CN117591812A - 一种智能电子听诊器电信号降噪处理优化方法 - Google Patents
一种智能电子听诊器电信号降噪处理优化方法 Download PDFInfo
- Publication number
- CN117591812A CN117591812A CN202410069614.9A CN202410069614A CN117591812A CN 117591812 A CN117591812 A CN 117591812A CN 202410069614 A CN202410069614 A CN 202410069614A CN 117591812 A CN117591812 A CN 117591812A
- Authority
- CN
- China
- Prior art keywords
- mud ring
- algorithm
- optimizing
- mathematical model
- dolphin
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012545 processing Methods 0.000 title claims abstract description 21
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 60
- 238000013178 mathematical model Methods 0.000 claims abstract description 50
- 230000000295 complement effect Effects 0.000 claims abstract description 49
- 241001481833 Coryphaena hippurus Species 0.000 claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000010354 integration Effects 0.000 claims description 18
- 241001125840 Coryphaenidae Species 0.000 claims description 6
- 241000287127 Passeridae Species 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000002555 auscultation Methods 0.000 abstract description 6
- 238000012360 testing method Methods 0.000 description 4
- 241000251468 Actinopterygii Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004634 feeding behavior Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B7/00—Instruments for auscultation
- A61B7/02—Stethoscopes
- A61B7/04—Electric stethoscopes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Surgery (AREA)
- Evolutionary Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种智能电子听诊器电信号降噪处理优化方法,属于数字信号处理技术领域,具体包括:S1、利用智能电子听诊器内置的电容式心率传感器采集心率电信号,并对电信号滤波和放大;S2、将互补集合经验模态分解模型优化转换成数学模型,利用泥环优化算法优化所述数学模型;S3、改进基础泥环优化算法,包括海豚寻找猎物的数学模型和泥环进食的数学模型;S4、利用改进泥环优化算法优化步骤S2的数学模型,得到最佳模态数量和集成次数,对步骤S1得到的原始心率电信号进行CEEMD去噪;S5、将经步骤S4生成的IMF分量处理,得到降噪后的信号;解决目前智能电子听诊器在应用过程中信号噪声多导致听诊误差大的问题。
Description
技术领域
