心音信号的采集与基于卷积神经网络的异常心音的探查

发布时间：2023-05-25 05:14

　　目的:心血管疾病是人们健康的重大威胁之一,每年大约造成1770万人死亡,占全球死亡数的31%。心音听诊具有无创、便捷与廉价等特点,在日常的临床诊断中发挥着不可替代的作用。然而,当前的数字听诊器仍不能很好的处理心音采集过程的各种噪声,并且,对异常心音的智能筛查方法仍然不能取得很好的效果。本文基于上述不足,第一部分具体阐述了对低噪声听诊器的设计。第二部分阐述了基于卷积神经网络的异常心音探测算法,从硬件设计和算法改进的角度试图解决心音听诊在临床应用上的诸多不足。研究方法:本文第一部分利用可粘贴膜结构代替传统的“钟式”结构设计听诊头有效去除了环境噪声以及操作噪声,同时利用小波阈值法抑制了系统的其他噪声,在进一步降噪的同时增大了无线传输距离。我们对采集系统进行了诊断结测试以及与3 M?Littmann?Model 3200型电子听诊器的抗噪对比测试,并分别利用归一化标准差(STD)等将结果进行量化对比研究;第二部分本文提出了一种新的算法结构,该结构分为预训练过程,数据筛选器和主训练过程,以提高自动异常心音检测算法的稳定性和准确性。预训练和数据筛选器旨在学习最适合分类的特征并通过删除特征空间中重叠...

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
英文缩略词
第一部分 :低噪声听诊系统的设计
    1 前言
    2 方法
        2.1 采集与接收装置
            2.1.1 胸廓一体式听诊头
            2.1.2 硬件滤波器组
            2.1.3 其他硬件设计
        2.2 小波降噪算法
            2.2.1 离散小波变换
            2.2.2 硬阈值
            2.2.3 软阈值
            2.2.4 最大最小阈值
            2.2.5 滤波过程
        2.3 实验设计
            2.3.1 抗噪实验
            2.3.2 诊断实验
    3 结果
        3.1 建立的样机及参数
        3.2 实验结果
            3.2.1 抗噪实验结果
            3.2.2 抗噪实验结果
    4 讨论
        4.1 “胸廓一体式”听诊头优秀的抗噪表现
        4.2 原始信号中的噪声构成
        4.3 完整的病理信息记录
    5 结论
第二部分 :基于数据筛选器与人工神经元网络的异常心音探测
    1 前言
    2 方法
        2.1 数据准备
        2.2 基准方法
        2.3 方法框架
        2.4 特征提取及网络框架
        2.5 数据筛选器
            2.5.1 t-SNE算法
            2.5.2 多重剪辑近邻法
            2.5.3 数据筛选过程
            2.5.4 主训练过程
    3 结果
        3.1 数据筛选器的结果
        3.2 分类结果
    4 讨论
        4.1 重叠数据的分析
        4.2 精度提升的原因
        4.3 数据筛选器对模型训练的影响
    5 结论
研究局限性与展望
本研究创新性的自我评价
参考文献
综述
    参考文献
攻读学位期间取得的研究成果
致谢
个人简历



本文编号：3823000