专利名称：利用多层前馈网络的心音分析法检测肺动脉血压的方法
技术领域：
本发明涉及一种检测肺动脉血压的方法，更具体地说，涉及一种使用心音分析法检测肺动脉血压的方法。
背景技术：
肺部毛细血管的平均肺动脉压力超过25毫米汞柱或左动脉压力低于15毫米汞柱就被定义为肺动脉高血压。肺动脉高血压一般通过以前的疾病所引发，并且是不可治愈的慢性疾病，病发率介于9 %到63 %之间。5年的存活率仅介于47 %到55 %之间，肺动脉高血压一般很难提前预测，因为肺动脉血压的检测困难，右心导管是目前唯一的检测肺动脉血压的黄金标准，但是作为一项侵入性的干预检测，存在一定的风险性，甚至会引起致命性的并发症。多普勒超声心动图法是最有效的肺动脉血压的非侵入的检测方法，但是这种方法必须由经过特别训练的医务人员来完成。以上两种方法检查费用昂贵，并且一般只能在大城市中进行。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述肺动脉血压的检测困难的缺陷，提供一种非侵入、无风险、费用低廉、简单方便的肺动脉血压的检测方法。本发明解决其技术问题所采用的技术方案是构造一种利用多层前馈网络的心音分析法检测肺动脉血压的方法，所述方法包括提取心音信号；对所述心音信号进行预处理，获得心音信号特征；对所述心音信号特征进行过滤；利用人造神经网络学习识别心音信号特征并推算肺动脉血压值。本发明所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法中，包括 提取心音信号；利用快速傅里叶变换和归一化平均香农能量分布对所述心音信号进行预处理，获得心音信号特征；利用主成分分析法对所述心音信号特征进行过滤；利用感知器神经网络或多层感知器前馈神经网络对所述过滤后的心音信号特征进行训练学习，得到所述心音信号特征和所述肺动脉血压值之间的最佳神经网络以推算所述肺动脉血压值。本发明所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法中，提取所述心音信号的抽样频率为44. 1千赫兹。本发明所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法中，所述心音信号特征为第一心音和第二心音的信号特征。本发明所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法中，所述利用快速傅里叶变换和归一化平均香农能量分布对所述心音信号进行预处理，获得心音信号特征之后，所述利用感知器神经网络或多层感知器前馈神经网络对所述过滤后的心音信号特征进行训练学习，得到所述心音信号特征和所述肺动脉血压值之间的最佳神经网络之前，还包括步骤除去所述心音信号频率在20赫兹至1000赫兹范围以外的噪音；利用快速傅里叶变换和归一化平均香农能量分布对所述除噪后的心音信号进行预处理，获得除噪后的心音信号特征；利用主成分分析法对所述心音信号特征和所述除噪后的心音信号特征进行过滤，获得过滤后的心音信号特征。本发明所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法中，所述心音信号特征包括所述心音的波峰频率、平均频率、波峰振幅、平均振幅、时长以及所述心音之间的间隔时间。本发明所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法中，所述除噪后的心音信号特征包括所述心音的过滤后的平均频移、过滤后的平均振幅、时长以及所述心音之间的间隔时间。本发明所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法中，所述感知器神经网络或所述多层感知器前馈神经网络的初始层权和学习速率分别设定为[1，1] 和 0. 05。本发明所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法中，所述感知器神经网络或所述多层感知器前馈神经网络的学习目标设定为均方误差等于0，精确度梯度等于le-010，最多验证失效次数为5次。实施本发明的利用多层前馈网络的心音分析法检测肺动脉血压的方法，具有以下有益效果由于采用多层前馈网络的心音分析法，实现肺动脉血压的非侵入、无风险检测， 并且检测方法费用低廉，简单方便。采用快速傅里叶变换和归一化平均香农能量分布预处理，使用主成分分析法进行过滤可以得到准确且数量少的心音信号特征，简化测量程序。以44. 1千赫兹的抽样频率抽样心音信号，使得后面得到的心音信号特征更加准确。使用第一心音和第二心音作为心音信号特征使得心音信号特征更加具有代表性，使测量结果更加准确。过滤掉了 20赫兹至 1000赫兹范围以外的噪音，避免了噪音对测量结果的干扰。心音信号特征的选择包含了心音的各种主要的参数。感知器神经网络或多层感知器前馈神经网络的参数的选择使得测量结果更加准确。
