一种心音小波神经网络识别系统

成谢锋, 傅女婷, 陈 胤, 张学军, 黄丽亚

(1.南京邮电大学 电子科学与工程学院, 南京 210003；2.南京邮电大学 射频集成与微组装技术国家地方联合工程实验室, 南京 210003)

一种心音小波神经网络识别系统

成谢锋1,2, 傅女婷1, 陈 胤1, 张学军1,2, 黄丽亚1

(1.南京邮电大学 电子科学与工程学院, 南京 210003；2.南京邮电大学 射频集成与微组装技术国家地方联合工程实验室, 南京 210003)

设计一种心音小波神经网络识别系统，将心音特征抽取、有针对性的神经网络层次化架构和分类识别融合一体，以解决复杂条件下的心音分类识别问题。提出基于心音小波神经网络的识别模型，讨论如何构造心音小波和心音小波神经网络的方法，重点讨论在网络结构的隐含层中引入心音小波作为激活函数的算法,从而获得一种把心音的针对性学习和心音识别技术高度融合的心音小波神经网络识别系统。通过选取正常心音信号与早搏心音信号作为实验对象，验证了心音小波神经网络识别系统的有效性和实用性，并且通过与morlet和Mexican-hat小波神经网络识别系统相比较，证明心音小波神经网络识别系统在收敛性、算法速度上呈现明显的优越性。

心音；识别；心音小波神经网络

小波神经网络是一种基于小波基作为神经元非线性激励函数的网络模型。它集小波变换的时频局部特性、聚焦特性的优点与神经网络的自学习、自适应、鲁棒性、容错性的优点为一体[1-3]，可以使网络从根本上避免局部最优，并且加快了收敛速度，具有很强的学习和泛化能力，在图像处理、模式识别等领域有着广泛的应用[4-5]。构造有针对性的小波神经网络识别系统是提升网络性能、提高识别效果的一种有效方法。在神经网络结构隐含层中引入针对性小波基, 把信号的针对性学习和识别技术高度融合，实现特征抽取、分类识别的针对性表达，以解决复杂条件下的分类识别问题。本文介绍一种心音小波神经网络识别系统的设计方法，重点分析心音小波神经网络的设计步骤，给出其训练算法，通过具体的应用实验和对比分析证明了心音小波神经网络识别系统在收敛性、算法速度上的优越性。

1 心音小波神经网络识别系统的模型

图1为心音小波神经网络识别系统的模型示意图，这是一种通过有针对性的限制条件提升心音识别效果的设计方法。

图1 心音小波神经网络识别系统的模型Fig.1 Model of heart sound wavelet neural network recognition system

在心音小波神经网络识别系统中，一方面，将心音特征的优化技术和心音生理特性结合一体,获取有生理意义的心音特征；另一方面，将心音特征优化抽取和心音识别融合在一个针对心音的分类网络中进行处理。通过在心音小波神经网络的隐含中引入心音小波作为激活函数,把心音的针对性学习和心音识别技术高度融合，也就是利用心音小波神经网络识别系统的有针对性的层次化的架构，对心音特征抽取、心音分类识别实现有针对性的表达，以解决复杂条件下的心音分类识别问题。

心音小波神经网络识别系统主要包括心音采集、预处理、特征参数提取和识别过程。心音传感器是心音采集系统的重要组成部分，其作用是将胸壁的机械振动转换成电信号，以方便对信号进行放大以及后续的分析与处理等。本文中所用到的心音采集装置是选用本课题组发明的肩戴式无线心音采集器(如图2)，该装置已经申请了发明专利(专利公开号：CN2013093000306700)，其采集部位主要是在心尖搏动处，采样频率为5 000 Hz，采样位数为16。

图2 肩戴式心音听诊器Fig.2 Shoulder-wear heart sound stethoscope

在心音小波神经网络识别系统中预处理部分主要包括心音去噪、数据分段等。特征提取的目标是找到一种变换, 这种变换可以将原始的心音信号转换成相对低维状态特征空间，而且可以保存所有的原始信息以在识别系统中作有意义的比较。心音信号特征提取的一般方法可分别在时域，频域和时频域来讨论。时频域的主要方法包括短时傅里叶变换谱特征集，小波变换谱特征集等,频域的主要方法包括(希尔伯特黄变换)HHT谱特征集等。本文主要运用能量熵特征集。

