成謝鋒, 傅女婷, 陳 胤, 張學(xué)軍, 黃麗亞

(1.南京郵電大學(xué) 電子科學(xué)與工程學(xué)院, 南京 210003；2.南京郵電大學(xué) 射頻集成與微組裝技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室, 南京 210003)

一種心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)

成謝鋒1,2, 傅女婷1, 陳 胤1, 張學(xué)軍1,2, 黃麗亞1

(1.南京郵電大學(xué) 電子科學(xué)與工程學(xué)院, 南京 210003；2.南京郵電大學(xué) 射頻集成與微組裝技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室, 南京 210003)

設(shè)計(jì)一種心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)，將心音特征抽取、有針對(duì)性的神經(jīng)網(wǎng)絡(luò)層次化架構(gòu)和分類(lèi)識(shí)別融合一體，以解決復(fù)雜條件下的心音分類(lèi)識(shí)別問(wèn)題。提出基于心音小波神經(jīng)網(wǎng)絡(luò)的識(shí)別模型，討論如何構(gòu)造心音小波和心音小波神經(jīng)網(wǎng)絡(luò)的方法，重點(diǎn)討論在網(wǎng)絡(luò)結(jié)構(gòu)的隱含層中引入心音小波作為激活函數(shù)的算法,從而獲得一種把心音的針對(duì)性學(xué)習(xí)和心音識(shí)別技術(shù)高度融合的心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)。通過(guò)選取正常心音信號(hào)與早搏心音信號(hào)作為實(shí)驗(yàn)對(duì)象，驗(yàn)證了心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)的有效性和實(shí)用性，并且通過(guò)與morlet和Mexican-hat小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)相比較，證明心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)在收斂性、算法速度上呈現(xiàn)明顯的優(yōu)越性。

心音；識(shí)別；心音小波神經(jīng)網(wǎng)絡(luò)

小波神經(jīng)網(wǎng)絡(luò)是一種基于小波基作為神經(jīng)元非線性激勵(lì)函數(shù)的網(wǎng)絡(luò)模型。它集小波變換的時(shí)頻局部特性、聚焦特性的優(yōu)點(diǎn)與神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)、魯棒性、容錯(cuò)性的優(yōu)點(diǎn)為一體[1-3]，可以使網(wǎng)絡(luò)從根本上避免局部最優(yōu)，并且加快了收斂速度，具有很強(qiáng)的學(xué)習(xí)和泛化能力，在圖像處理、模式識(shí)別等領(lǐng)域有著廣泛的應(yīng)用[4-5]。構(gòu)造有針對(duì)性的小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)是提升網(wǎng)絡(luò)性能、提高識(shí)別效果的一種有效方法。在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)隱含層中引入針對(duì)性小波基, 把信號(hào)的針對(duì)性學(xué)習(xí)和識(shí)別技術(shù)高度融合，實(shí)現(xiàn)特征抽取、分類(lèi)識(shí)別的針對(duì)性表達(dá)，以解決復(fù)雜條件下的分類(lèi)識(shí)別問(wèn)題。本文介紹一種心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)的設(shè)計(jì)方法，重點(diǎn)分析心音小波神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)步驟，給出其訓(xùn)練算法，通過(guò)具體的應(yīng)用實(shí)驗(yàn)和對(duì)比分析證明了心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)在收斂性、算法速度上的優(yōu)越性。

1 心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)的模型

圖1為心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)的模型示意圖，這是一種通過(guò)有針對(duì)性的限制條件提升心音識(shí)別效果的設(shè)計(jì)方法。

圖1 心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)的模型Fig.1 Model of heart sound wavelet neural network recognition system

在心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)中，一方面，將心音特征的優(yōu)化技術(shù)和心音生理特性結(jié)合一體,獲取有生理意義的心音特征；另一方面，將心音特征優(yōu)化抽取和心音識(shí)別融合在一個(gè)針對(duì)心音的分類(lèi)網(wǎng)絡(luò)中進(jìn)行處理。通過(guò)在心音小波神經(jīng)網(wǎng)絡(luò)的隱含中引入心音小波作為激活函數(shù),把心音的針對(duì)性學(xué)習(xí)和心音識(shí)別技術(shù)高度融合，也就是利用心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)的有針對(duì)性的層次化的架構(gòu)，對(duì)心音特征抽取、心音分類(lèi)識(shí)別實(shí)現(xiàn)有針對(duì)性的表達(dá)，以解決復(fù)雜條件下的心音分類(lèi)識(shí)別問(wèn)題。

