基于极限梯度提升和深度神经网络共同决策的心音分类方法

心音是诊断心血管疾病常用的医学信号之一。本文对心音正常/异常的二分类问题进行了研究,提出了一种基于极限梯度提升(XGBoost)和深度神经网络共同决策的心音分类算法,实现了对特征的选择和模型准确率的进一步提升。首先,本文对预处理后的心音信号进行心音分割,在此基础上提取了5个大类的特征,前4类特征采用递归特征消除法进行特征选择,作为XGBoost分类器的输入,最后一类为梅尔频率倒谱系数(MFCC),作为长短时记忆网络(LSTM)的输入。考虑到数据集的不平衡性,本文在两种分类器中皆使用了加权改进的方法。最后采用异质集成决策方法得到预测结果。将本文所提心音分类算法应用于PhysioNet网站在2016年发起的PhysioNet心脏病学挑战赛(CINC)所用公开心音数据库,以测试灵敏度、特异性、修正后的准确率以及F得分,结果分别为93%、89.4%、91.2%、91.3%,通过与其他研究者应用机器学习、卷积神经网络(CNN)等方法的结果比较,在准确率和灵敏度上有明显提高,证明了本文方法能有效地提高心音信号分类的准确性,在部分心血管疾病的临床辅助诊断应用中有很大的潜力。     

基于多窗口时频重排的巴克频谱系数心音分类算法研究

多窗口时频重排有助于提升对心音进行巴克频谱系数（BFSC）分析的时频分辨率。为此,本文提出一种基于多窗口时频重排的BFSC特征提取与深度学习结合的心音分类新算法。首先,对随机截取的心音片段进行幅值归一化等预处理,然后分别用多个正交窗口对心音做分帧处理,及计算基于短时傅里叶变换的时频重排,将得到的各独立频谱通过算术平均计算出平稳的频谱估计。最后,通过巴克滤波器组提取该重排频谱的BFSC作为特征。本文采用卷积网络与循环神经网络作为分类器,对提取的特征进行模型比较与性能评估。最终,多窗口时频重排改进BFSC的方法提取了更具有辨别力的特征,二分类准确率达到0.936,灵敏度为0.946,特异度为0.922。研究结果表明,本文所提算法无需分割心音,随机截取心音片段,大大简化了计算流程,有望用于先天性心脏病筛查。     

使用二分支卷积神经网络识别第一心音与第二心音

心音听诊是一种重要的用于心脏疾病诊断的方法。心音中可以听见的部分主要为第一心音(S1)和第二心音(S2)。在一个心动周期中,不同阶段的杂音往往对应不同的心脏疾病,因此心音分割是利用心音进行疾病诊断的前提。S1和S2分别出现在心脏收缩期和舒张期的开始阶段,准确定位S1和S2有利于心音的正确分割。本文研究了一种不利用收缩期和舒张期的时间特征,而仅使用S1和S2本身特性的分类方法。将训练集中带有标注的S1和S2进行短时傅里叶变换得到时频图,然后构建有分支的双层卷积神经网络,使用时频图对卷积神经网络进行训练,得到可用于S1和S2分类的神经网络。神经网络对测试集中S1和S2的分类准确率最高为91.135%,高于传统的方法。神经网络的敏感性和特异性最高分别为91.156%和92.074%。该方法无需预先提取心音的特征,计算简单,有利于心音的实时分割。     

基于第二心音统计特征的先天性心脏病相关肺动脉高压诊断方法

针对先天性心脏病相关肺动脉高压听诊特征不明显,已有的机器辅助诊断算法相对复杂等问题,提出一种基于第二心音信号高频分量统计特征的分析方法。首先,采用端点检测自适应分割方法提取第二心音。其次,使用离散小波变换分解出高频分量,并提取该分量的赫斯特（Hurst）指数、勒佩尔-齐夫（Lempel-Ziv）信息和样本熵等统计特征。最后,使用这些特征训练极端梯度提升算法（XGBoost）分类器,在三分类中准确率达到了80.45%。该方法无需进行降噪处理,特征提取速度快,且只需三个特征即可实现较好的多分类效果,有望用于先天性心脏病相关肺动脉高压早期筛查。     

先天性心脏病筛查系统设计

为提高医生筛查先天性心脏病的效率,设计一款基于卷积神经网络的先天性心脏病筛查系统。系统以软硬协同的方式实现心音、心电等生理参数的实时同步采集以及可视化和定量化分析。系统包含上下位机,下位机以FPGA为核心实现心音心电数据采集以及小波阈值去噪等预处理,上位机在Windows系统环境下以Python编程语言实现二阶谱特征提取、卷积神经网络二分类识别以及用户界面可视化显示。最终,系统对200名志愿者进行测试,准确率达到94.5%,特异度为95.9%,敏感度为93.2%。结果表明系统具有良好的表现,可以为临床先心病筛查提供有效的辅助。     