识别过程主要是运用下面介绍的心音小波神经网络实现对心音的分类识别。

2 心音小波神经网络的设计方法

2.1 一般小波神经网络的结构

一般小波神经网络的结构图如图3所示。设xi(i=1,2,…,m)为输入层第i个样本输入，yk(k=1,2,…,n)为输出层第k个样本的输出，Z(x)=(z1,z2,…,zf)为小波函数，输入层与隐含层的连接权值为w1ij；隐含层与输出层的连接权值为w2jk。则隐含层神经元的输入为：

(1)

图3 小波神经网络的结构图 Fig.3 Wavelet neural network model structure diagram

ψa,b(input1j)=ψ[(input1j-bj)/aj]

(2)

联立式(1)和式(2)，则小波神经网络模型输出可以表示为：

(3)

式中:θ为偏移值，又叫阈值。

小波神经网络是将神经网络隐层节点的激活函数由小波函数代替，相应的输入层到隐含层的权值由小波函数的尺度伸缩因子a代替，隐含层到输出层的权值由平移因子b代替，所以小波神经网络的构造实际上就是激活函数的构造[6]。小波与神经网络目前的“融合”主要有三种模型：

(1)用连续参数的小波作为神经网络的隐层函数；

(2)用多分辨率的小波作为神经网络的隐层函数；

(3)用正交基作为神经网络的隐层函数。

因为激活函数可以引入非线性因素，解决线性模型所不能解决的问题。所以激活函数的选择无论对于识别率或收敛速度都有显著的影响。常用的激活函数包括阈值型、分阶段性函数以及sigmoid函数等形式[7]。

2.2 心音小波神经网络的设计

构造心音小波神经网络的步骤为：

步骤1 构造心音小波基函数。

令滤波器长度为10，消失距为5时，可得到心音小波基的一组实数解：

(4)

(5)

图4 小波基构造流程Fig.4 Wavelet structure flowchart

步骤2 心音小波系数的时域化表达式。

将式(4)、式(5)的解代入式(6)的双尺度方程中：

(6)

令N=10，可获得心音小波基的时域解析形式。

步骤3 用心音小波基替代神经网络中的激活函数，构造一种心音小波神经网络。

设一段长度为N的正常心音信号模型可描述为：

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

(7)

式中:s1、s2分别为第一、第二心音信号；s3、s4分别为第三、第四心音，其信号强度较弱，一般不予讨论[10-11]；s5为心音中的杂音成分；ki(i=1,2,3,4,5)为合成系数。

再将式(6)和式(7)代入式(3)的小波神经网络模型中，可构造出一种心音小波神经网络，其模型结构图如图5所示。该心音小波神经网络的输出为：

k=1,2,…,K

(8)

图5 心音小波神经网络的结构图Fig.5 Heart sound wavelet neural network model diagram

3 心音小波神经网络识别系统的应用

3.1 针对心音信号的训练算法

神经网络的训练实际就是要获得隐含层到输出层的权值。在心音小波神经网络识别系统中，样本维数比较大，求解的代价也会变得很大，所以可以根据心音的特点定义一个最小化误差函数, 从而得到权值wkp的唯一解。

设第n个样本心音信号为HSn，对其进行特征提取得到m个特征值,即HSn=[hs1(n),hs2(n),…,hsm-1(n),hsm(n)]，定义心音小波神经网络识别系统训练误差为：

HSWNN(eN)=

(9)

式中：l为迭代次数;λ为迭代步长;gk(Xn)为样本n在第N个隐含层节点的输出。

该识别系统最小化误差训练算法以误差为指导，不断对参数进行修改，使误差往小的方向发展，目的性很强，不像一般搜索算法那么盲目和难以预测，收敛速度明显具有优势。

3.2 实验与比较

本文选取正常心音信号与早搏心音信号作为实验对象进行分类识别，其中一组正常心音与早搏心音信号的波形图,如图6所示。

图6 一组正常心音信号与早搏心音信号的波形图Fig.6 A group of normal heart sound signal waveforms and premature heart sound signals waveforms

针对图6所示的两类心音信号，分别进行四层分解，并将四层分解后的16个频率段的归一化能量值作为特征向量进行特征表征[12-13]。图7为这2类心音信号的归一化能量图，其中E9是频率段1 000 Hz以上归一化能量值之和。

图7 两类心音信号的归一化能量图Fig.7 Normalized energy diagram of two kind heart sound

为了更好的评价心音小波神经网络识别系统的性能，与常用的Mexican hat和Morlet小波神经网络识别系统进行对比分析。其中，自构心音小波基与Mexican hat和Morlet小波基的波形图,如图8所示。