心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)主要包括心音采集、預(yù)處理、特征參數(shù)提取和識(shí)別過(guò)程。心音傳感器是心音采集系統(tǒng)的重要組成部分，其作用是將胸壁的機(jī)械振動(dòng)轉(zhuǎn)換成電信號(hào)，以方便對(duì)信號(hào)進(jìn)行放大以及后續(xù)的分析與處理等。本文中所用到的心音采集裝置是選用本課題組發(fā)明的肩戴式無(wú)線心音采集器(如圖2)，該裝置已經(jīng)申請(qǐng)了發(fā)明專利(專利公開(kāi)號(hào)：CN2013093000306700)，其采集部位主要是在心尖搏動(dòng)處，采樣頻率為5 000 Hz，采樣位數(shù)為16。

圖2 肩戴式心音聽(tīng)診器Fig.2 Shoulder-wear heart sound stethoscope

在心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)中預(yù)處理部分主要包括心音去噪、數(shù)據(jù)分段等。特征提取的目標(biāo)是找到一種變換, 這種變換可以將原始的心音信號(hào)轉(zhuǎn)換成相對(duì)低維狀態(tài)特征空間，而且可以保存所有的原始信息以在識(shí)別系統(tǒng)中作有意義的比較。心音信號(hào)特征提取的一般方法可分別在時(shí)域，頻域和時(shí)頻域來(lái)討論。時(shí)頻域的主要方法包括短時(shí)傅里葉變換譜特征集，小波變換譜特征集等,頻域的主要方法包括(希爾伯特黃變換)HHT譜特征集等。本文主要運(yùn)用能量熵特征集。

識(shí)別過(guò)程主要是運(yùn)用下面介紹的心音小波神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)心音的分類(lèi)識(shí)別。

2 心音小波神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)方法

2.1 一般小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

一般小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖3所示。設(shè)xi(i=1,2,…,m)為輸入層第i個(gè)樣本輸入，yk(k=1,2,…,n)為輸出層第k個(gè)樣本的輸出，Z(x)=(z1,z2,…,zf)為小波函數(shù)，輸入層與隱含層的連接權(quán)值為w1ij；隱含層與輸出層的連接權(quán)值為w2jk。則隱含層神經(jīng)元的輸入為：

(1)

圖3 小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖 Fig.3 Wavelet neural network model structure diagram

ψa,b(input1j)=ψ[(input1j-bj)/aj]

(2)

聯(lián)立式(1)和式(2)，則小波神經(jīng)網(wǎng)絡(luò)模型輸出可以表示為：

(3)

式中:θ為偏移值，又叫閾值。

小波神經(jīng)網(wǎng)絡(luò)是將神經(jīng)網(wǎng)絡(luò)隱層節(jié)點(diǎn)的激活函數(shù)由小波函數(shù)代替，相應(yīng)的輸入層到隱含層的權(quán)值由小波函數(shù)的尺度伸縮因子a代替，隱含層到輸出層的權(quán)值由平移因子b代替，所以小波神經(jīng)網(wǎng)絡(luò)的構(gòu)造實(shí)際上就是激活函數(shù)的構(gòu)造[6]。小波與神經(jīng)網(wǎng)絡(luò)目前的“融合”主要有三種模型：

(1)用連續(xù)參數(shù)的小波作為神經(jīng)網(wǎng)絡(luò)的隱層函數(shù)；

(2)用多分辨率的小波作為神經(jīng)網(wǎng)絡(luò)的隱層函數(shù)；

(3)用正交基作為神經(jīng)網(wǎng)絡(luò)的隱層函數(shù)。

因?yàn)榧せ詈瘮?shù)可以引入非線性因素，解決線性模型所不能解決的問(wèn)題。所以激活函數(shù)的選擇無(wú)論對(duì)于識(shí)別率或收斂速度都有顯著的影響。常用的激活函數(shù)包括閾值型、分階段性函數(shù)以及sigmoid函數(shù)等形式[7]。

2.2 心音小波神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)

構(gòu)造心音小波神經(jīng)網(wǎng)絡(luò)的步驟為：

步驟1 構(gòu)造心音小波基函數(shù)。

令濾波器長(zhǎng)度為10，消失距為5時(shí)，可得到心音小波基的一組實(shí)數(shù)解：

(4)

(5)

圖4 小波基構(gòu)造流程Fig.4 Wavelet structure flowchart

步驟2 心音小波系數(shù)的時(shí)域化表達(dá)式。

將式(4)、式(5)的解代入式(6)的雙尺度方程中：

(6)

令N=10，可獲得心音小波基的時(shí)域解析形式。

步驟3 用心音小波基替代神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)，構(gòu)造一種心音小波神經(jīng)網(wǎng)絡(luò)。

