舒张期额外音(严重),“3”代表收缩早期喀啦音(严重)。当模式层中出现错误的心音数据时,PNN通过计算心音特征数据与各个心音等级的匹配度。训练过程中出现相似度不强时,会直接剔除错误数据,而不会对其进行分类。实验数据验证结果如图5~7所示。

图3 正常心音自相关系数Fig.3 Normal heart sound autocorrelation coefficient

图4 正常心音的短时功率谱密度图Fig.4 Short-time power spectral density map of normal heart sounds

图5 LMS-PNN的测试准确率Fig.5 Test accuracy rate of LMS-PNN

图6 LMS-PNN和传统PNN的预测结果Fig.6 Prediction results of LMS-PNN and traditional PNN

本文将所采集的心音信号数据转换100×100的矩阵,在这个矩阵中,利用双重循环语句,将不同行列之间心音信号数据进行模型编号,并采用LMS-PNN算法对模型数据测试训练。由图5可得,模型1,5所采用的数据测试准确率比较低,在多次模型的训练结果下,LMS-PNN通过不断自我学习与反馈,总体模型测试结果呈现升上趋势,其测试正确率在模型6~9保持稳定,准确率可达96.66%。

图7 LMS-PNN的训练时间Fig.7 Training time of LMS-PNN

图6为30个测试样本集的测试数据,由实验数据验证可得,LMS-PNN对心音数据分类的准确性高于传统PNN,准确率高出10%。

由图7仿真结果可知,LMS-PNN神经网络算法在数据矩阵不同行列之间所组成的10个数据模型中不断进行自我学习与训练,其训练时间由0.155 s逐渐稳定至0.062 s,实验结果证明,LMS-PNN神经网络算法在心音测试模型中效果表现良好,训练时间呈现逐步缩短到稳定的趋势训练时间短、不易产生局部最优,收敛速度比较快,而且其分类准确率也较高。

对于上述仿真结果,LMS-PNN神经网络算法的平滑因子N是LMS-PNN算法的关键。令平滑因子N分别取值为20和2,其测试集预测结果对比如图8所示。图8(a)是N=20时LMS-PNN算法得到的预测结果;图8(b)是N=2时LMS-PNN算法得到的预测结果。由图8可知,N=20时,LMS-PNN预测准确率为90%;N=2时,LMS-PNN预测准确率为93.33%,准确率高出了3.33%。不同的平滑因子得到的结果也有所不同,因此选取合适的平滑因子能提高预测准确率。由表1可知,当平滑因子N=10时,LMS-PNN算法的预测准确率最高,为最优值。

图8 LMS-PNN的预测结果(N=20,2)Fig.8 Prediction results of LMS-PNN(N=20 and N=2)

表1 平滑因子N的影响Tab.1 Influence of smooth factor N

4 结束语

测试心音通常会受到噪声影响,LSM-PNN算法运用LSM方法进行去噪,采用双门限法估计出无话帧即噪音帧IS的值,调整参数a,b的值,观察数据及其波形,优化去噪效果;然后使用PNN,采用贝叶斯决策理论对心音的信号进行区分与预测。对LSM-PNN算法,无论分类问题多么复杂,只要有足够多的训练数据,均可保证获得贝叶斯准则下的最优解。

猜你喜欢
心音心室准确率
起搏器融合波排除的心电图表现
乳腺超声检查诊断乳腺肿瘤的特异度及准确率分析
不同序列磁共振成像诊断脊柱损伤的临床准确率比较探讨
2015—2017 年宁夏各天气预报参考产品质量检验分析
高速公路车牌识别标识站准确率验证法
基于双阈值的心音快速分段算法及其应用研究
双声道心音能量熵比的提取与识别研究
基于香农熵的心音信号检测方法研究
冠心病伴心力衰竭合并心房颤动的心室率控制研究
『孙爷爷』谈心室为孩子上网撑起『保护伞』