一種心音小波神經網絡識別系統

成謝鋒, 傅女婷, 陳 胤, 張學軍, 黃麗亞

(1.南京郵電大學 電子科學與工程學院, 南京 210003；2.南京郵電大學 射頻集成與微組裝技術國家地方聯合工程實驗室, 南京 210003)

一種心音小波神經網絡識別系統

成謝鋒1,2, 傅女婷1, 陳 胤1, 張學軍1,2, 黃麗亞1

(1.南京郵電大學 電子科學與工程學院, 南京 210003；2.南京郵電大學 射頻集成與微組裝技術國家地方聯合工程實驗室, 南京 210003)

設計一種心音小波神經網絡識別系統，將心音特征抽取、有針對性的神經網絡層次化架構和分類識別融合一體，以解決復雜條件下的心音分類識別問題。提出基于心音小波神經網絡的識別模型，討論如何構造心音小波和心音小波神經網絡的方法，重點討論在網絡結構的隱含層中引入心音小波作為激活函數的算法,從而獲得一種把心音的針對性學習和心音識別技術高度融合的心音小波神經網絡識別系統。通過選取正常心音信號與早搏心音信號作為實驗對象，驗證了心音小波神經網絡識別系統的有效性和實用性，并且通過與morlet和Mexican-hat小波神經網絡識別系統相比較，證明心音小波神經網絡識別系統在收斂性、算法速度上呈現明顯的優越性。

心音；識別；心音小波神經網絡

小波神經網絡是一種基于小波基作為神經元非線性激勵函數的網絡模型。它集小波變換的時頻局部特性、聚焦特性的優點與神經網絡的自學習、自適應、魯棒性、容錯性的優點為一體[1-3]，可以使網絡從根本上避免局部最優，并且加快了收斂速度，具有很強的學習和泛化能力，在圖像處理、模式識別等領域有著廣泛的應用[4-5]。構造有針對性的小波神經網絡識別系統是提升網絡性能、提高識別效果的一種有效方法。在神經網絡結構隱含層中引入針對性小波基, 把信號的針對性學習和識別技術高度融合，實現特征抽取、分類識別的針對性表達，以解決復雜條件下的分類識別問題。本文介紹一種心音小波神經網絡識別系統的設計方法，重點分析心音小波神經網絡的設計步驟，給出其訓練算法，通過具體的應用實驗和對比分析證明了心音小波神經網絡識別系統在收斂性、算法速度上的優越性。

1 心音小波神經網絡識別系統的模型

圖1為心音小波神經網絡識別系統的模型示意圖，這是一種通過有針對性的限制條件提升心音識別效果的設計方法。

圖1 心音小波神經網絡識別系統的模型Fig.1 Model of heart sound wavelet neural network recognition system

在心音小波神經網絡識別系統中，一方面，將心音特征的優化技術和心音生理特性結合一體,獲取有生理意義的心音特征；另一方面，將心音特征優化抽取和心音識別融合在一個針對心音的分類網絡中進行處理。通過在心音小波神經網絡的隱含中引入心音小波作為激活函數,把心音的針對性學習和心音識別技術高度融合，也就是利用心音小波神經網絡識別系統的有針對性的層次化的架構，對心音特征抽取、心音分類識別實現有針對性的表達，以解決復雜條件下的心音分類識別問題。

心音小波神經網絡識別系統主要包括心音采集、預處理、特征參數提取和識別過程。心音傳感器是心音采集系統的重要組成部分，其作用是將胸壁的機械振動轉換成電信號，以方便對信號進行放大以及后續的分析與處理等。本文中所用到的心音采集裝置是選用本課題組發明的肩戴式無線心音采集器(如圖2)，該裝置已經申請了發明專利(專利公開號：CN2013093000306700)，其采集部位主要是在心尖搏動處，采樣頻率為5 000 Hz，采樣位數為16。

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

在心音小波神經網絡識別系統中預處理部分主要包括心音去噪、數據分段等。特征提取的目標是找到一種變換, 這種變換可以將原始的心音信號轉換成相對低維狀態特征空間，而且可以保存所有的原始信息以在識別系統中作有意義的比較。心音信號特征提取的一般方法可分別在時域，頻域和時頻域來討論。時頻域的主要方法包括短時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。本文主要運用能量熵特征集。