設(shè)一段長(zhǎng)度為N的正常心音信號(hào)模型可描述為：

k3s3(t)+k4s4(t)+k5s5(t))

(7)

式中:s1、s2分別為第一、第二心音信號(hào)；s3、s4分別為第三、第四心音，其信號(hào)強(qiáng)度較弱，一般不予討論[10-11]；s5為心音中的雜音成分；ki(i=1,2,3,4,5)為合成系數(shù)。

再將式(6)和式(7)代入式(3)的小波神經(jīng)網(wǎng)絡(luò)模型中，可構(gòu)造出一種心音小波神經(jīng)網(wǎng)絡(luò)，其模型結(jié)構(gòu)圖如圖5所示。該心音小波神經(jīng)網(wǎng)絡(luò)的輸出為：

k=1,2,…,K

(8)

圖5 心音小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖Fig.5 Heart sound wavelet neural network model diagram

3 心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)的應(yīng)用

3.1 針對(duì)心音信號(hào)的訓(xùn)練算法

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練實(shí)際就是要獲得隱含層到輸出層的權(quán)值。在心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)中，樣本維數(shù)比較大，求解的代價(jià)也會(huì)變得很大，所以可以根據(jù)心音的特點(diǎn)定義一個(gè)最小化誤差函數(shù), 從而得到權(quán)值wkp的唯一解。

設(shè)第n個(gè)樣本心音信號(hào)為HSn，對(duì)其進(jìn)行特征提取得到m個(gè)特征值,即HSn=[hs1(n),hs2(n),…,hsm-1(n),hsm(n)]，定義心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)訓(xùn)練誤差為：

HSWNN(eN)=

(9)

式中：l為迭代次數(shù);λ為迭代步長(zhǎng);gk(Xn)為樣本n在第N個(gè)隱含層節(jié)點(diǎn)的輸出。

該識(shí)別系統(tǒng)最小化誤差訓(xùn)練算法以誤差為指導(dǎo)，不斷對(duì)參數(shù)進(jìn)行修改，使誤差往小的方向發(fā)展，目的性很強(qiáng)，不像一般搜索算法那么盲目和難以預(yù)測(cè)，收斂速度明顯具有優(yōu)勢(shì)。

3.2 實(shí)驗(yàn)與比較

本文選取正常心音信號(hào)與早搏心音信號(hào)作為實(shí)驗(yàn)對(duì)象進(jìn)行分類(lèi)識(shí)別，其中一組正常心音與早搏心音信號(hào)的波形圖,如圖6所示。

圖6 一組正常心音信號(hào)與早搏心音信號(hào)的波形圖Fig.6 A group of normal heart sound signal waveforms and premature heart sound signals waveforms

針對(duì)圖6所示的兩類(lèi)心音信號(hào)，分別進(jìn)行四層分解，并將四層分解后的16個(gè)頻率段的歸一化能量值作為特征向量進(jìn)行特征表征[12-13]。圖7為這2類(lèi)心音信號(hào)的歸一化能量圖，其中E9是頻率段1 000 Hz以上歸一化能量值之和。

圖7 兩類(lèi)心音信號(hào)的歸一化能量圖Fig.7 Normalized energy diagram of two kind heart sound

為了更好的評(píng)價(jià)心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)的性能，與常用的Mexican hat和Morlet小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)進(jìn)行對(duì)比分析。其中，自構(gòu)心音小波基與Mexican hat和Morlet小波基的波形圖,如圖8所示。

(a) 心音小波函數(shù) (b) Morlet小波函數(shù)

(c)Mexican hat小波函數(shù)圖8 三種小波函數(shù)波形圖Fig.8 Wavelet function

從本課題組建立的心音數(shù)據(jù)庫(kù)中任意選定20組早搏心音信號(hào)和20組正常心音信號(hào)作為訓(xùn)練數(shù)據(jù)，分別編號(hào)為正常1～正常20、早搏1～早搏20；然后再任意選定10組正常心音與10組早搏心音作為待測(cè)數(shù)據(jù)。因篇幅有限，這里分別只列出兩組數(shù)據(jù)。

訓(xùn)練數(shù)據(jù)的能量特征值見(jiàn)表1。

表1 訓(xùn)練數(shù)據(jù)的能量特征值

待測(cè)數(shù)據(jù)的能量特征值見(jiàn)表2。

表2 待測(cè)數(shù)據(jù)的能量特征值

為了對(duì)早搏心音信號(hào)、正常心音信號(hào)進(jìn)行模式識(shí)別，將識(shí)別目標(biāo)值劃定為兩類(lèi)：1 0 0 0 0 0 0 0 0 代表早搏心音，0 1 0 0 0 0 0 0 0 代表正常心音。