基于时频组合特征与自适应模糊神经网络的心音分类算法

特征提取方法和分类器的选择是心音分类中的两个重要环节。为了充分捕捉心音信号中的病理性特征,研究中引入了一种结合梅尔频率倒谱系数（MFCC）和功率谱密度（PSD）的特征提取方法。与目前常规分类器不同,研究中选择了自适应模糊神经网络（ANFIS）为分类器。在实验设计方面,选取了不同时期、不同频率范围的PSD进行对比,选出分类效果最佳的特征,并采用均值PSD、标准差PSD、方差PSD和中位PSD四种不同的功率谱统计特性进行对比。通过实验比较,心音收缩期100～300 Hz的中位PSD和MFCC组合特征有最好的效果,在准确率、精确率、灵敏度、特异度和F1得分上分别达到96.50%、99.27%、93.35%、99.60%和96.35%。结果显示本研究所提算法对先心病辅助诊断具有较大帮助。     

融合脑电与近红外脑地形图特征学习的多模式分类

脑地形图可以用来可以监测大脑的活动状态，为了准确提取被试大脑活动产生信号的空间特征以及有效提高分类准确率，结合脑地形图和卷积神经网络提出一种多模态脑地形图神经网络分类算法(MBTMNN),对运动想象和心算进行分类识别。对脑电和近红外信号进行预处理，提取脑电的能量特征和近红外中氧合血红蛋白浓度特征，结合各自电极位置统一所有样本的colormap后生成脑地形图，将二者同时输入到卷积神经网络并在特征层进行融合得到训练模型。利用2017年柏林脑电-近红外公开数据集进行六折交叉验证实验，数据集包含29名被试，各300个样本，在运动想象左/右、心算/静息、运动想象/心算/静息和运动想象左/右/心算/静息等4种分类场景中，分别达到了82.91%、94%、90.34%和78.18%的准确率，高于同数据集的近期研究和单模态方法。所提出方法能够有效融合脑电和近红外信号以提高分类精度。     

基于样本增强的帕金森病识别算法研究

帕金森病患者早期存在声带损伤,其声纹特征与健康人存在明显差异,可以利用该差异识别帕金森病,但帕金森病患者声纹数据样本不足,因此本文提出双自注意力深度卷积生成对抗网络模型进行样本增强,生成高分辨率的语谱图,进而采用深度学习方法进行帕金森病识别。该模型通过增加网络深度并结合梯度惩罚、频谱归一化技术改进样本的纹理清晰度,并且构建一个基于迁移学习的纯粹的卷积神经网络家族（ConvNeXt）作为分类网络,以此提取声纹特征并进行分类,提升了帕金森病识别准确率。在帕金森病语音数据集上进行本文算法有效性验证实验,对比样本增强前,本文所提模型生成的样本清晰度以及弗雷谢起始距离（FID）均得到提高,并且本文网络模型能够获得98.8%的准确率。本文研究结果表明,基于双自注意力深度卷积生成对抗网络样本增强的帕金森病识别算法能够准确区分健康人和帕金森病患者,有助于解决帕金森病早期识别声纹数据样本不足的问题。综上,本文方法有效提高小样本帕金森病语音数据集分类准确率,为早期帕金森病语音诊断提供了一种有效的解决思路。     

基于黎曼空间的脑电信号特征提取和分类算法的对比研究

目前运动想象脑电信号(motor imagery electroencephalogram, MI-EEG)的分类方法主要分为两种,一种是利用人工设计MI-EEG特征的相似度/非相似度度量进行分类的算法,另一种是利用深度学习自动学习特征完成分类的算法。为探究两种方法的优劣及适用场景,本研究首先基于黎曼空间提出利用Stein散度作为MI-EEG的相似度/非相似度度量,用K最邻近法进行分类的算法;其次,提出利用黎曼流形结构下的卷积神经网络自动提取脑电信号特征进行分类的算法,最后对两种分类算法进行对比研究。为验证两种算法的有效性,在BCI Competition IV-2a公开数据集上进行实验测试。结果证明,两种分类算法均具有较强的稳定性和分类准确率,利用黎曼流形结构的卷积神经网络算法可获得更高的分类准确率,传统机器学习中利用Stein散度作为MI-EEG相似度/非相似度度量的脑电分类算法运行时间更短,更适合MI-EEG的在线解码。     