識別過程主要是運用下面介紹的心音小波神經網絡實現對心音的分類識別。

2 心音小波神經網絡的設計方法

2.1 一般小波神經網絡的結構

一般小波神經網絡的結構圖如圖3所示。設xi(i=1,2,…,m)為輸入層第i個樣本輸入，yk(k=1,2,…,n)為輸出層第k個樣本的輸出，Z(x)=(z1,z2,…,zf)為小波函數，輸入層與隱含層的連接權值為w1ij；隱含層與輸出層的連接權值為w2jk。則隱含層神經元的輸入為：

(1)

圖3 小波神經網絡的結構圖 Fig.3 Wavelet neural network model structure diagram

ψa,b(input1j)=ψ[(input1j-bj)/aj]

(2)

聯立式(1)和式(2)，則小波神經網絡模型輸出可以表示為：

(3)

式中:θ為偏移值，又叫閾值。

小波神經網絡是將神經網絡隱層節點的激活函數由小波函數代替，相應的輸入層到隱含層的權值由小波函數的尺度伸縮因子a代替，隱含層到輸出層的權值由平移因子b代替，所以小波神經網絡的構造實際上就是激活函數的構造[6]。小波與神經網絡目前的“融合”主要有三種模型：

(1)用連續參數的小波作為神經網絡的隱層函數；

(2)用多分辨率的小波作為神經網絡的隱層函數；

(3)用正交基作為神經網絡的隱層函數。

因為激活函數可以引入非線性因素，解決線性模型所不能解決的問題。所以激活函數的選擇無論對于識別率或收斂速度都有顯著的影響。常用的激活函數包括閾值型、分階段性函數以及sigmoid函數等形式[7]。

2.2 心音小波神經網絡的設計

構造心音小波神經網絡的步驟為：

步驟1 構造心音小波基函數。

令濾波器長度為10，消失距為5時，可得到心音小波基的一組實數解：

(4)

(5)

圖4 小波基構造流程Fig.4 Wavelet structure flowchart

步驟2 心音小波系數的時域化表達式。

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域解析形式。

步驟3 用心音小波基替代神經網絡中的激活函數，構造一種心音小波神經網絡。

設一段長度為N的正常心音信號模型可描述為：

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

(7)

式中:s1、s2分別為第一、第二心音信號；s3、s4分別為第三、第四心音，其信號強度較弱，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。

再將式(6)和式(7)代入式(3)的小波神經網絡模型中，可構造出一種心音小波神經網絡，其模型結構圖如圖5所示。該心音小波神經網絡的輸出為：

k=1,2,…,K

(8)

圖5 心音小波神經網絡的結構圖Fig.5 Heart sound wavelet neural network model diagram

3 心音小波神經網絡識別系統的應用

3.1 針對心音信號的訓練算法

神經網絡的訓練實際就是要獲得隱含層到輸出層的權值。在心音小波神經網絡識別系統中，樣本維數比較大，求解的代價也會變得很大，所以可以根據心音的特點定義一個最小化誤差函數, 從而得到權值wkp的唯一解。

設第n個樣本心音信號為HSn，對其進行特征提取得到m個特征值,即HSn=[hs1(n),hs2(n),…,hsm-1(n),hsm(n)]，定義心音小波神經網絡識別系統訓練誤差為：

HSWNN(eN)=

(9)

式中：l為迭代次數;λ為迭代步長;gk(Xn)為樣本n在第N個隱含層節點的輸出。

該識別系統最小化誤差訓練算法以誤差為指導，不斷對參數進行修改，使誤差往小的方向發展，目的性很強，不像一般搜索算法那么盲目和難以預測，收斂速度明顯具有優勢。

3.2 實驗與比較

本文選取正常心音信號與早搏心音信號作為實驗對象進行分類識別，其中一組正常心音與早搏心音信號的波形圖,如圖6所示。

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

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

圖7 兩類心音信號的歸一化能量圖Fig.7 Normalized energy diagram of two kind heart sound

為了更好的評價心音小波神經網絡識別系統的性能，與常用的Mexican hat和Morlet小波神經網絡識別系統進行對比分析。其中，自構心音小波基與Mexican hat和Morlet小波基的波形圖,如圖8所示。