首先將訓(xùn)練數(shù)據(jù)輸入到圖3所示的心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)中進(jìn)行訓(xùn)練，并根據(jù)式(9)和式(10)調(diào)整好網(wǎng)絡(luò)中的各個(gè)參數(shù)；然后再將待測(cè)數(shù)據(jù)代入到訓(xùn)練好的心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)中進(jìn)行驗(yàn)證，最后可得到20組輸出值。將輸出值與目標(biāo)值在同等情況下進(jìn)行對(duì)比，圖9表示10組正常心音信號(hào)、10組早搏心音信號(hào)輸出值與目標(biāo)值的對(duì)比圖。

圖9 輸出值與目標(biāo)值對(duì)比圖Fig.9 Comparison chart of output value and target value

分析圖9可知，在誤差允許的范圍內(nèi)，運(yùn)用自構(gòu)心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)對(duì)10組正常心音信號(hào)，10組早搏心音信號(hào)進(jìn)行檢測(cè)，重復(fù)10次，平均識(shí)別率為97%。在同樣的被測(cè)數(shù)據(jù)與待測(cè)數(shù)據(jù)下，本文利用Morlet與Mexican hat 小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)重復(fù)了上述實(shí)驗(yàn)，分別得到了其誤差曲線圖、運(yùn)算時(shí)間、心音識(shí)別率。誤差曲線如圖10所示，性能比較結(jié)果見(jiàn)表3。

(a)心音小波基誤差曲線 (b)Morlet小波基誤差曲線 (c)Mexican hat小波基誤差曲線圖10 不同小波基構(gòu)成的小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)的誤差曲圖Fig.10 Error curve of different wavelet neural network

運(yùn)算時(shí)間收斂性識(shí)別率/%心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)0．0156快97Mrolet小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)0．0312中97Mexicanhat小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)0．0312慢97

分析圖10可得知在心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)中，當(dāng)訓(xùn)練次數(shù)到達(dá)50次左右就收斂了，Morlet小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)在訓(xùn)練次數(shù)接近100次時(shí)才收斂，而Mexican hat 小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)要訓(xùn)練將近300次才基本達(dá)到收斂；分析表3可知，在保證正確識(shí)別率不變的情況下，心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)計(jì)算代價(jià)是最小的。綜上所述，心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)具有更好地收斂性，運(yùn)算時(shí)間也更少，識(shí)別率可達(dá)97%。

4 結(jié) 論

本文主要完成了以下工作：

(1)設(shè)計(jì)一種基于心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng), 并介紹了該系統(tǒng)的模型結(jié)構(gòu)及各部分的功能。

(2)分析構(gòu)造心音小波和心音小波神經(jīng)網(wǎng)絡(luò)的方法, 重點(diǎn)討論在網(wǎng)絡(luò)結(jié)構(gòu)的隱含層中引入心音小波作為激活函數(shù)的算法，獲得了一種把心音的針對(duì)性學(xué)習(xí)和心音識(shí)別技術(shù)高度融合的心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)。

(3)選取正常心音信號(hào)與早搏心音信號(hào)做了仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明心音小波神經(jīng)網(wǎng)絡(luò)識(shí)別系統(tǒng)的正確率達(dá)到97%，在收斂性、算法速度上遠(yuǎn)遠(yuǎn)超過(guò)了Morlet和Mexican hat小波神經(jīng)網(wǎng)絡(luò)所構(gòu)成的識(shí)別系統(tǒng)。

[ 1 ] DUDA R O, HART P E,STORK D G.模式分類(lèi)[M].北京：機(jī)械工業(yè)出版社,2010:45-92.

[ 2 ] 蔡念,胡匡祜,李淑宇,等.小波神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[J].中國(guó)體視學(xué)與圖像分析, 2001, 6(4):239-245. CAI Nian，HU Kuanghu,LI Shuyu,et al. Wavelet neural network and its application [J]. Chinese Journal of Stereology and Image Analysis, 2001,6(4):239-245.

[ 3 ] 俞阿龍. 基于遺傳小波神經(jīng)網(wǎng)絡(luò)的機(jī)器人腕力傳感器動(dòng)態(tài)建模研究[J]. 物理學(xué)報(bào), 2008,57(6):3385-3390. YU Along. Research on the dynamic modeling based on genetic waveletneural network for the robot wrist force sensor[J]. Acta Physica Sinica, 2008, 57(6):3385-3390.