基于持续时间隐马尔可夫模型的心音分割算法

心音分割指对所获取的心音信号按心动周期对收缩期、舒张期等进行分隔,是进行心音分类前的关键步骤。针对不依赖心电图对心音信号直接分割准确度有限的难题,提出了一种基于持续时间隐马尔可夫模型的心音分割算法。首先对心音样本进行位置标注;然后采用自相关估计法对心音的心动周期持续时间进行估计,通过高斯混合分布对样本的状态持续时间进行建模;接着通过训练集信号对隐马尔可夫模型进行优化并建立基于持续时间的隐马尔可夫模型(DHMM);最后使用维特比算法对心音状态进行回溯得出S_1、收缩期、S_2、舒张期。使用500例心音样本对本文算法性能进行测试,平均评估精度分数(F_1)为0.933,平均灵敏度为0.930,平均精确率为0.936。同其他算法相比,本文算法各项性能指标均有明显提升,证实了该算法具有较高的鲁棒性和抗噪声性能,为临床环境下所采集心音信号的特征提取与分析提供了一种新方法。     

基于深度密集卷积网络的癫痫信号识别

癫痫是常见的一种脑部疾病。本研究以德国伯恩大学脑电癫痫信号数据集的预处理版本为样本对象,通过深度卷积神经网络算法DenseNet,实现癫痫脑电信号识别准确率达到96.94%、精确度为97.46%、灵敏度为87.18%、特异度为99.42%和F1分数92.03%的效果。本研究通过Python编码实现密集神经网络,用以进行癫痫脑电信号中的特征识别,以达到识别病灶的目的。本研究具有良好的医学应用前景。     

基于1D-ECNN的短时心电信号疲劳分类

提出一维双卷积神经网络（1D-ECNN），基于采集的心电信号检测操作员的疲劳状态。1D-ECNN包括4 个卷积 层、2个最大池化层、1个全连接层和1个softmax输出层。本研究仅使用较少的卷积核数量，这将减少模型参数的数量，降 低模型的复杂程度，提高模型训练的速度，同时避免传统方法中复杂的特征提取过程或特征选择过程。将心电信号分成 时间长度为1 s的样本，送入1D-ECNN，基于短时心电信号进行操作员疲劳状态分类。仿真结果表明，本文方法的平均分 类准确率高达95.72%，能够实时准确地检测操作员的疲劳状态。此外，可以较好地消除个体差异性的影响。     

基于小波变换的心音包络提取算法及应用

背景：心音信号包含了大量心脏瓣膜活动的生理信息,心音分析对诊断心脏疾病具有重要的临床意义。 目的：旨在通过心音的包络提取,分析心音信号的各种特征,进而判断心音中是否包含杂音,以改善传统听诊技术高度依赖医生经验、听诊范围受限的缺点。 方法：提出了一种采用小波变换来提取心音包络的方法,通过与采用希尔伯特-黄变换、数学形态学、平均香农能量等心音包络求解方法进行对比,证明这种方法具有算法简便、曲线光滑、特征点突出等优点。 结果与结论：将该方法用于临床真实心音的包络提取,利用支持向量机来训练所提取心音包络的面积和小波能量两个特征参数,判别心音信号是否明显包含杂音。选用35例心音数据对算法进行验证,结果表明该算法的准确率达到95%,具有很强的实用性。     

一种先天性心脏病杂音分割及分析方法

目的心音信号中的杂音成分可以反映心脏结构缺损等异常情况。本文提出一种心杂音分割及分析方法用于先心病杂音信号的识别。方法为去除临床采集心音信号中的噪声干扰,采用基于频率切片小波变换的降噪新方法提高听诊精度。然后采用特征矩波形分析方法分割并提取心脏杂音间期信号。最后对心脏杂音间期心音信号提取心音梅尔尺度特征参数。结果通过临床采集的32例正常和16例室间隔缺损心音数据进行实验,计算心脏杂音间期片段提取特征参数的平均值和标准差,得到正常及室间隔缺损患儿心音数据的梅尔尺度特征参数范围。结论该方法可以在心脏收缩杂音期有效识别室间隔缺损心音信号特征,对于舒张杂音期信号尚需进行多角度特征提取及分析。该方法可以为典型先心病筛查及监控提供有效参考。     

基于交叉对比神经网络的心音分类

目的:通过交叉对比神经网络（CCNN）实现心音信号的自动分类,从而对心血管疾病进行早期诊断。方法:实验基于PhysioNet/Cinc 2016心音数据库。训练集和测试集数据来自互斥的健康受试者/病理患者,并以4:1的比例进行划分,输入CCNN。CCNN利用深度卷积神经网络进行特征提取,结合基于信息的相似度度量理论（IBS）,对特征向量间的相似性进行度量并分类。结果:实验结果得出灵敏度为0.834 6,特异性为0.962 3,最终大赛综合得分为0.898 5。结论:CCNN使用交叉对比的输入模式扩充数据量,引入信号间的对比信息,同时在神经网络的训练过程中应用统计学思想,使网络具备良好的泛化性,更加适应医学数据量较少的场景,在心音分类中取得较好的结果。     

