基于LMS-PNN算法在心音識(shí)別與預(yù)測(cè)中的應(yīng)用

周克良 王佳佳

（江西理工大學(xué)電氣工程與自動(dòng)化學(xué)院，贛州，341000）

引 言

據(jù)相關(guān)數(shù)據(jù)統(tǒng)計(jì)，全世界每年約1750萬(wàn)人死于心臟病，占總死亡人數(shù)的30%。每年心臟病和中風(fēng)幸存者至少有2000萬(wàn)人，且多數(shù)存在復(fù)發(fā)和死亡的風(fēng)險(xiǎn)。中國(guó)每年大約有260萬(wàn)人死于心血管疾病，死亡人數(shù)居世界第2位。據(jù)世界衛(wèi)生組織統(tǒng)計(jì)，到2020年中國(guó)每年因心血管疾病死亡人數(shù)將達(dá)400萬(wàn)人。對(duì)于心臟健康狀況的監(jiān)測(cè)成為國(guó)內(nèi)外相關(guān)領(lǐng)域較重視的問題。而心臟最直觀的監(jiān)測(cè)對(duì)象便是心電圖和心音，醫(yī)生可以根據(jù)心電圖判斷心臟跳動(dòng)的頻率是否正常，而心音可輔助判斷心臟是何處異?；驌p壞，及時(shí)了解病人的病情，挽救病人的生命。因此研究心音的識(shí)別與預(yù)測(cè)具有重要意義。

心音的雜音是一組歷時(shí)較長(zhǎng)、頻率及振幅均不同的振動(dòng)，既可與心音分離，也可連續(xù)，或完全覆蓋心音。目前對(duì)于心音降噪分析采用的是經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical mode decomposition，EMD）、小波包分析、Mel頻譜倒譜系數(shù)等方法，這些算法可以提取出異常心音與正常心音的特征數(shù)據(jù)，并根據(jù)這些特征數(shù)據(jù)，以及心音的訓(xùn)練樣本，采用BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)（Support vector machine,SVM）、徑向基函數(shù)（Radial basis function,RBF）神經(jīng)網(wǎng)絡(luò)等進(jìn)行訓(xùn)練，達(dá)到識(shí)別及其預(yù)測(cè)的效果。文獻(xiàn)[1]利用主成分分析對(duì)心音特征進(jìn)行降維,采取自組織映射神經(jīng)網(wǎng)絡(luò)進(jìn)行聚類分析,并對(duì)各種異常和正常心音進(jìn)行分類識(shí)別。文獻(xiàn)[2]在EMD的基礎(chǔ)上,引入了單通道奇異值分解(Singular value decomposition,SSVD)方法,在心音降噪方面取得了良好效果。文獻(xiàn)[3]將概率神經(jīng)網(wǎng)絡(luò)（Probabilistic neural network，PNN）引入電控發(fā)動(dòng)機(jī)故障診斷，診斷結(jié)果無(wú)誤。

PNN具有較強(qiáng)的泛化性和實(shí)用性，故本文對(duì)傳統(tǒng)PNN進(jìn)行優(yōu)化，用于心音數(shù)據(jù)分類。運(yùn)用Matlab 2013a軟件，采用LMS-PNN對(duì)心音數(shù)據(jù)去噪，提取降噪后的特征數(shù)據(jù)進(jìn)行訓(xùn)練，降低了傳統(tǒng)PNN的誤差，提高了識(shí)別的準(zhǔn)確率，改善了心音預(yù)測(cè)效果。

1 心音的降噪與特征值提取

由于心音信號(hào)的短時(shí)平穩(wěn)性[4]，本文采用最小均方(Least mean square,LMS)方法[5]進(jìn)行心音去噪。對(duì)于心音信號(hào)的時(shí)間序列x(n),利用窗函數(shù)分幀后得到第i幀語(yǔ)音信號(hào)xi(m)，幀長(zhǎng)設(shè)置為200，對(duì)每幀心音信號(hào)做離散傅里葉(Discrete Fourier transform,DFT)變換后可得

式中Xiangle為第i幀的相角。

式中：NIS為幀數(shù)，D(k)為無(wú)話段的平均能量。

式（4）為譜減公式，其中a和b為常數(shù)，a為過(guò)減因子，b為增益補(bǔ)償因子為譜減后的時(shí)間系列。

然后提取降噪后數(shù)據(jù)的特征值，本文提取降噪心音的短時(shí)自相關(guān)系數(shù)和短時(shí)能量譜密度[6-8]。對(duì)降噪后的x(k)分幀后，每幀的短時(shí)自相關(guān)函數(shù)為

