生物医学  >> Vol. 9 No. 1 (January 2019)

基于小波倒谱系数和概率神经网络的先心病心音信号识别
Recognition of Heart Sound Based on Wavelet Cepstrum Coefficient and Probabilistic Neural Network

DOI: 10.12677/HJBM.2019.91002, PDF, 下载: 473  浏览: 1,174  国家自然科学基金支持

作者: 熊 丽, 王威廉*:云南大学信息学院,云南 昆明;潘家华, 杨宏波:云南省阜外心血管病医院,云南 昆明

关键词: 先天性心脏病心音信号小波倒谱系数概率神经网络辅助诊断 Congenital Heart Disease Heart Sound Signal Wavelet Cepstrum Coefficient Probabilistic Neural Network Auxiliary Diagnosis

摘要: 目前先心病的初诊主要依靠心脏听诊,对心音信号进行分析研究有助于先心病初诊阶段的辅助诊断。本文首先对从临床采集的正常心音信号和先心病心音信号进行去噪预处理,之后提取心音信号的小波倒谱系数(WCC)作为特征,采用概率神经网络(PNN)作为分类器,用154例正常心音和105例先心病心音对分类器进行训练,用66例正常心音和45例先心病心音进行了测试。实验结果为:对正常心音的正确识别率为91%,对异常心音的正确识别率为86.7%,平均识别率89.2%。
Abstract: At present, the initial diagnosis of congenital heart disease mainly relies on cardiac auscultation. The analysis and study of the heart sound signal is helpful to the auxiliary diagnosis of congenital heart disease (CHD) at the initial stage. Firstly, the normal heart sounds and CHD heart sounds were denoised and pretreated. Then the wavelet cepstrum coefficients (WCC) of heart sounds were extracted as features. The probability neural network (PNN) was used as classifier. The classifier was trained with 154 cases of normal heart sound and 105 cases of CHD heart sound. It was tested by using 66 cases of normal heart sound signal and 45 cases of CHD heart sound. The experiment results show that the correct recognition rate of normal and abnormal heart sounds is 91% and 86.7% respectively, and average identification rate is 89.2%.

文章引用: 熊丽, 赵征鹏, 潘家华, 杨宏波, 王威廉. 基于小波倒谱系数和概率神经网络的先心病心音信号识别[J]. 生物医学, 2019, 9(1): 10-16. https://doi.org/10.12677/HJBM.2019.91002

参考文献

[1] Adam, T.B., Salam, M.S. and Gunawan, T.S. (2013) Wavelet Based Cepstral Coefficients for Neural Network Speech Recognition. Proceedings of IEEE International Conference on Signal and Image Processing Application, IEEE Press, Piscataway, 447-451.
[2] 雷磊, 佘堃. 基于小波倒谱系数和概率神经网络的取证说话人识别模型[J]. 计算机应用研究, 2018, 35(4): 978-981.
[3] 欧阳华, 杨忠林, 周卫平. 基于音频信号的数字滤波器设计实验[J]. 大学教育, 2017(4): 6-8.
[4] 曾燕来. 基于小波变换语音去噪的研究及应用[D]: [硕士学位论文]. 西安: 长安大学, 2015.
[5] 周克良, 邢素林, 聂丛楠. 基于自适应阈值小波变换的心音去噪方法[J]. 广西师范大学学报(自然科学版), 2016, 34(1): 19-25.
[6] 赵继印, 刘海英, 马洪顺, 周怀得. 基于coif5小波的多普勒胎心音信号提取算法的研究[J]. 中国生物医学工程学报, 2006(5): 538-541.
[7] 李薇, 白艳萍. 基于MEEMD小波软阈值函数的去噪方法[J]. 重庆理工大学学报(自然科学), 2018, 32(5): 189-198.
[8] 李宏全, 郭兴明, 郑伊能. 基于EMD和MFCC的舒张期心杂音的分类识别[J]. 振动与冲击, 2017, 36(11): 8-13.
[9] 郭春璐, 岳小冰. 基于支持向量机的心音信号自动识别[J]. 计算机与现代化, 2016(6): 36-39.
[10] 成谢锋, 杨贺, 马勇, 张学军, 张少白, 王悦. 进程择优法及在心音深度信任网络中的应用[J]. 计算机学报, 2018, 41(1): 208-220.
[11] 公茂法, 魏景禹, 姜文, 接怡冰, 公政,王万乐. 基于HHT和概率神经网络的变压器局部放电故障识别[J]. 现代电子技术, 2018, 41(9): 152-156.
[12] 汪鸿翔, 柳培忠, 骆炎民, 杜永兆,陈智. 高斯核函数卷积神经网络跟踪算法[J]. 智能系统学报, 2018, 13(3): 388-394.