下面将结合附图及实施例对本发明作进一步说明，附图中图1是本发明利用多层前馈网络的心音分析法检测肺动脉血压的方法的第一优选实施例的流程示意图；图2是本发明利用多层前馈网络的心音分析法检测肺动脉血压的方法的第二优选实施例的流程示意图；图3是本发明利用多层前馈网络的心音分析法检测肺动脉血压的方法的第三优选实施例的流程示意图；图4是本发明利用多层前馈网络的心音分析法检测肺动脉血压的方法的优选实施例的5个连续心动周期图；图5是本发明利用多层前馈网络的心音分析法检测肺动脉血压的方法的优选实施例的通过弹性反传学习方法得出最佳神经网络的示意图。
具体实施方式
在图1中示出了本发明利用多层前馈网络的心音分析法检测肺动脉血压的方法的第一优选实施例的流程示意图。该方法开始于步骤101，随后进行到步骤102，提取心音信号，利用电子听诊器收录的心音信号经过节选后以wav. file的格式储存，以用于接下来的信号特征分析。提取的心音信号如图4所示。步骤102以后进行步骤103，对所述心音信号进行预处理，获得心音信号特征。步骤103之后进行步骤104，对所述心音信号特征进行过滤，过滤后的心音信号特征更明显，数据量更小，便于进行人造神经网络学习识别。步骤 104后进行步骤105，利用人造神经网络学习识别心音信号特征并推算肺动脉血压值。步骤 105后进行到步骤106结束。在图2中示出了本发明利用多层前馈网络的心音分析法检测肺动脉血压的方法的第二优选实施例的流程示意图。该方法开始于步骤201，随后进行到步骤202，提取心音信号，利用电子听诊器收录的心音信号经过节选后以wav. file的格式储存，以用于接下来的信号特征分析。提取的心音信号如图4所示。步骤202以后进行步骤203，利用快速傅里叶变换和归一化平均香农能量分布对所述心音信号进行预处理，获得心音信号特征。步骤 203之后进行步骤204，利用主成分分析法对所述心音信号特征进行过滤，过滤后的心音信号特征更明显，数据量更小，便于进行人造神经网络学习识别。步骤204后进行步骤205，利用感知器神经网络或多层感知器前馈神经网络对所述过滤后的心音信号特征进行训练学习，得到所述心音信号特征和所述肺动脉血压值之间的最佳神经网络以推算所述肺动脉血压值。步骤205后进行到步骤206结束。在图3中示出了本发明利用多层前馈网络的心音分析法检测肺动脉血压的方法的第三优选实施例的流程示意图，该方法开始于步骤301，随后进行到步骤302，提取心音信号，利用电子听诊器收录的心音信号经过节选后以wav. file的格式储存，以用于接下来的信号特征分析。提取的心音信号如图4所示。步骤302以后进行步骤303和步骤305，步骤303中利用快速傅里叶变换和归一化平均香农能量分布对所述心音信号进行预处理，获得心音信号特征；步骤303之后进行步骤304，利用主成分分析法对所述心音信号特征进行过滤，过滤后的心音信号特征更明显，数据量更小，便于进行人造神经网络学习识别；步骤 305中，除去所述心音信号频率在20赫兹至1000赫兹范围以外的噪音；步骤305之后进行步骤306，利用快速傅里叶变换和归一化平均香农能量分布对所述除噪后的心音信号进行预处理，获得除噪后的心音信号特征；步骤306之后进行步骤307，利用主成分分析法对所述心音信号特征和所述除噪后的心音信号特征进行过滤过滤后的心音信号特征更明显，数据量更小，便于进行人造神经网络学习识别；步骤304和步骤307之后进行到步骤308，利用感知器神经网络或多层感知器前馈神经网络对所述过滤后的心音信号特征进行训练学习，得到所述心音信号特征和所述肺动脉血压值之间的最佳神经网络以推算所述肺动脉血压值。步骤308后进行到步骤309结束。作为本发明的一个优选实施例，提取心音信号的抽样频率为44. 1千赫兹，在这个频率下抽样，使得后面得到的心音信号特征更加准确。作为本发明的一个优选实施例，所述心音信号特征为第一心音和第二心音的信号特征。由于第一心音和第二心音比较第三心音第四心音持续时间较长，更加容易辨别，使得测量的结果更加的准确。下面结合图3、4对使用的心音分析法做详细的描述，
6