采用Matlab軟件中的pwelch函數(shù)求得心音每幀的短時(shí)能量譜密度，并保存計(jì)算數(shù)據(jù)。

2 PNN識(shí)別與預(yù)測(cè)

PNN于1989年由Specht博士首先提出，是基于統(tǒng)計(jì)原理的神經(jīng)網(wǎng)絡(luò)模型，在分類功能上與最優(yōu)貝葉斯分類器等價(jià)。PNN的實(shí)質(zhì)是基于貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則發(fā)展而來(lái)的一種并行算法[9,10]，由輸入層、模式層、求和層和輸出層（決策層）組成。第1層為輸入層，用于輸入特征數(shù)據(jù)，將數(shù)據(jù)傳遞跟隱含層；模式層為徑向基層，計(jì)算輸入向量與中心之間的距離，并返回一標(biāo)量。向量x輸入到模式層，模式層中第i類模式的第j神經(jīng)元所確定的關(guān)系式為

式中：i=1,2,…,M,M為訓(xùn)練樣本總類數(shù)；d為樣本空間數(shù)據(jù)維數(shù)；xij為第i類樣本的第j個(gè)中心。求和層把隱含層中屬于同一類的神經(jīng)元的輸出做加權(quán)平均

式中：vi為第i類別的輸出，L為第i類神經(jīng)元的個(gè)數(shù)。輸出層取求和層中最大的一個(gè)作為輸出的類別

輸入層的向量先于加權(quán)系數(shù)相乘，由輸入RBF計(jì)算

3 實(shí)驗(yàn)結(jié)果與分析

本文采集的心音信息來(lái)自贛州某醫(yī)院的臨床數(shù)據(jù)，包括：心室舒張期額外音（正常）心室舒張期額外音（嚴(yán)重）、收縮早期喀啦音（嚴(yán)重）等心音。運(yùn)用LMS算法對(duì)上述3種心音進(jìn)行降噪與分析，采樣頻率為44100Hz，采樣信號(hào)和采樣數(shù)據(jù)分別以wav和mat格式保存。采用本文的觀察數(shù)據(jù)與觀察圖像可得：IS為0.4 s,a取值為10，b取值為0.01。通過(guò)LMS降噪后，降噪結(jié)果如圖1、2所示。圖1為心室舒張期額外音（正常）的帶噪心音波形，圖2為經(jīng)LMS濾波后心室舒張期額外音（正常）的去噪波形，由圖1、2對(duì)比可知，LMS算法濾波明顯去除了心室舒張期額外音（正常）的雜音。

再對(duì)去噪后的心音進(jìn)行特征提取、短時(shí)域時(shí)域處理和短時(shí)域頻域處理，得到各心音的短時(shí)自相關(guān)數(shù)據(jù)及短時(shí)功率譜密度，將得到的數(shù)據(jù)以mat格式保存。圖3、4分別為心室舒張期額外音（正常）正常自相關(guān)系數(shù)及短時(shí)功率譜密度圖。

圖1 帶噪心音波形Fig.1 Noisy heart sound waveform

圖2 LMS譜減后的心音信號(hào)波形Fig.2 Heart sound signal waveform after LMS spectrum reduction

對(duì)于PNN，輸入層輸入短時(shí)自相關(guān)數(shù)據(jù)及短時(shí)功率譜密度數(shù)據(jù)，加上模式層輸入訓(xùn)練數(shù)據(jù)，共有40000個(gè)訓(xùn)練樣本數(shù)據(jù)，其中心室舒張期額外音（正常）樣本數(shù)據(jù)10000個(gè)，心室舒張期額外音（嚴(yán)重）樣本數(shù)據(jù)10000個(gè)，收縮早期喀啦音（嚴(yán)重）樣本數(shù)據(jù)10000個(gè)和測(cè)試數(shù)據(jù)10000個(gè)。輸出層將輸出數(shù)據(jù)進(jìn)行等級(jí)劃分：“1”代表心室舒張期額外音（正常），“2”代表心室舒張期額外音（嚴(yán)重），“3”代表收縮早期喀啦音（嚴(yán)重）。當(dāng)模式層中出現(xiàn)錯(cuò)誤的心音數(shù)據(jù)時(shí)，PNN通過(guò)計(jì)算心音特征數(shù)據(jù)與各個(gè)心音等級(jí)的匹配度。訓(xùn)練過(guò)程中出現(xiàn)相似度不強(qiáng)時(shí)，會(huì)直接剔除錯(cuò)誤數(shù)據(jù)，而不會(huì)對(duì)其進(jìn)行分類。實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證結(jié)果如圖5～7所示。

圖3 正常心音自相關(guān)系數(shù)Fig.3 Normal heart sound autocorrelation coefficient

圖4 正常心音的短時(shí)功率譜密度圖Fig.4 Short-time power spectral density map of normal heart sounds