(a) 心音小波函数 (b) Morlet小波函数

(c)Mexican hat小波函数图8 三种小波函数波形图Fig.8 Wavelet function

从本课题组建立的心音数据库中任意选定20组早搏心音信号和20组正常心音信号作为训练数据，分别编号为正常1～正常20、早搏1～早搏20；然后再任意选定10组正常心音与10组早搏心音作为待测数据。因篇幅有限，这里分别只列出两组数据。

训练数据的能量特征值见表1。

表1 训练数据的能量特征值

待测数据的能量特征值见表2。

表2 待测数据的能量特征值

为了对早搏心音信号、正常心音信号进行模式识别，将识别目标值划定为两类：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。

首先将训练数据输入到图3所示的心音小波神经网络识别系统中进行训练，并根据式(9)和式(10)调整好网络中的各个参数；然后再将待测数据代入到训练好的心音小波神经网络识别系统中进行验证，最后可得到20组输出值。将输出值与目标值在同等情况下进行对比，图9表示10组正常心音信号、10组早搏心音信号输出值与目标值的对比图。

图9 输出值与目标值对比图Fig.9 Comparison chart of output value and target value

分析图9可知，在误差允许的范围内，运用自构心音小波神经网络识别系统对10组正常心音信号，10组早搏心音信号进行检测，重复10次，平均识别率为97%。在同样的被测数据与待测数据下，本文利用Morlet与Mexican hat 小波神经网络识别系统重复了上述实验，分别得到了其误差曲线图、运算时间、心音识别率。误差曲线如图10所示，性能比较结果见表3。

(a)心音小波基误差曲线 (b)Morlet小波基误差曲线 (c)Mexican hat小波基误差曲线图10 不同小波基构成的小波神经网络识别系统的误差曲图Fig.10 Error curve of different wavelet neural network

运算时间收敛性识别率/%心音小波神经网络识别系统0．0156快97Mrolet小波神经网络识别系统0．0312中97Mexicanhat小波神经网络识别系统0．0312慢97

分析图10可得知在心音小波神经网络识别系统中，当训练次数到达50次左右就收敛了，Morlet小波神经网络识别系统在训练次数接近100次时才收敛，而Mexican hat 小波神经网络识别系统要训练将近300次才基本达到收敛；分析表3可知，在保证正确识别率不变的情况下，心音小波神经网络识别系统计算代价是最小的。综上所述，心音小波神经网络识别系统具有更好地收敛性，运算时间也更少，识别率可达97%。

4 结 论

本文主要完成了以下工作：

(1)设计一种基于心音小波神经网络识别系统, 并介绍了该系统的模型结构及各部分的功能。

(2)分析构造心音小波和心音小波神经网络的方法, 重点讨论在网络结构的隐含层中引入心音小波作为激活函数的算法，获得了一种把心音的针对性学习和心音识别技术高度融合的心音小波神经网络识别系统。

(3)选取正常心音信号与早搏心音信号做了仿真实验，实验结果表明心音小波神经网络识别系统的正确率达到97%，在收敛性、算法速度上远远超过了Morlet和Mexican hat小波神经网络所构成的识别系统。

[ 1 ] DUDA R O, HART P E,STORK D G.模式分类[M].北京：机械工业出版社,2010:45-92.

[ 2 ] 蔡念,胡匡祜,李淑宇,等.小波神经网络及其应用[J].中国体视学与图像分析, 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 ] 俞阿龙. 基于遗传小波神经网络的机器人腕力传感器动态建模研究[J]. 物理学报, 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 ] 牛东晓,邢棉. 时间序列的小波神经网络预测模型的研究[J]. 系统工程理论与实践, 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 ] 缪志强,王耀南. 基于径向小波神经网络的混沌系统鲁棒自适应反演控制[J]. 物理学报, 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 ] 陈增强,任东,袁著祉,等. 基于多分辨率学习的正交基小波神经网络设计[J]. 系统工程学报,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 ] 陈瑞.神经网络基本概念[OL].http://chenrui8712.blog.163.com/blog/static/183844271201212971112547/.

[ 8 ] 成谢锋,张正. 一种双正交心音小波的构造方法[J]. 物理学报, 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] 成谢锋,马勇,刘陈,等. 心音身份识别技术的研究[J]. 中国科学:信息科学,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] 成谢锋,马勇,张少白,等. 基于数据融合的三段式心音身份识别技术[J]. 仪器仪表学报,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] 张国华,袁中凡,李彬彬. 心音信号特征提取小波包算法研究[J]. 振动与冲击,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

国家自然科学基金(61271334;61373065)

2016-01-11 修改稿收到日期：2016-05-16

成谢锋 男，教授,博士生导师，1956年4月生

TP11

A

10.13465/j.cnki.jvs.2017.03.001