本发明涉及数字信号处理技术领域,具体涉及一种智能电子听诊器电信号降噪处理优化方法。
背景技术
CEEMD(Complete Ensemble Empirical Mode Decomposition)互补集合经验模态分解是一种信号处理方法,用于将非平稳和非线性信号分解成多个固定频率的本征模态函数(EMD)。EMD是一种数据驱动的分解方法,它通过将信号分解为多个本征模态函数,使得每个模态函数代表了信号中的一个局部频率成分。CEEMD对标准EMD的改进,主要是通过对原始EMD的集成来提高其稳定性和鲁棒性。在CEEMD中,多个独立的EMD分解被执行,然后将它们的结果进行平均,以获得更加平稳和可靠的信号分解。
CEEMD的主要优势之一是克服了原始EMD在处理噪声和模态重叠时的一些困难,提高了对非线性和非平稳信号的适应性。这种方法在信号处理、振动分析、图像处理等领域都有广泛的应用。CEEMD的参数主要包括模态数量和集成次数。过少的模态数量可能导致信息损失,而过多的模态数量可能引入噪声。使用元启发式算法可以尝试找到最优的模态数量,以最好地保留信号的特征;集成次数决定执行EMD的次数,然后对结果进行集成的次数。集成可以减小单次分解的随机性和提高整体的稳定性。通过元启发式算法,可以尝试找到最佳的集成次数,以平衡计算效率和分解质量。
泥环优化算法(MRA),它模拟了佛罗里达大西洋沿岸宽吻海豚的泥浆环进食行为。MRA的灵感主要是基于宽吻海豚的觅食行为和它们的泥环进食策略。海豚采用这种策略来诱捕鱼,让一只海豚在沙滩上快速移动尾巴,并在这群鱼周围游泳。这些鱼迷失方向,跳上水面,却发现海豚的嘴。MRA优化算法对该输入策略进行了数学模拟,并与其他元启发式算法进行了综合比较,证明了其优化的有效性。在比较中使用了29个基准函数和4个常用的基准工程挑战。统计比较和结果表明,所提出的MRA在处理这些优化问题方面具有优越性,能够比其他元启发式优化器获得最佳解。
发明内容
本发明的目的在于:通过改进泥环优化算法(MRA),让算法的更新过程有导向性,使得个体向着种群中最优的位置移动,提高泥环优化算法的寻优精度和寻优速度,从而利用改进的泥环优化算法(IMRA)对互补集合经验模态分解模型优化,得到IMRA-CEEMD模型,提高互补集合经验模态分解模型对心率电信号的噪声分解性能,解决目前智能电子听诊器在应用过程中信号噪声多导致听诊误差大的问题。
为了实现上述目的,本发明采用了如下技术方案:
一种智能电子听诊器电信号降噪处理优化方法,利用改进泥环优化算法优化互补集合经验模态分解模型,得到最佳模态数量和集成次数,实现智能电子听诊器电信号的分解去噪,具体包括如下步骤。
S1、利用智能电子听诊器内置的电容式心率传感器采集心率电信号,并对电信号滤波和放大。
S2、将互补集合经验模态分解模型优化转换成数学模型,利用泥环优化算法优化所述数学模型。
S3、改进基础泥环优化算法,包括海豚寻找猎物的数学模型和泥环进食的数学模型,具体步骤为:
S31、改进泥环优化算法的海豚寻找猎物位置更新策略的数学模型,同时引入最优位置进行位置更新,让算法的更新过程有导向性,使得个体向着种群中最优的位置移动;
S32、在步骤S31基础上融合麻雀搜索优化算法中发现者的位置更新策略,改进泥环优化算法的位置更新数学模型;
S33、泥环优化算法的找猎物和泥环进食策略通过改进概率因子交替进行位置
更新。
S4、利用改进泥环优化算法优化步骤S2的数学模型,得到最佳模态数量和集成
次数,对步骤S1得到的原始心率电信号进行CEEMD去噪。
S5、将经步骤S4生成的IMF分量处理,得到降噪后的信号。
进一步地,所述步骤S1,本发明针对解决智能电子听诊器在应用过程中信号噪声多导致听诊误差大的问题,智能电子听诊器放在病人胸部,获取病人的心率信号,心率信号经过智能电子听诊器的控制器处理以电信号的形式存在。
进一步地,所述步骤S2,本发明利用泥环优化算法(IMRA)对互补集合经验模态分解模型优化,在优化的过程中需要通过算法程序代码实现,因此为了达到最好的优化效果,需要将互补集合经验模态分解模型优化转换成数学模型,所述数学模型必须符合智能电子听诊器心率电信号的目标特征。
进一步地,所述步骤S2,数学模型作为改进泥环优化算法优化互补集合经验模态
分解模型的目标函数;考虑了去噪后的信号与原始信号在频域上的相似性以及在时域上
的平滑度,同时保留信号中的主要成分设计数学模型,数学公式为:
;
式中,为心率电信号的总长度,为第段去噪后的心率电信号,
