基于小波分析和神经网络的心音信号研究

针对传统的冠心病诊断方法具有不准性或有创性问题,积极广泛开展冠心病无损检测的研究,提高诊断准确性,为大众提供方便可行的检测手段是十分必要的。在分析冠状动脉堵塞与心音信号关系的基础上,研究心音信号的预处理,对心音信号进行去噪和定位分段;利用ARMA模型及功率谱估计对心音信号进行分析研究,提取冠心病病理特征;通过神经网络对心音信号进行分类,实现冠心病的智能无损诊断。实验结果表明,采用上述方法进行冠心病无损诊断准确率达到85.1%,为临床上的冠心病的无损诊断提供了应用基础。     

基于小波概率神经网络的直方图模式识别

针对直方图各种模式的特点,提出了一种基于小波变换与概率神经网络结合的方式,用于直方图的模式识别。模拟仿真结果表明该模型识别精度高,收敛速度快,能满足直方图模式识别的需要。     

基于人工神经网络及小波分析的心音诊断方法

由于传统的心音听诊就是凭医生的经验用听觉分析心音信号,不能满足医学上所要求的高精确度性能而且听诊技能要花多年时间才能掌握,针对这些弊端本文提出了一种新的心音诊断方法.它对电子听诊器录制的心音数据,经过去噪预处理后用小波变换进行分析并提取特征值,再将选取的特征值输入到前馈型神经网络进行训练和识别.实验中我们用节点数分别为9,5,5的BP神经网络能成功识别出主动脉关闭不全,主动脉狭窄,二尖瓣关闭不全,二尖瓣狭窄,和正常心音五类心音,能为相应心脏疾病的诊断提供有力的依据,为临床应用提供有效的分析手段.     

基于小波分析和神经网络的板形模式识别方法

板形模式识别是板形高精度控制过程中的技术难点之一.本文提出了一种基于小波分析和神经网络相结合的方法,可以较好地解决这个难题.首先利用非线性小波变换阈值法有效去除板形检测数据中噪声干扰,从而提高模式识别系统的准确率;然后利用神经网络的鲁棒性使目标的识别更加接近实际.该方法不仅能有效地对复合板形进行正确分类,而且能分辨出所属类型的程度,为制定出相应的优化控制策略提供了重要的依据.     

基于小波变换的心音信号分析研究

通过自行研制的硬件系统,在心前区采集心音数据,并采集一导心电信号来定位心音。用小波变换时频分析方法,对各年龄段正常人和冠心病老年人的低频心音段的第三(S3)、第四(S4)心音进行了分析研究,得出了所有正常人均有S3,S4,并且正常老年人与老年一般冠心病患者S3的频谱主峰频率存在明显差异(P=0．0164)的结论,表明S3的检测有重要的临床诊断意义。     

基于小波神经网络的心电诊断算法的研究

研究了一种基于小波神经网络的心电图室性早搏和正常窦性心律分类算法.首先对MIT-BIH标准数据库进行室性早搏和正常窦性心律样本的提取与标准化,然后应用小波神经网络建立分类模型.利用小波变换的波形检测和特征提取特点以及人工神经网络的自我学习能力,通过大量的心电图样本训练后,使网络不仅对训练样本有较高的分辨率(97.5%),而且对未训练过的样本也有较好的分辨率(95.1%).仿真结果表明,算法计算简单、实现容易,适用于心电图的分类.     

基于小波变换的第二心音分裂检测

第二心音分裂在心脏疾病诊断中具有重要的意义.然而当分裂不是很明显时对信号直接分析不容易被检测出来.本文首先使用小渡降噪方法,滤除了信号中的噪声干扰.然后选用dmey小波,对信号进行了5层小波分解,在特定的层进行了重构,使二音分裂在该重构的层变得易于检测.最后用该方法对87个各类心音进行了检测试验,在保证对正常第二心音不发生误判的情况下.二音分裂的漏栓率仅为2.3%,表明该方法实用有效.     

小波和神经网络在心音识别中的应用

提出一种心音的特征提取和分类方法,用离散小波变换分解、重构产生信号的细节包络,进而用于提取特征,从预处理的信号中提取统计特性,作为心音分类的特征。多层感知器用于心音的分类,并通过250个心动周期得到验证,算法识别率达到92%。     

基于小波的心音信号分析及其特征提取

心音信号是人体最重要的生理信号之一,它包含了人体心脏和血管中丰富的原始信息.心脏杂音和心音改变的出现,往往是心脏病的最早特征.由于心音信号是一种典型的非平稳信号,所以传统的频域分析已经不能满足研究的需要.文章将时域、时频和功率谱能量等特性分析相结合,研究心音信号的分析方法,提取各种特征以区分不同的心音.理论分析和仿真实...     