圖5 LMS-PNN的測(cè)試準(zhǔn)確率Fig.5 Test accuracy rate of LMS-PNN

圖6 LMS-PNN和傳統(tǒng)PNN的預(yù)測(cè)結(jié)果Fig.6 Prediction results of LMS-PNN and traditional PNN

本文將所采集的心音信號(hào)數(shù)據(jù)轉(zhuǎn)換100×100的矩陣，在這個(gè)矩陣中，利用雙重循環(huán)語(yǔ)句，將不同行列之間心音信號(hào)數(shù)據(jù)進(jìn)行模型編號(hào)，并采用LMS-PNN算法對(duì)模型數(shù)據(jù)測(cè)試訓(xùn)練。由圖5可得，模型1，5所采用的數(shù)據(jù)測(cè)試準(zhǔn)確率比較低，在多次模型的訓(xùn)練結(jié)果下，LMS-PNN通過(guò)不斷自我學(xué)習(xí)與反饋，總體模型測(cè)試結(jié)果呈現(xiàn)升上趨勢(shì)，其測(cè)試正確率在模型6～9保持穩(wěn)定，準(zhǔn)確率可達(dá)96.66%。

圖7 LMS-PNN的訓(xùn)練時(shí)間Fig.7 Training time of LMS-PNN

圖6為30個(gè)測(cè)試樣本集的測(cè)試數(shù)據(jù)，由實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證可得，LMS-PNN對(duì)心音數(shù)據(jù)分類的準(zhǔn)確性高于傳統(tǒng)PNN，準(zhǔn)確率高出10%。

由圖7仿真結(jié)果可知，LMS-PNN神經(jīng)網(wǎng)絡(luò)算法在數(shù)據(jù)矩陣不同行列之間所組成的10個(gè)數(shù)據(jù)模型中不斷進(jìn)行自我學(xué)習(xí)與訓(xùn)練，其訓(xùn)練時(shí)間由0.155 s逐漸穩(wěn)定至0.062 s，實(shí)驗(yàn)結(jié)果證明，LMS-PNN神經(jīng)網(wǎng)絡(luò)算法在心音測(cè)試模型中效果表現(xiàn)良好，訓(xùn)練時(shí)間呈現(xiàn)逐步縮短到穩(wěn)定的趨勢(shì)訓(xùn)練時(shí)間短、不易產(chǎn)生局部最優(yōu)，收斂速度比較快，而且其分類準(zhǔn)確率也較高。

對(duì)于上述仿真結(jié)果，LMS-PNN神經(jīng)網(wǎng)絡(luò)算法的平滑因子N是LMS-PNN算法的關(guān)鍵。令平滑因子N分別取值為20和2，其測(cè)試集預(yù)測(cè)結(jié)果對(duì)比如圖8所示。圖8（a）是N=20時(shí)LMS-PNN算法得到的預(yù)測(cè)結(jié)果；圖8（b）是N=2時(shí)LMS-PNN算法得到的預(yù)測(cè)結(jié)果。由圖8可知，N=20時(shí)，LMS-PNN預(yù)測(cè)準(zhǔn)確率為90%；N=2時(shí)，LMS-PNN預(yù)測(cè)準(zhǔn)確率為93.33%，準(zhǔn)確率高出了3.33%。不同的平滑因子得到的結(jié)果也有所不同，因此選取合適的平滑因子能提高預(yù)測(cè)準(zhǔn)確率。由表1可知，當(dāng)平滑因子N=10時(shí)，LMS-PNN算法的預(yù)測(cè)準(zhǔn)確率最高，為最優(yōu)值。

圖8 LMS-PNN的預(yù)測(cè)結(jié)果（N=20，2）Fig.8 Prediction results of LMS-PNN(N=20 and N=2)

表1 平滑因子N的影響Tab.1 Influence of smooth factor N

4 結(jié)束語(yǔ)

測(cè)試心音通常會(huì)受到噪聲影響，LSM-PNN算法運(yùn)用LSM方法進(jìn)行去噪，采用雙門限法估計(jì)出無(wú)話幀即噪音幀IS的值，調(diào)整參數(shù)a，b的值，觀察數(shù)據(jù)及其波形，優(yōu)化去噪效果；然后使用PNN，采用貝葉斯決策理論對(duì)心音的信號(hào)進(jìn)行區(qū)分與預(yù)測(cè)。對(duì)LSM-PNN算法，無(wú)論分類問題多么復(fù)雜，只要有足夠多的訓(xùn)練數(shù)據(jù)，均可保證獲得貝葉斯準(zhǔn)則下的最優(yōu)解。