为第段去噪后的心率电信号,为非线性正则化参数,为去噪后的心率
电信号 的离散傅里叶变换,为原始心率电信号 的离散傅里叶变
换。
进一步地,所述步骤S3,改进基础泥环优化算法(MRA)的目的是让算法的更新过程有导向性,使得个体向着种群中最优的位置移动,提高泥环优化算法的寻优精度和寻优速度,使基础泥环优化算法(MRA)的全局搜索性能和局部开发性能达到一个更好的平衡,降低算法陷入局部最优的可能性。
进一步地,所述步骤S31和步骤S32,改进泥环优化算法,改进后的位置更新数学模型为:
(1);
式中,为第只海豚的待更新的位置解,为第只海豚的目前的位置解,第只海豚的目前的速度,取值为和之间的随机数,为当前最优的海
豚位置,为取值[0,1]之间的随机数,为当前海豚,取值为,N为总的海
豚数目,为总的迭代次数,为第i只海豚的当前位置的适应度值。
进一步地,所述步骤S4,利用改进泥环优化算法优化步骤S2的数学模型,得到最佳
模态数量和集成次数,具体步骤为:
S41、将目标函数作为改进泥环优化算法寻优参数的适应度函数,适应度值越小,改进泥环优化算法寻优参数越佳;
S42、将互补集合经验模态分解模型参数和作为一个空间向量,编码为改进泥
环优化算法搜索空间的解;
S43、初始化互补集合经验模态分解模型的模态数量和集成次数初值以及改进
泥环优化算法的参数,包括算法寻优的上界UB和下界LB,种群规模N和问题维度D、算法寻优
的最大迭代次数;所述算法寻优的上界UB和下界LB为互补集合经验模态参数和
的上限和下限;
S44、计算当前迭代泥环种群个体适应度值,将最佳适应度值记录下,并与全局最优适应度值比较,保留较优的一个适应度值;
S45、模拟改进后的海豚寻找猎物和泥环进食的行为,建立数学模型,按照数学模
型的位置更新策略,更新互补集合经验模态分解模型的模态数量和集成次数解集;
S46、步骤S45中,寻找猎物和泥环进食通过改进概率因子交替进行位置更新;
改进后的概率因子数学公式为:
;
式中,为[0,1]内的随机数,为当前迭代次数;
S47,检查当前迭代次数是否等于总迭代次数,若是,算法结束,根据算法
位置更新策略与互补集合经验模态分解模型之间的映射关系,将最优位置分解赋值给互补
集合经验模态分解模型的模态数量和集成次数;否则,返回S43进行下一轮迭代寻优。
进一步地,所述步骤S46,寻找猎物和泥环进食通过改进概率因子交替进行位
置更新,具体步骤为:
S461、若概率因子满足,则执行海豚寻找猎物阶段的位置更新策略,即算
法的全局搜索策略,则按照公式(1)更新新互补集合经验模态分解模型的模态数量和集
成次数解集;
S462、若概率因子满足,利用改进后的概率因子,改进海豚泥环进食
阶段的位置更新策略,即算法的局部开发策略,则按照公式(2)更新新互补集合经验模态分
解模型的模态数量和集成次数解集;
;
式中,,为[0,1]内的随机数,为任意随机数。
进一步地,对步骤S1得到的原始心率电信号进行CEEMD去噪,流程如下:
step1、构建互补集合,生成多组随机噪声,将噪声加到原始信号上生成多组随机试验信号;
step2、对每组试验信号进行CEEMD分解,得到一组IMF函数;
step3、将每组IMF函数进行组合加权处理,生成一组总IMF函数;
step4、对总IMF函数进行CEEMD分解,得到一组新的IMF函数;
step5、按照step3-step4步骤反复迭代,直到得到的IMF函数的数量不再增加。
进一步地,经过CEEMD分解后,对不同的IMF函数进行分析和处理,对噪声成分进行过滤、对信号的长期和短期趋势进行分离。
本发明有益效果是:利用改进泥环优化算法优化互补集合经验模态分解模型,得到最佳模态数量和集成次数,实现智能电子听诊器电信号的分解去噪;
D1、改进泥环优化算法的海豚寻找猎物位置更新策略的数学模型,同时引入最优位置进行位置更新,让算法的更新过程有导向性,使得个体向着种群中最优的位置移动,提高泥环优化算法的寻优精度;
D2、在步骤S31基础上融合麻雀搜索优化算法中发现者的位置更新策略,改进泥环优化算法的位置更新数学模型,提高泥环优化算法全局搜索的速度;
D3、泥环优化算法的找猎物和泥环进食策略通过改进概率因子交替进行位置
更新,使基础泥环优化算法(MRA)的全局搜索性能和局部开发性能达到一个更好的平衡,降
低算法陷入局部最优的可能性;
D4、解决目前智能电子听诊器在应用过程中信号噪声多导致听诊误差大的问题。
附图说明