基于PNN的飞机发动机故障诊断研究

鉴于概率神经网络良好的分类性能,提出一种基于PNN的飞机发动机故障诊断方法,成功对三种典型飞机发动机转子故障做出了正确诊断。研究表明,PNN网络诊断准确,对测量噪声有良好的鲁棒性,具有较好的工程应用前景。     

基于小波变换和BP神经网络的人脸识别方法

提出了将人脸图像的小波分解系数和BP神经网络相结合以达到人脸识别的新方法。针对不同的小波基,对人脸图像作小波分解,并将分解低频系数作为人脸特征送入神经网络进行训练。实验表明,选择恰当的小波基能够达到较高的识别率。     

基于两级神经网络的心音分割

心音信号是分析诊断心脏疾病的重要信号,而心音分割是对其进行分析处理之前必不可少的一步。本文通过将心音分割任务分离为定位与识别两个子任务,提出一种两级卷积神经网络,由定位网络和判别网络两级构成,分别完成心音信号的识别与定位。首先将原始信号通过滑动窗口进行分帧,然后通过短时傅里叶变换得到其频谱,再通过梅尔滤波器得到其梅尔频谱系数（Mel frequency spectral coefficient, MFSC）特征,输入第1个定位网络对其是否为心音段进行判断,如果是的话,再输入判别神经网络,识别第一心音与第二心音,从而实现心音的分割。最后利用多帧结果投票,减小误判。同时,在卷积神经网络中引入空间注意力机制,实验结果表明,这种加入了注意力机制的两级神经网络模型在心音分割任务上比使用单个卷积神经网络分类模型的准确率更高,也使得模型更加简单,轻量化。     

基于小波神经网络的陀螺仪故障诊断

为了准确可靠地发现和预测陀螺仪的故障,提出了一种基于RBF小波神经网络的陀螺仪故障检测方法;该方法是将陀螺仪的输出信号进行三层小波包分解,再对分解得到的8个不同频段上的节点进行特征提取,将提取后的8维特征向量作为RBF神经网络的输入;当陀螺仪发生故障时,陀螺仪的输出信号中会产生突变成分,进行训练后的RBF神经网络可以准确地诊断出陀螺仪的故障类型;应用Matlab实现了RBF小波神经网络诊断陀螺仪故障类型的仿真;仿真结果表明,应用RBF小波神经网络进行陀螺仪故障诊断有很好的效果。     

基于概率神经网络的寄生虫卵显微图像识别

病原体(虫卵)检测是诊断寄生虫病的最常用和最可靠的方法。该文对寄生虫卵显微图像的自动识别进行了研究,设计了一个基于概率神经网络的分类器。通过对血吸虫等9种寄生虫卵的显微图像进行自动识别,取得了平均正确识别率为99.23%的较好结果。     

基于小波倒谱系数和概率神经网络的取证说话人识别模型

取证说话人识别是一种利用犯罪现场留下的质疑语音来识别犯罪分子身份的技术。为了提高识别模型的抗噪能力,本论文提出了基于小波倒谱系数（WCC）和概率神经网络（PNN）的取证说话人识别模型。该模型包含WCC特征提取和PNN分类两个步骤。WCC对噪音不敏感,所以使得我们的模型有抗噪能力。PNN是一种高效的分类算法,从而提高了模型识别性能。实验表明,该模型以提高时间消耗为代价提高了识别率和抗噪能力。     

心音信号的自适应小波去噪

在采集心音信号过程中,难免要引入噪声,这些噪声影响到心音的分析结果。由于心音信号的非平稳性,普通的滤波方法在滤去噪声的同时,会丢失部分心音成分。文中提出了一种新的基于小波变换的自适应滤波方法,该方法能够有效抑制噪声,经实例验证,取得了满意的结果。     

基于小波分析和RBF神经网络的电梯乘客识别系统

根据现代电梯工业发展的需要,提出了一个基于小波分析和RBF神经网络的电梯乘客识别系统;通过分析乘客的人脸图像,实现对乘客的身份、表情和姿势的识别,仿真结果表明,该系统对乘客的身份有较高的识别率。     

基于小波理论的神经网络模型构造

小波神经网络是由小波分析理论与神经网络理论结合而成的一种神经网络 ,一般来说 ,小波分析与神经网络的结合有两种不同的方式 ,即辅助式结合 (松散式结合 )方式和嵌套式结合 (紧致式结合 )方式。分别对这两种结合方式作了详细描述 ,并且给出了不同结合方式下的各种小波神经网络模型以及相应的学习算法。