[ 4 ] 牛東曉,邢棉. 時(shí)間序列的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的研究[J]. 系統(tǒng)工程理論與實(shí)踐, 1999,19(5):90-93. NIU Dongxiao,XING Mian.A study on wavelet neural network prediction model of time series[J]. Systems Engineering-Theory & Practice, 1999,19(5):90-93.

[ 5 ] 繆志強(qiáng),王耀南. 基于徑向小波神經(jīng)網(wǎng)絡(luò)的混沌系統(tǒng)魯棒自適應(yīng)反演控制[J]. 物理學(xué)報(bào), 2012,61(3):64-70. MIAO Zhiqiang,WANG Yaonan. Robust adaptive radial wavelet neural network control for chaotic systems using backstepping design[J].Acta Physica Sinica, 2012,61(3):64-70.

[ 6 ] 陳增強(qiáng),任東,袁著祉,等. 基于多分辨率學(xué)習(xí)的正交基小波神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[J]. 系統(tǒng)工程學(xué)報(bào),2003(3):218-223. CHEN Zengqiang, REN Dong, YUAN Zhuzhi, et al. Design of orthogonal basis wavelet neural network based on multiresolution learning[J] Journal of System Engineering,2003(3):218-223.

[ 7 ] 陳瑞.神經(jīng)網(wǎng)絡(luò)基本概念[OL].http://chenrui8712.blog.163.com/blog/static/183844271201212971112547/.

[ 8 ] 成謝鋒,張正. 一種雙正交心音小波的構(gòu)造方法[J]. 物理學(xué)報(bào), 2013,62(16):454-465. CHENG Xiefeng, ZHANG Zheng.A construction method of biorthogonal heart sound wavelet[J] Acta Physica Sinica, 2013,62(16):454-465.

[10] 成謝鋒,馬勇,劉陳,等. 心音身份識(shí)別技術(shù)的研究[J]. 中國(guó)科學(xué):信息科學(xué),2012,42(2):235-249. CHENG Xiefeng, MA Yong, LIU Chen, et al. An introduction to heart sounds identification technology[J]. Science Sinica Informations, 2012,42(2):235-249.

[11] 成謝鋒,馬勇,張少白,等. 基于數(shù)據(jù)融合的三段式心音身份識(shí)別技術(shù)[J]. 儀器儀表學(xué)報(bào),2010,31(8):1712-1719. CHENG Xiefeng,MA Yong,ZHANG Shaobai,et al.Tree-step identity recognition technology using heart sound based on information fusion[J]. Chinese Journal of Scientific Instrument, 2010, 31(8):1712-1719.

[12] 張國(guó)華,袁中凡,李彬彬. 心音信號(hào)特征提取小波包算法研究[J]. 振動(dòng)與沖擊,2008, 27(7):47-49. ZHANG Guohua,YUAN Zhongfan,LI Binbin. Research on wavelete packet algorithm for feature extraction of heart sound signal[J]. Journal of Vibration and Shock, 2008, 27(7):47-49.

A recognition system for a heart sound wavelet neural network

CHENG Xiefeng1,2, FU Nüting1, CHEN Yin1, ZHANG Xuejun1, HUANG Liya1

(1. College of Electronic Science and Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China;2. Nation-Local Joint Project Engineering Lab of RF Integration & Micropackage, Nanjing University of Posts and Telecommunications, Nanjing 210003, China)

Here, a recognition system for a heart sound wavelet neural network was designed, with it heart sound features were extracted, the neural network structure was layered, identified and classified to solve the problem of heart sound classification recognition under complicated conditions. Firstly, a recognition model based on heart sound wavelet neural network was proposed. Then the method to construct heart sound wavelet and heart sound wavelet neural network was discussed. The algorithm for introducing heart sound wavelet as the activation function of neural network hidden layer was discussed specially to obtain a recognition system of heart sound wavelet neural network highly fusing heart sound targeted learning and heart sound recognition technique. Finally, normal heart sound signals and beats heart sound signals were selected as the test objects and to verify the effectiveness and practicality of a heart sound wavelet neural network recognition system. Compared with Morlet wavelet neural network recognition system and Mexican hat wavelet neural network recognition system, it was shown that the heart sound wavelet neural network recognition system is superior in convergence and alrorithm speed.

heart sound; recognition; heart sound wavelet neural network

國(guó)家自然科學(xué)基金(61271334;61373065)

2016-01-11 修改稿收到日期：2016-05-16

成謝鋒 男，教授,博士生導(dǎo)師，1956年4月生

TP11

A

10.13465/j.cnki.jvs.2017.03.001