英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
文献翻译
摘要
通过心脏听诊确定心脏状况是一项艰巨的任务，需要对医务人员进行特殊的培训。计算机化技术可以快速地提出更加客观、准确的结果。因此，本研究旨在进行计算机辅助心音分析，用来为医生的决策提供帮助。在本次研究中，提出了一种对心音（HSs）进行分类的新方法。离散小波变换可以表示心音的一个周期。小波变换不但用于S1-S2声音的分离，而且可以确定声音的特征。从第三，第四和第五分解等级的细节参数来看，S1-S2声音的峰值是由自适应峰值检测器确定。对于特征提取，利用了所有五个子带中的细节系数。在分类分析阶段，将对Kohonen的SOM网络和增量自组织映射（ISOM）进行比较。为了提高心音分类的准确程度，本研究提出了一种增量神经网络。可以观察到，即使在嘈杂的环境中，增量自组织映射也会成功地对心音信号进行分类。
关键词：心音分类 小波变换 增量神经网络 心音分析 S1-S2声音的分段
目 录
1引言
听诊是使用听诊器听取身体声音的技术。 心脏的结构缺陷通常会反映在心脏发出的声音中。 医师将用听诊器等设备来听取患者的心脏的声音并做出相应的诊断。 他们会特别注意异常声音，这可能暗示心脏疾病的存在并且可以提供诊断信息。例如，心脏杂音是一种非常重要的异常声音，心脏杂音是由心血管系统中血液的湍流引起的。心脏杂音的时间和频率对心脏疾病的诊断非常重要，比如，舒张期的杂音是心脏瓣膜功能异常的表现，但是收缩期的杂音可能对应于病理性或健康的心脏，具体取决于听觉杂音的特征。
在文献中，可以观察到使用时频/音阶等方法表征心音[1,2]。在以前的出版文献中，作者讨论了在多个心动周期中使用时频方法来表述心脏杂音3,4]。
由于来自心脏的声音信号包含人耳无法分析的信息[5]，耳朵对频率的敏感性要遵循对数标度，所以耳朵听到的对频率变化要比强度的变化更加敏感。较高频率的声音与相同强度较低频率的声音相比更加响亮。频率的变化也可以解释为强度的变化。同时由于高频声音的存在，耳朵可能无法听到紧随其后的低频声音 [6]。数据记录技术和数字信号处理的最新研究成果使得记录和分析来自心脏的声音信号成为可能。然而，对于来自心脏的心声信号的计算机分析，不可缺少的是可以对心动周期的不同部分进行时间的测量和频率的分离[7]。
信息技术系统，数字电子听诊器，声音信号处理和模式识别方法的最新发展推动了电子听诊器以及计算机的系统设计[8,9]。 在过去的十年中，研究人员进行了许多有关自动和半自动的心音诊断研究活动，并将其视为具有挑战性和潜力的主题。 许多研究人员对将心音信号分离为心动周期进行了研究[10-12]，并且对第二心音和第一心音进行区分[13]。还通过对第一和第二心音以及心脏杂音的分析[ 14-17]，得到相关心音和杂音的特征提取和分类[18-23]。
在文献中，可以观察到小波变换经常被用于从心音中得到特征[20-23]。通过小波变换和分析心音的主要组成成分可以确定心音的特征[20]。然后通过使用神经网络可以将心音分成两类，其特异性为70.5％，灵敏度为64.7％。使用学习网络的方法可以将心音分为三类，总体表现率为96％。而小波变换和短时傅立叶变换确定的心音的特征[22]。通过隐式马尔可夫模型可以将心音分为两类，其特异性为92％，灵敏度为97％。使用小波变换和短时傅立叶变换[23]分析了心脏瓣膜的多普勒信号。使用最小二乘支持的向量机将心音分为两类，其特异性为94.5％，灵敏度为90％。
在文献中，还观察到小波变换经常用于对生物信号进行分类[12,14,18,20,24-28]。 在这项研究中，小波变换既用于S1-S2声音的分离（第一和第二种心音），又用于特征的确定。 为了提高心音分类的准确性，于是提出了一种增量神经网络。
2方法
决策过程包括三个主要阶段。在第一阶段，对S1-S2声音进行采样，即确定其时间。 使用S1-S2声音提取心音的特征[25]。在第二阶段，使用小波平面[25]构成特征向量元素。在最后阶段，通过人工神经网络实现分类过程。图1显示了其决策的过程。
2.1 S1-S2声音的分段
通过设置窗口的显示周期，使其包含一个完整的心音周期。 通过归一化，分离方法对信号的偏移量和峰峰值的依赖性降低了。 归一化之后，通过小波变换对心音进行滤波，以放大心音的两个分量：S1-S2。 最后，S1-S2声音的定时由自适应峰值检测器确定。 图2显示了心音的分离过程块[25]。
2.1.1归一化
因为心音信号的频谱包含5–500 Hz范围内的频带，所以对于计算机分析，将心音的采样频率设置为2000 Hz就足够了。 首先，选择由1700个离散数据形成的窗口，使其包含一个完整的心音周期。 然后，将心音信号的平均值和窗口的心音信号的峰峰值分别当作0和1v。
图1. 决策过程中使用的阶段。
图2心音的细分过程的各个阶段。
图3小波树上用于放大S1-S2声音的子带。 g（n）和h（n）分别代表半带高通和低通滤波器[25]。
2.1.2 使用小波变换过滤心音