(a) 心音小波函數 (b) Morlet小波函數

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

從本課題組建立的心音數據庫中任意選定20組早搏心音信號和20組正常心音信號作為訓練數據，分別編號為正常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數據。因篇幅有限，這里分別只列出兩組數據。

訓練數據的能量特征值見表1。

表1 訓練數據的能量特征值

待測數據的能量特征值見表2。

表2 待測數據的能量特征值

為了對早搏心音信號、正常心音信號進行模式識別，將識別目標值劃定為兩類：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。

首先將訓練數據輸入到圖3所示的心音小波神經網絡識別系統中進行訓練，并根據式(9)和式(10)調整好網絡中的各個參數；然后再將待測數據代入到訓練好的心音小波神經網絡識別系統中進行驗證，最后可得到20組輸出值。將輸出值與目標值在同等情況下進行對比，圖9表示10組正常心音信號、10組早搏心音信號輸出值與目標值的對比圖。

圖9 輸出值與目標值對比圖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，運用自構心音小波神經網絡識別系統對10組正常心音信號，10組早搏心音信號進行檢測，重復10次，平均識別率為97%。在同樣的被測數據與待測數據下，本文利用Morlet與Mexican hat 小波神經網絡識別系統重復了上述實驗，分別得到了其誤差曲線圖、運算時間、心音識別率。誤差曲線如圖10所示，性能比較結果見表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 不同小波基構成的小波神經網絡識別系統的誤差曲圖Fig.10 Error curve of different wavelet neural network

運算時間收斂性識別率/%心音小波神經網絡識別系統0．0156快97Mrolet小波神經網絡識別系統0．0312中97Mexicanhat小波神經網絡識別系統0．0312慢97

分析圖10可得知在心音小波神經網絡識別系統中，當訓練次數到達50次左右就收斂了，Morlet小波神經網絡識別系統在訓練次數接近100次時才收斂，而Mexican hat 小波神經網絡識別系統要訓練將近300次才基本達到收斂；分析表3可知，在保證正確識別率不變的情況下，心音小波神經網絡識別系統計算代價是最小的。綜上所述，心音小波神經網絡識別系統具有更好地收斂性，運算時間也更少，識別率可達97%。

4 結 論

本文主要完成了以下工作：

(1)設計一種基于心音小波神經網絡識別系統, 并介紹了該系統的模型結構及各部分的功能。

(2)分析構造心音小波和心音小波神經網絡的方法, 重點討論在網絡結構的隱含層中引入心音小波作為激活函數的算法，獲得了一種把心音的針對性學習和心音識別技術高度融合的心音小波神經網絡識別系統。

(3)選取正常心音信號與早搏心音信號做了仿真實驗，實驗結果表明心音小波神經網絡識別系統的正確率達到97%，在收斂性、算法速度上遠遠超過了Morlet和Mexican hat小波神經網絡所構成的識別系統。

[ 1 ] DUDA R O, HART P E,STORK D G.模式分類[M].北京：機械工業出版社,2010:45-92.

[ 2 ] 蔡念,胡匡祜,李淑宇,等.小波神經網絡及其應用[J].中國體視學與圖像分析, 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. 基于遺傳小波神經網絡的機器人腕力傳感器動態建模研究[J]. 物理學報, 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. 時間序列的小波神經網絡預測模型的研究[J]. 系統工程理論與實踐, 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,王耀南. 基于徑向小波神經網絡的混沌系統魯棒自適應反演控制[J]. 物理學報, 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,任東,袁著祉,等. 基于多分辨率學習的正交基小波神經網絡設計[J]. 系統工程學報,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.神經網絡基本概念[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造方法[J]. 物理學報, 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. 心音身份識別技術的研究[J]. 中國科學:信息科學,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. 基于數據融合的三段式心音身份識別技術[J]. 儀器儀表學報,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] 張國華,袁中凡,李彬彬. 心音信號特征提取小波包算法研究[J]. 振動與沖擊,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

國家自然科學基金(61271334;61373065)

2016-01-11 修改稿收到日期：2016-05-16

成謝鋒 男，教授,博士生導師，1956年4月生

TP11

A

10.13465/j.cnki.jvs.2017.03.001