图1为一种智能电子听诊器电信号降噪处理优化方法流程图。
图2为改进泥环优化算法优化互补集合经验模态分解模型流程图。
图3为标准泥环优化算法与改进泥环优化算法的适应度值对比变化图。
图4为智能电子听诊器心率信号经过MRA-CEEMD去噪的频谱图。
图5为智能电子听诊器心率信号经过IMRA-CEEMD去噪的频谱图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-图5,本发明提供一种技术方案:
一种智能电子听诊器电信号降噪处理优化方法,利用改进泥环优化算法优化互补集合经验模态分解模型,得到最佳模态数量和集成次数,实现智能电子听诊器电信号的分解去噪,具体包括如下步骤。
S1、利用智能电子听诊器内置的电容式心率传感器采集心率电信号,并对电信号滤波和放大。
S2、将互补集合经验模态分解模型优化转换成数学模型,利用泥环优化算法优化所述数学模型。
S3、改进基础泥环优化算法,包括海豚寻找猎物的数学模型和泥环进食的数学模型,具体步骤为:
S31、改进泥环优化算法的海豚寻找猎物位置更新策略的数学模型,同时引入最优位置进行位置更新,让算法的更新过程有导向性,使得个体向着种群中最优的位置移动;
S32、在步骤S31基础上融合麻雀搜索优化算法中发现者的位置更新策略,改进泥环优化算法的位置更新数学模型;
S33、泥环优化算法的找猎物和泥环进食策略通过改进概率因子交替进行位置
更新。
S4、利用改进泥环优化算法优化步骤S2的数学模型,得到最佳模态数量和集成
次数,对步骤S1得到的原始心率电信号进行CEEMD去噪。
S5、将经步骤S4生成的IMF分量处理,得到降噪后的信号。
进一步地,所述步骤S1,本发明针对解决智能电子听诊器在应用过程中信号噪声多导致听诊误差大的问题,智能电子听诊器放在病人胸部,获取病人的心率信号,心率信号经过智能电子听诊器的控制器处理以电信号的形式存在。
进一步地,所述步骤S2,本发明利用泥环优化算法(IMRA)对互补集合经验模态分解模型优化,在优化的过程中需要通过算法程序代码实现,因此为了达到最好的优化效果,需要将互补集合经验模态分解模型优化转换成数学模型,所述数学模型必须符合智能电子听诊器心率电信号的目标特征。
进一步地,所述步骤S2,数学模型作为改进泥环优化算法优化互补集合经验模态
分解模型的目标函数;考虑了去噪后的信号与原始信号在频域上的相似性以及在时域上
的平滑度,同时保留信号中的主要成分设计数学模型,数学公式为:
;
式中,为心率电信号的总长度,为第段去噪后的心率电信号,
为第段去噪后的心率电信号,为非线性正则化参数,为去噪后的心率
电信号 的离散傅里叶变换,为原始心率电信号 的离散傅里叶变
换。
进一步地,所述步骤S3,改进基础泥环优化算法(MRA)的目的是让算法的更新过程有导向性,使得个体向着种群中最优的位置移动,提高泥环优化算法的寻优精度和寻优速度,使基础泥环优化算法(MRA)的全局搜索性能和局部开发性能达到一个更好的平衡,降低算法陷入局部最优的可能性。
进一步地,所述步骤S31和步骤S32,改进泥环优化算法,改进后的位置更新数学模型为:
(1);
式中,为第只海豚的待更新的位置解,为第只海豚的目前的位置解,第只海豚的目前的速度,取值为和之间的随机数,为当前最优的海
豚位置,为取值[0,1]之间的随机数,为当前海豚,取值为,N为总的海
豚数目,为总的迭代次数,为第i只海豚的当前位置的适应度值,实施中,海豚最
小速度为0,海豚最大速度为2。
进一步地,所述步骤S4,利用改进泥环优化算法优化步骤S2的数学模型,得到最佳
模态数量和集成次数,具体步骤为:
S41、将目标函数作为改进泥环优化算法寻优参数的适应度函数,适应度值越小,改进泥环优化算法寻优参数越佳;
S42、将互补集合经验模态分解模型参数和作为一个空间向量,编码为改进泥
环优化算法搜索空间的解;
S43、初始化互补集合经验模态分解模型的模态数量和集成次数初值以及改进
泥环优化算法的参数,包括算法寻优的上界UB和下界LB,种群规模N和问题维度D、算法寻优
的最大迭代次数;所述算法寻优的上界UB和下界LB为互补集合经验模态参数和
的上限和下限;
S44、计算当前迭代泥环种群个体适应度值,将最佳适应度值记录下,并与全局最优适应度值比较,保留较优的一个适应度值;
S45、模拟改进后的海豚寻找猎物和泥环进食的行为,建立数学模型,按照数学模
型的位置更新策略,更新互补集合经验模态分解模型的模态数量和集成次数解集;