基于机器学习的心音识别分类研究

心音信号可反映心脏的病理信息,是诊断心脏健康的重要依据之一。本文首先从心音信号提取时频域、梅尔倒谱系数等145个特征作为机器学习的输入数据集,然后在随机森林、LightGBM、XGBoost、GBDT、SVM共5种分类器中选出效果最佳分类器与递归特征消除算法结合进行数据挖掘,找出重要特征集并对其分类效果做比较与分析,最后运用Stacking模型融合方法优化模型。数据挖掘特征子集比同数量特征子集在准确率、召回率、精确率、F1值上分别提高了33.51%、14.54%、20.61%、24.04%;采用LightGBM和SVM模型融合可将F1值提高至92.6%。本文提出了一种有效的心音识别分类方法,挖掘出心音最重要的8个特征,为临床诊断提供参考。     

基于卷积神经网络的复合菌落智能分类识别

为满足复合菌落智能形态分类的需求,构建菌落分类卷积神经网络。通过水平集演化分割,获取培养皿内部所有的连通域;通过极限腐蚀,判别种子点数目大于1的连通域,即为粘连连通域;获取粘连连通域的凸闭包,检测凹点并连接对应凹点,对该连通域进行分割。归一化获取的600张单个菌落样本,通过旋转翻转并叠加信噪比不超过5%的随机噪声,将数据扩增至30 000例。以其中70%样本数据作为菌落分类卷积神经网络的训练集,对网络模型进行10折交叉验证,再以30%样本数据进行测试,4种菌落的加权平均准确率达到87.50%;其中斑点状光滑菌落分类准确率为86.40%,类圆波状菌落分类准确率为87.21%,椭圆形菌落分类准确率为88.11%,不规则其他菌落分类准确率为87.25%。最后采用通用计算设备架构(CUDA),对各个算法模块进行并行优化加速,算法运行时间最优提升至原耗时的1/10,在运行速度和便利性方面远远超过传统菌落分类方法。所设计的方法可以有效完成复合菌落智能分类识别任务,并具有良好的扩展性和自学习功能,对基于图像的生化样本智能分析具有一定的借鉴价值。     

基于卷积神经网络的细胞识别

结合深度学习理论,将卷积神经网络算法运用到细胞识别上。相比传统的细胞识别算法,基于卷积神经网络的细胞识别使流程变得简单,同时也使得细胞的识别率更高。与多层神经网络、支持向量机及决策树等机器学习算法相比,卷积神经网络算法由于本身网络的复杂度以及训练集的大样本量,其深度远大于传统的机器学习算法,能较这些手工提取特征的方法更好地表达特征和区分细胞,最终取得的分类效果也要优于前者。研究结果表明卷积神经网络算法能较好地用于细胞识别。     

基于深度卷积神经网络的肾透明细胞癌细胞核分割

肾透明细胞癌病理图像中细胞核的形态和位置信息对肾癌的良恶性分级诊断具有重要意义,为提高肾透明细胞癌细胞核分割的质量,本研究提出了基于深度卷积神经网络的细胞核分割方法。首先,根据标定的病理图像中细胞核轮廓,构建细胞核分割样本集;然后,深度卷积神经网络通过隐式特征学习对细胞核分割模型进行训练,避免人为设计特征;最后,利用细胞核分割模型对病理图像进行逐像素分割。实验结果表明,深度卷积神经网络的细胞核分割算法在肾透明细胞癌细胞核分割的像素准确率高达90.33%,细胞核分割性能稳定,深度卷积神经网络强大的鲁棒性和适应性使得肾透明细胞癌细胞核自动分割具有可能。     

基于优化后向传播神经网络的基础心音分类

针对后向传播（BP）神经网络高度依赖初始权值、收敛慢且易陷入局部极值,标准人工蜂群算法开发能力弱、局部 搜索能力差等问题,提出一种基于改进人工蜂群算法优化BP神经网络的分类方法。引入自适应和全局最优策略改进人 工蜂群算法中跟随蜂蜜源全局搜索、概率选择算法,使用当前迭代的最优解来提高其开发能力。此外,利用混沌系统产生 初始种群,以增强人工蜂群算法全局收敛性。最后,将本文算法应用到基础心音分类。结果表明本文算法较经典分类算 法分类准确率有较大的提升。梅尔频率倒谱特征参数下,本文算法的分类准确率达到94%以上。