S1和S2分量的频谱是由20–200 Hz频率的信号频率组成。因为采用了2000 Hz采样频率，所以将代表第三，第四和第五分解级别细节参数的子带相加。 相加子带的频谱大约对应20-200Hz的频带。 可以通过选择这三个子带可以放大S1和S2声音。 图3显示了小波树上用于放大S1-S2声音的子带。
在先前的研究中[25]，针对十四种不同的心音，分析了能够放大S1-S2声音的不同母小波和子带。 观察到，当使用18阶“ symlet”母小波时，代表第三，第四和第五级细节参数的滤波器可以更好地放大S1-S2的幅值，并且抑制除S1-S2之外的其他声音。
2.1.3 确定心音中S1-S2的位置
子带的输出上的采样和求和。通过移动窗口积分对平方输出进行平滑化处理，公式如下所示：
其中HS代表任何类型的心音，HSSS代表输出的平方，HSMSS代表经过平滑化的输出。 M依照惯例取150。在平滑化操作后，与S1-S2声音位置相对应的峰值会变得明显。
所以，可以通过简单的峰值检测器发现山峰，然后通过分析峰之间的时间间隔来确定S1和S2声音的位置[25]。
2.2 小波变换特征提取
在这项研究中，小波变换既可以用于S1-S2声音的分离，又用于特征参数的确定。 对于特征提取，利用了前五个子带。
心音异常或杂音可能出现在收缩期或舒张期，或同时出现在这两个阶段。 每个阶段； 收缩期和舒张期分为五个相等的时间段。 计算每个片段中细节参数的幂。 特征向量的元素是由五个分解级别中每个子带的十个功率值形成。 因此，特征向量的维数确定为50（5times;10）。 图4显示了主动脉瓣关闭不全[25]时，心音的一个周期的五个子带中每个子带的特征（功率）的位置。
图4.主动脉关闭不全的一个周期的HS的五个子带中的每个子带上的特征（经过滤波的HS的分段的功率）的位置（DeCo：细节系数）。
2.3 分类过程
适当的数据表示形式的制定是分离/分类系统设计中的常见问题。为了构造良好的分类器，必须找到足以代表物理特性的特征。如果未选择正确的特征，分类性能会下降。 在这种情况下，必须在分类器结构中寻找解决问题的方案，并将人工神经网络（ANN）用作分类器以成功解决此类问题。
从目前应用可知，Kohonen的SOM（自组织映射）网络已经广泛使用于模式识别任务。 在这项研究中，因为增量自组织映射（ISOM）和Kohonen网络都是由无监督学习方案训练的，并且结构相似，所以要对比它们对心音的分类的准确性。
3 用于分类过程的人工神经网络
使用ANN作为分类器的原因有四个：（i）通过迭代训练找到表示解决方案的权重;（ii）ANN具有简单的物理实现结构;（iii）ANN可以轻松映射复杂的类分布，并且（iv）ANN的泛化属性为训练集中不存在的输入向量产生适当的结果。
3.1 Kohonen的SOM网络
有许多类型的自组织网络适用于广泛的问题。 最基本的方案之一是竞争性学习。 Kohonen的SOM网络可以看作是竞争性学习网络的扩展[29]。
在Kohonen网络中，尽管这取决于应用程序，但输出节点通常在二维网格中排序。 用户选择的顺序确定哪些输出节点是邻居。 当向量被提供给网络时，输出节点的权重因此被适配为使得在输入空间中存在的顺序在输出中被表示。
在网络训练期间遇到的三个基本问题是：（i）先验未知输出节点的数量，（ii）迭代次数以及训练期间如何更改参数值的已知，以及（iii） 许多节点用于表示分布。
3.2 增量自组织映射(ISOM)
ISOM是一个两层网络。图5显示了ISOM的结构。ISOM第一层中的节点由特征向量形成。第一层中的节点数由学习算法自动确定。获胜者通吃保证将仅激活一个节点。每个输出节点代表一个唯一的类。输出节点的标签保存在第二层（称为类层）中。
图5 ISOM的结构，N是特征空间尺寸。
ISOM具有用于无监督学习的增量结构。它的学习算法计算ISOM的第一层节点与输入特征向量之间的欧几里得距离，以确定获胜者节点（最接近输入向量的节点）。将获胜者节点和输入向量之间的最小距离与阈值进行比较，以确定输入特征向量是否是网络的新节点的候选者。如果最小距离小于阈值，则对获胜者节点的权重进行如下修改：
其中woj是最靠近输入向量的第一个节点的第j个权重（wo是获胜者节点），xj是输入（特征）向量的第j个元素X，k是迭代数，mu;是学习率。否则，新节点将包含在网络中，其权重由输入特征向量的元素确定。索引计数器增加一，并将计数器中的值分配为新节点的索引（标签）。在研究中，将学习率mu;设置为0.05值并在训练过程中保持恒定。
通过计算公式中的函数，可以以简单的方式自动确定阈值。（3）在开始自组织阶段之前。通过使用自动阈值（AT）功能，提供了一种标准计算方法以确保算法的鲁棒性。 ISOM的自动阈值定义如下：
在等式中（3）X是大小为Mtimes;N的特征向量矩阵。矩阵的每一行都由特征向量的元素构成，因此X拥有N维M个特征
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238504]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