S46、步骤S45中,寻找猎物和泥环进食通过改进概率因子交替进行位置更新;
改进后的概率因子数学公式为:
;
式中,为[0,1]内的随机数,为当前迭代次数;
S47,检查当前迭代次数是否等于总迭代次数,若是,算法结束,根据算法
位置更新策略与互补集合经验模态分解模型之间的映射关系,将最优位置分解赋值给互补
集合经验模态分解模型的模态数量和集成次数;否则,返回S43进行下一轮迭代寻优。
进一步地,所述步骤S46,寻找猎物和泥环进食通过改进概率因子交替进行位
置更新,具体步骤为:
S461、若概率因子满足,则执行海豚寻找猎物阶段的位置更新策略,即算
法的全局搜索策略,则按照公式(1)更新新互补集合经验模态分解模型的模态数量和集
成次数解集;
S462、若概率因子满足,利用改进后的概率因子,改进海豚泥环进食阶
段的位置更新策略,即算法的局部开发策略,则按照公式(2)更新新互补集合经验模态分解
模型的模态数量和集成次数解集;
;
式中,,为[0,1]内的随机数,为任意随机数。
进一步地,对步骤S1得到的原始心率电信号进行CEEMD去噪,流程如下:
step1、构建互补集合,生成多组随机噪声,将噪声加到原始信号上生成多组随机试验信号;
step2、对每组试验信号进行CEEMD分解,得到一组IMF函数;
step3、将每组IMF函数进行组合加权处理,生成一组总IMF函数;
step4、对总IMF函数进行CEEMD分解,得到一组新的IMF函数;
step5、按照step3-step4步骤反复迭代,直到得到的IMF函数的数量不再增加。
进一步地,经过CEEMD分解后,对不同的IMF函数进行分析和处理,对噪声成分进行过滤、对信号的长期和短期趋势进行分离。
具体实施时,将电容式心率传感器连接到电子听诊器控制器的信号读取接口,使用传感器从患者体表采集心脏电信号,使用放大器来增强电信号的强度,以便更容易处理,通过低通滤波器,选择性地保留高频范围内的信号并滤除杂质部分,通过模数转换器将模拟信号转换成电信号,使用数字信号处理技术对采集到的心脏电信号进行进一步处理。
具体实施时,将处理好的心率电信号输入到设备中,通过MATALB软件对心率电信
号去噪仿真;设置改进泥环优化算法(IMRA)种群规模N=50,最大迭代次数=50,算法
寻优的上界UB=2000,算法寻优下界LB=0,运行软件,MRA-CEEMD算法寻优得到模态数量=5
和集成次数=1200;IMRA-CEEMD算法寻优得到模态数量=8和集成次数=2000。
如图3所示,标准泥环优化算法(MRA)与改进泥环优化算法(CEEMD)优化CEEMD的适应度值对比变化图;虚线代表MRA-CEEMD方法,实线代表IMRA-CEEMD方法;两条线都显示适应度值总体呈下降趋势,这表明随着迭代次数的增加,CEEMD方法的性能有所提高;但是,IMRA-CEEMD方法从一开始就有一个较低的适应度值,并在所有点上保持了比MRA-CEEMD更低的适应度值,这表明IMRA-CEEMD在性能上优于MRA-CEEMD方法,进而说明本发明利用改进泥环优化算法(IMRA)对互补集合经验模态分解模型优化,解决目前智能电子听诊器在应用过程中信号噪声多导致听诊误差大的问题,具备创新性、应用性。
对比图4和图5,从智能电子听诊器心率信号经过MRA-CEEMD去噪的频谱图与智能电子听诊器心率信号经过IMRA-CEEMD去噪的频谱图对比,可以发现这些结果分别表示为一系列模态函数(IMF),它们是通过CEEMD方法从数据中提取出来的,可以看出IMF在IMRA-VMD算法下显示出更集中的频率分布和更高的振幅峰值,这表明IMRA-VMD算法在提取有效心率电信号频率成分时更有效,说明IMRA-CEEMD对智能电子听诊器心率电信号去噪效果更好。
Claims (5)
1.一种智能电子听诊器电信号降噪处理优化方法,利用改进泥环优化算法优化互补集合经验模态分解模型,得到最佳模态数量和集成次数,实现智能电子听诊器电信号的分解去噪,其特征在于,包括以下步骤:
S1、利用智能电子听诊器内置的电容式心率传感器采集心率电信号,并对电信号滤波和放大;
S2、将互补集合经验模态分解模型优化转换成数学模型,利用泥环优化算法优化所述数学模型;
S3、改进基础泥环优化算法,包括海豚寻找猎物的数学模型和泥环进食的数学模型,具体步骤为:
S31、改进泥环优化算法的海豚寻找猎物位置更新策略的数学模型,同时引入最优位置进行位置更新,让算法的更新过程有导向性,使得个体向着种群中最优的位置移动;