第一步，利用电子听诊器收录的心音信号经过节选后以wav. file的格式储存，以用于接下来的信号特征分析，如图4所示。第二步，利用快速傅里叶变换和归一化平均香农能量分布(阈值=0. 5)对原始心音进行预处理，进行第一心音Si、第二心音S2波峰提取和定位；并对心音信号特征矢量定义(如表1所示)，作为人造神经网络的输入矢量。将频率在20-1000HZ范围以外的噪音过滤后，对心音重复上述预处理步骤，以取得另一组输入矢量(如表1所示)。第三步，将心音特征矢量输入人造神经网络学习前，利用主成分分析法对心音特征进行分析，以减小输入数据量。以特征值0. 8作为界分点，经过主成分分析后，共获得6 个主成分，所有变量载荷均为0. 5以上，累计方差贡献率为87.7%。在所有6个主成分中， 成分1贡献的方差最高，达到31.9%。其余五个主成分贡献的方差分别为21%，13.4%， 9. 8%，6%和 5. 6%。(如表 2、3 所示)。表1.心音信号特征矢量
权利要求
1.一种利用多层前馈网络的心音分析法检测肺动脉血压的方法，其特征在于，所述方法包括51提取心音信号；52对所述心音信号进行预处理，获得心音信号特征；53对所述心音信号特征进行过滤；54利用人造神经网络学习识别心音信号特征并推算肺动脉血压值。
2.根据权利要求1所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法，其特征在于，所述方法包括Sl 提取心音信号；其中S2包括利用快速傅里叶变换和归一化平均香农能量分布对所述心音信号进行预处理，获得心音信号特征；其中S3包括利用主成分分析法对所述心音信号特征进行过滤；其中S4包括利用感知器神经网络或多层感知器前馈神经网络对所述过滤后的心音信号特征进行训练学习，得到所述心音信号特征和所述肺动脉血压值之间的最佳神经网络以推算所述肺动脉血压值。
3.根据权利要求2所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法，其特征在于，在Sl中，提取所述心音信号的抽样频率为44. 1千赫兹。
4.根据权利要求2所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法，其特征在于，所述心音信号特征为第一心音和第二心音的信号特征。
5.根据权利要求2所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法，其特征在于，所述利用快速傅里叶变换和归一化平均香农能量分布对所述心音信号进行预处理，获得心音信号特征之后，所述利用感知器神经网络或多层感知器前馈神经网络对所述过滤后的心音信号特征进行训练学习，得到所述心音信号特征和所述肺动脉血压值之间的最佳神经网络之前，还包括步骤521除去所述心音信号频率在20赫兹至1000赫兹范围以外的噪音；522利用快速傅里叶变换和归一化平均香农能量分布对所述除噪后的心音信号进行预处理，获得除噪后的心音信号特征；523利用主成分分析法对所述心音信号特征和所述除噪后的心音信号特征进行过滤， 获得过滤后的心音信号特征。
6.根据权利要求2所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法，其特征在于，所述心音信号特征包括所述心音的波峰频率、平均频率、波峰振幅、平均振幅、时长以及所述心音之间的间隔时间。
7.根据权利要求5所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法，其特征在于，所述除噪后的心音信号特征包括所述心音的过滤后的平均频移、过滤后的平均振幅、时长以及所述心音之间的间隔时间。
8.根据权利要求2所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法，其特征在于，所述感知器神经网络或所述多层感知器前馈神经网络的初始层权和学习速率分别设定为[1,1]和0.05。
9.根据权利要求2所述的利用多层前馈网络的心音分析法检测肺动脉血压的方法，其特征在于，所述感知器神经网络或所述多层感知器前馈神经网络的学习目标设定为均方误差等于0，精确度梯度等于le-010，最多验证失效次数为5次。
全文摘要
本发明涉及一种利用多层前馈网络的心音分析法检测肺动脉血压的方法，本方法包括提取心音信号；利用快速傅里叶变换和归一化平均香农能量分布对心音信号进行预处理，获得心音信号特征；利用主成分分析法对心音信号特征进行过滤；利用感知器神经网络或多层感知器前馈神经网络对过滤后的心音信号特征进行训练学习，得到心音信号特征和肺动脉血压值之间的最佳神经网络。心音信号特征为第一心音和第二心音的信号特征。心音信号特征包括心音的波峰频率、平均频率、波峰振幅、平均振幅、时长以及心音的间隔时间。采用本发明一种利用多层前馈网络的心音分析法检测肺动脉血压的方法可以非侵入、无风险、简单方便地检测肺动脉血压，且费用低廉。
文档编号A61B5/021GK102334985SQ201010228980
公开日2012年2月1日 申请日期2010年7月16日 优先权日2010年7月16日
发明者汪国成, 钟慧仪, 陈静涵 申请人:香港理工大学