S32、在步骤S31基础上融合麻雀搜索优化算法中发现者的位置更新策略,改进泥环优化算法的位置更新数学模型;
S33、泥环优化算法的找猎物和泥环进食策略通过改进概率因子交替进行位置更新;
S4、利用改进泥环优化算法优化步骤S2的数学模型,得到最佳模态数量和集成次数/>,对步骤S1得到的原始心率电信号进行CEEMD去噪;
S5、将经步骤S4生成的IMF分量处理,得到降噪后的信号。
2.根据权利要求1所述的一种智能电子听诊器电信号降噪处理优化方法,其特征在于,所述步骤S2,将互补集合经验模态分解模型优化转换成数学模型,所述数学模型作为改进泥环优化算法优化互补集合经验模态分解模型的目标函数;考虑了去噪后的信号与原始信号在频域上的相似性以及在时域上的平滑度,同时保留信号中的主要成分设计数学模型,数学公式为:
;
式中,为心率电信号的总长度,/>为第/>段去噪后的心率电信号,/>为第段去噪后的心率电信号,/>为非线性正则化参数,/>为去噪后的心率电信号 />的离散傅里叶变换,/>为原始心率电信号 />的离散傅里叶变换。
3.根据权利要求2所述的一种智能电子听诊器电信号降噪处理优化方法,其特征在于,所述步骤S31和步骤S32,改进泥环优化算法,改进后的位置更新数学模型为:
(1);
式中,为第/>只海豚的待更新的位置解,/>为第/>只海豚的目前的位置解,/>第只海豚的目前的速度,取值为/>和/>之间的随机数,/>为当前最优的海豚位置,/>为取值[0,1]之间的随机数,/>为当前海豚,取值为/>,N为总的海豚数目,/>为总的迭代次数,/>为第i只海豚的当前位置的适应度值。
4.根据权利要求1-3任意一项所述的一种智能电子听诊器电信号降噪处理优化方法,其特征在于,所述步骤S4,利用改进泥环优化算法优化步骤S2的数学模型,得到最佳模态数量和集成次数/>,具体步骤为:
S41、将目标函数作为改进泥环优化算法寻优参数的适应度函数,适应度值越小,改进泥环优化算法寻优参数越佳;
S42、将互补集合经验模态分解模型参数和/>作为一个空间向量,编码为改进泥环优化算法搜索空间的解;
S43、初始化互补集合经验模态分解模型的模态数量和集成次数/>初值以及改进泥环优化算法的参数,包括算法寻优的上界UB和下界LB,种群规模N和问题维度D、算法寻优的最大迭代次数/>;所述算法寻优的上界UB和下界LB为互补集合经验模态参数/>和/>的上限和下限;
S44、计算当前迭代泥环种群个体适应度值,将最佳适应度值记录下,并与全局最优适应度值比较,保留较优的一个适应度值;
S45、模拟改进后的海豚寻找猎物和泥环进食的行为,建立数学模型,按照数学模型的位置更新策略,更新互补集合经验模态分解模型的模态数量和集成次数/>解集;
S46、步骤S45中,寻找猎物和泥环进食通过改进概率因子交替进行位置更新;改进后的概率因子/>数学公式为:
(2);
式中,为[0,1]内的随机数,/>为当前迭代次数;
S47,检查当前迭代次数是否等于总迭代次数/>,若是,算法结束,根据算法位置更新策略与互补集合经验模态分解模型之间的映射关系,将最优位置分解赋值给互补集合经验模态分解模型的模态数量/>和集成次数/>;否则,返回S43进行下一轮迭代寻优。
5.根据权利要求4所述的一种智能电子听诊器电信号降噪处理优化方法,其特征在于,所述步骤S46,寻找猎物和泥环进食通过改进概率因子交替进行位置更新,具体步骤为:
S461、若概率因子满足/>,则执行海豚寻找猎物阶段的位置更新策略,即算法的全局搜索策略,则按照公式(1)更新新互补集合经验模态分解模型的模态数量/>和集成次数/>解集;
S462、若概率因子满足/>,利用改进后的概率因子/>,改进海豚泥环进食阶段的位置更新策略,即算法的局部开发策略,则按照公式(2)更新新互补集合经验模态分解模型的模态数量/>和集成次数/>解集;
(3);
式中,,/>为[0,1]内的随机数,/>为任意随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410069614.9A CN117591812B (zh) | 2024-01-18 | 2024-01-18 | 一种智能电子听诊器电信号降噪处理优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410069614.9A CN117591812B (zh) | 2024-01-18 | 2024-01-18 | 一种智能电子听诊器电信号降噪处理优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117591812A true CN117591812A (zh) | 2024-02-23 |
CN117591812B CN117591812B (zh) | 2024-04-26 |
Family
ID=89913647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410069614.9A Active CN117591812B (zh) | 2024-01-18 | 2024-01-18 | 一种智能电子听诊器电信号降噪处理优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117591812B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105380597A (zh) * | 2014-09-03 | 2016-03-09 | 三星电子株式会社 | 用于测量生命信号的电子设备和方法 |
WO2021150713A2 (en) * | 2020-01-21 | 2021-07-29 | The United States Of America, As Represented By The Secretary, Department Of Health And Human Services | Human immunogenic epitopes of h, k, and e human endogenous retroviruses (hervs) |
CN114757231A (zh) * | 2022-04-19 | 2022-07-15 | 山东工商学院 | 一种基于cwoa-vmd算法的管道泄漏信号去噪方法 |
CN115128395A (zh) * | 2022-06-14 | 2022-09-30 | 武汉大学 | 一种电压暂降源定位方法和装置 |
-
2024
- 2024-01-18 CN CN202410069614.9A patent/CN117591812B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105380597A (zh) * | 2014-09-03 | 2016-03-09 | 三星电子株式会社 | 用于测量生命信号的电子设备和方法 |
WO2021150713A2 (en) * | 2020-01-21 | 2021-07-29 | The United States Of America, As Represented By The Secretary, Department Of Health And Human Services | Human immunogenic epitopes of h, k, and e human endogenous retroviruses (hervs) |
CN114757231A (zh) * | 2022-04-19 | 2022-07-15 | 山东工商学院 | 一种基于cwoa-vmd算法的管道泄漏信号去噪方法 |
CN115128395A (zh) * | 2022-06-14 | 2022-09-30 | 武汉大学 | 一种电压暂降源定位方法和装置 |
Non-Patent Citations (2)
Title |
---|
DUBEY, S.G等: "Airflow noise reduction in digital stethoscope add-on device", 《INTERNATIONAL CONFERENCE ON RECENT INNOVATIONS IN ENGINEERING AND TECHNOLOGY》, 31 December 2021 (2021-12-31) * |
付林军;王凤随;刘正男;: "改进自适应CEEMD方法在心电信号去噪中的应用", 电子测量与仪器学报, no. 04, 15 April 2020 (2020-04-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117591812B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A study on arrhythmia via ECG signal classification using the convolutional neural network | |
CN111307453B (zh) | 一种基于多信息融合的传动系统故障诊断方法 | |
CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
CN111160139B (zh) | 心电信号的处理方法、装置及终端设备 | |
Sinha et al. | Curriculum by smoothing | |
CN111863232B (zh) | 基于区块链和医学影像的远程疾病智能诊断系统 | |
CN110766099A (zh) | 结合判别式深度置信网络和主动学习的心电分类方法 | |
CN113488060B (zh) | 一种基于变分信息瓶颈的声纹识别方法及系统 | |
CN108182399B (zh) | 指静脉特征比对方法、装置、存储介质和处理器 | |
CN110269605A (zh) | 一种基于深度神经网络的心电信号噪声识别方法 | |
CN110558975A (zh) | 一种基于lrf-elm和blstm的心电信号分类方法及系统 | |
CN117591812B (zh) | 一种智能电子听诊器电信号降噪处理优化方法 | |
CN115105076A (zh) | 基于动态卷积残差多源迁移的脑电情绪识别方法及系统 | |
CN113408336B (zh) | 一种基于鲸鱼优化算法的小波去噪最优阈值整定方法 | |
Kanaparthi et al. | A survey on training issues in chili leaf diseases identification using deep learning techniques | |
CN114548281A (zh) | 一种基于无监督自适应权重的心脏数据异常检测方法 | |
Zaorálek et al. | Patient-adapted and inter-patient ECG classification using neural network and gradient boosting | |
CN112446307B (zh) | 基于局部约束的非负矩阵分解的心电身份识别方法及系统 | |
CN115019215B (zh) | 一种基于高光谱图像的大豆病虫害识别方法和装置 | |
CN114202746B (zh) | 路面状态识别方法、装置、终端设备及存储介质 | |
CN114705431A (zh) | 基于多参数筛选准则与gwo-pnn的滚动轴承故障诊断方法 | |
CN114723043A (zh) | 基于超图模型谱聚类的卷积神经网络卷积核剪枝方法 | |
CN114386479A (zh) | 医学数据处理方法、装置、存储介质及电子设备 | |
CN111887836A (zh) | 心电信号的处理方法、装置及设备 | |
Chappa et al. | Performance analysis of optimal FIR LPF and HPF using AVOA |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240331 Address after: 100039 Fuxing Road 28, Beijing, Haidian District Applicant after: The second medical center of General Hospital of PLA Country or region after: China Address before: 276800 55 / F, tower a, Tiande sea view city, No. 386, Haiqu East Road, Donggang District, Rizhao City, Shandong Province Applicant before: Shandong Huanghai Intelligent Equipment Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |