没有合适的资源?快使用搜索试试~ 我知道了~
工程科学与技术,国际期刊20(2017)1054完整文章基于混合Nelder-Mead搜索的最优最小二乘心肺音分离算法放大图片作者:John M. NoelVIT大学电气工程学院,Vellore,印度阿提奇莱因福奥文章历史记录:2016年9月7日收到2017年2月9日修订2017年2月21日接受在线提供2017年保留字:心音分离Nelder-Mead搜索最小均方算法自适应噪声消除生物启发优化算法生物信号A B S T R A C T从肺音背景噪声中分离心音的算法对于心脏疾病的准确诊断至关重要本文采用一种改进的基于最小均方(LMS)算法的自适应噪声抵消技术来分离心音和肺音。LMS算法中的步长参数使用混合Nelder-Mead(H-NM)优化算法进行优化选择。NM算法初始化一个良好的初始解,通过使用计算成本低的随机搜索计算的全局最小值的粗略估计。通过对NM算法的改进,采用一个好的初始值,避免了算法收敛于浅局部极小点,提高了算法的收敛质量。最终的解决方案。使用两个国家的最先进的生物启发式优化算法,而不是H-NM算法和标准LMS算法的三个变种的效果进行了研究。以理想心音信号与滤波后心音信号之间的相关系数和不同算法的运行时间复杂度作为比较不同心音分离方法的指标。仿真结果表明,本文提出的方法在心音分离问题上的性能显着优于各种替代方法©2017 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍从肺音背景噪声中有效分离心音信号(HSS)的方法在心脏疾病的诊断中具有重要意义。分离的无噪声HSS用于实时诊断应用,如特征分割和分析、第二心音(S2)分离研究[1]和睡眠参数评估[2]。分离的肺音也用作外科手术期间麻醉管理的指示工具[3,4]。本文提出了一种新的基于最小均方(LMS)算法的心音精确分离方法,并与现有的各种方法进行了比较。听诊是指传统上用听诊器听内脏器官发出的声音的动作[5]。医生使用听诊作为一种非侵入性方法来获得与心脏、肺和胃肠道系统等内部器官相关的功能信息。在心脏听诊中,除了血液流入和流出心脏所产生的声音和呼吸声之外,还有形式上的伪像。*通讯作者。电子邮件地址:nruban@vit.ac.in(R. Nersisson)。由Karabuk大学负责进行同行审查杂音、马蹄声和环境噪音。HSS是由血液流入和流出心脏结构以及心脏结构本身的运动产生的声音。HSS基本上由两个主要声音S1和S2组成。S1由房室瓣关闭期间的心室收缩引起。S1是心音中最长、最响的。S2是由于半月瓣关闭,心室收缩末期。肺音信号(LSS)是呼吸过程中湍流气流产生的。LSS的主要频率分量在20至100 Hz范围内[5,6]。这也是HSS具有其主要频率分量的范围[7]。心音和肺音的频谱重叠使得HSS分离问题具有挑战性。此外,HSS和LSS是随机信号并且可能遭受意外波动,并且还由于频谱重叠,不能使用任何非自适应或时不变线性滤波器来执行两个信号的分离。因此,所使用的滤波器应该能够适应这种不一致性。“自适应”一词自适应滤波器具有自学习能力,而传统的数字滤波器则没有[9]。Yang-sheng Lu等人[7]使用自适应滤波器精确分离心肺音。HansPasterkamp等人[10]讨论了使用听诊器记录LSS的问题,http://dx.doi.org/10.1016/j.jestch.2017.02.0052215-0986/©2017 Karabuk University.出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页:www.elsevier.com/locate/jestchR. Nersisson,M.M.Noel/Engineering Science and Technology,an International Journal 20(2017)10541055N“X提出了用于在噪声环境中操作的主动噪声消除技术。Yip等人[11]使用实验结果证明了使用自动增益控制技术的自适应噪声消除算法可以减少心音伪影。Thato Tsalaile等人[12]考虑使用自适应线性增强(ALE)LMS算法将HSS与有色噪声分离。本文还讨论了ALE算法参数的优化选择问题。M.普拉扎德等人[13]提出了一种用于分离HSS和LSS的时频滤波技术。January Gnitecki等人[14]详细研究了用于HSS和LSS分离的各种自适应噪声消除算法,并指出了正确选择自适应滤波器参数(如滤波器阶数和收敛速率)的重要性。Foad Ghaderi等人[15]提出了一种基于奇异谱分析的分离方法。Muhammad Sukrisno Mardiyanto等人[16]分析了LSS的频谱用于诊断应用。 Ruban等人[17]回顾了HSS分离的各种算法,并得出结论,在步长上进行一些修改的自适应滤波器可以提高分离信号的质量穆斯塔法·古达等人[18]探索了各种LMS算法改进,用于对心电图(ECG)信号进行降噪。Yüksel Özbay等人报道了一种自适应噪声消除技术,其中步长根据输入信号[19]第10段。本文组织如下:首先HSS,LSS,混合信号和自适应噪声消除的分离方案进行了讨论,其次,一个改进的自适应噪声消除方案,其中的步长是最佳选择使用混合Nelder-Mead算法,最后提出的方法与各种替代方法进行了比较2. 心肺音2.1. 记录内部器官发出的声音使用电子听诊器和适当的数据采集系统记录HSS。HSS通常以数字形式存储在.mp3或.mp4中。wav格式[10]。HSS记录的主要位置是第二和第五肋间隙之间的右胸骨缘和左胸骨缘。肺音听诊主要在胸部前上部、腋窝中部和后基底侧进行[20]。HSS记录在腋中线附近,Mize LSS噪声。2.2. 心音心音具有多个分量,例如第一心音(S1)、第二心音(S2)、第三心音(S3)和杂音。1.一、2.3. 肺音呼吸包括两个阶段当空气通过呼吸道(气管和支气管)时,就会产生肺音心音和肺音的性质是由身体结构的运动决定的。这些声音可分为气管音、支气管音、支气管肺泡音、肺泡音和外来音[20]。本文中所考虑的肺音类型见图1. 二、a. 支气管音:主要表现为支气管音并且在靠近第二和第三肋间空间的前胸中的大气道上被检测到b. 肺泡呼吸音:这些声音在大部分肺部区域都可以听到。肺泡呼吸音和HSS之间有明显的重叠。这些声音在吸气循环中音调较高,在呼气循环中音调较低,在吸气和呼气循环之间没有间隙[20]。c. 外源性肺音:这些声音包括爆裂音、胸膜音和喘息。喘鸣是患有呼吸相关问题的患者的肺音中存在的主要声音,因此与喘鸣一起记录的呼吸音也被认为是噪声信号之一。在本文中,四个不同的污染信号被用来测试不同的HSS分离算法的性能 图图3示出了被不同肺音噪声污染的心音。3. 方法在下面的部分中,标准的LMS算法及其流行的改进变种进行审查。给出了滤波器参数的设计步骤和数值3.1. 自适应算法有源噪声消除过程使用自适应有限脉冲响应(FIR)滤波器。滤波分两部分执行3.1.1. LMS算法LMS算法[21,22]用于根据适当定义的误差信号调整FIR(有限脉冲响应)滤波器的系数,以实现从输入信号中分离噪声为了从噪声输入获得纯心音输出y(n),使用自适应FIR滤波器来计算噪声(肺音)的估计。LMS滤波器系数更新规则在等式中给出(一).wn1wn2lenxn1yn wn:x Tn 2误差信号e(n)定义如下:end n-yn 3哪里x(n)?污染心音信号w(n)?滤波器系数y(n)的向量 ?过滤心脏sound d(n)?期望信号m?步长LMS算法的收敛速度主要取决于步长参数m[23]。使用LMS算法分离心音信号的总体方案如图所示。 四、3.1.2. 归一化LMS在传统的LMS算法中,噪声电平基于步长(m)的值而变化,因为步长是由输入矢量的本征值计算的为了解决这个问题,使用另一种方法,其中通过输入向量的自相关来计算步长[24]。滤波器系数向量w(n)基于每次迭代中的输入向量被归一化[24[24]步数由[24]给出;胸骨上方的声音所以这些声音大多与HSS重叠。这些声音不像气管呼吸声那样刺耳和粗糙,但声音大,音调高lnl01N-11/4x2n-i-1¼Nl0XTn:X nð4Þ#1056R. Nersisson,M.M.Noel/Engineering Science and Technology,an International Journal 20(2017)1054X图1.一、 理想的HSS信号及其组件。图二、a. 支气管肺音; b.肺泡音; c.肺音伴低音调喘鸣; d.肺音伴高音喘息。L-1L -1N? 数据样本数自适应滤波器权重w(n +1)由[28]给出;XykLiXfwk:xTkLig7(“Xn:XTn#)“dn:Xn#1/41/4wn11-Nl0XTn:XnwnNl0XTn:Xnð5ÞekLidkLi-ykLi 8一旦权重被更新,则等式(2)和(3)用于找到滤波后的输出。3.1.3. 块LMS在该算法中,输入信号被划分为相等大小的块,并且针对每个块更新滤波器系数[29,30]。按块分析输入(块大小需要具体说明)。还基于当前块的输入数据块集来计算梯度向量。L-1的ekL iXkL i我?块k的长度?块索引3.2. 设计参数自适应滤波器参数为:(i) 自适应滤波器长度L:对于所有LMS方案,滤波器的阶数(滤波器长度L)被认为是300,并且基于输入信号的长度来考虑该值(ii) 步长参数m:步长由等式(1)中给出的输入向量的本征值(十)、wk1wklBi<$0ð6Þ(iii) 期望信号d(n)。(iv) 块大小(仅适用于BLMS):块大小选择为接近基于第k个块计算输出和误差向量;对于滤波器的长度[29],较大的长度使收敛更快,但自适应效率下降。LR. Nersisson,M.M.Noel/Engineering Science and Technology,an International Journal 20(2017)10541057混合信号(HSS+LSS系数随误差信号变化的自适应滤波器过滤HSS-误差信号(理想HSS和滤波HSS之间的差异)y(n期望信号d(n)二次递归滤波器图三. HSS与各种LSS混合; a. HSS混合支气管肺音; b. HSS混合肺泡音; c. HSS混合低音调喘鸣; d. HSS混合高音喘息。3.2.1. 步长的选择见图4。框图:自适应噪声消除算法。步长可以是固定值,在这种情况下,m将是小的在选择自适应滤波器的步长时考虑以下准则[31]。小步长,以确保小的稳态误差。然而,小的步长也降低了所得自适应滤波器的收敛速度。较大的步长可以提高自适应滤波器的收敛速度然而,大的步长可能导致自适应滤波器变得不稳定。较大的步长会影响系数,使其波动,最终导致滤波器不稳定[21]。通过以下界限选择m用于稳定滤波器[21]正整数值,并且m也可以随着迭代而随时间变化。3.2.2. 期望信号d(n)设计递归带通滤波器以从混合输入信号中获得所需信号[32]。滤波器长度(阶数)由scopeFIR软件根据输入信号特性计算,以实现所需的信号噪声降低。通过对输入信号进行快速傅立叶变换(FFT)分析,基于频谱来考虑频率参数(如归一化截止频率范围)[6]。4. 优化算法0l2 f(Xhigh)X/x是的OC IC收缩(X低和新测试点)图五. 框图:H-NM算法。表2参数设置。DNL-PSO的速度更新方程由[39]给出;遗传算法DNL-PSO H-NMi i id维度1 1 1人口规模10 10我ð26Þ迭代次数–该位置将使用以下方程由新的速度矢量更新;惯性系数(w)交叉分数加速度0.8–Xd¼XdVdð27Þ参数C1 C2停止标准最大数量第二十代最大发电量(20)最大发电量(20)V i?第i个粒子的速度矢量d?问题的维度X i?位置矢量最好是我?第i个粒子gbest的个人最佳?所有质点的最佳位置4.3.1.基于动态邻域学习的粒子群优化算法它是粒子群算法的一个强有力的变种,是一个单目标优化问题.其中最佳粒子仅从定义的邻域中选择。w?惯性因子r 1&r 2? 随机数[0到1]C 1&C 2?加速度参数(约2)f i?第i个粒子跟随的粒子的局部最优见图6。三种不同算法的随机搜索结果(仅绘制选定值),a. HSS混合支气管肺音; b. HSS混合肺泡音; c.HSS混合低音调喘鸣; d.HSS混合高音喘息。随机搜索膨胀Nelder-Mead算法的不同条件反射我R. Nersisson,M.M.Noel/Engineering Science and Technology,an International Journal 20(2017)10541061.ΣΣ图7.第一次会议。给出了不同算法的H-NM搜索的函数评价图。HSS混合支气管肺音; b.HSS混合肺泡音;C. HSS混合低音调喘鸣; d. HSS混合高音喘息。表3H-NM算法的收敛性。算法的迭代次数GA和DNL-PSO的适应度函数在等式中给出。(28).并且H-NM的适应度函数在等式中给出。(十五)、GA、DNL-PSO和H-NM的参数选择见表2。收敛(H-NM搜索)HSS伴支气管LSS LMS 11NLMS 4BLMS 4HSS和囊泡LSS LMS 10f最小值1-E½HSS-HSSavgy-yavg]rHSS:ryð28ÞHSS伴偶发LSS(低声哮鸣)HSS伴偶发LSS(高音哮鸣)NLMS 4BLMS 7LMS 11NLMS 9BLMS 3LMS 11NLMS 5BLMS 115. 结果和讨论图1示出了在没有LSS干扰的情况下记录的理想HSS。混合信号是HSS和LSS的组合,如图3所示。给出了三种不同LMS算法的滤波输出,并给出了随机搜索、基本NM搜索和H-NM搜索的最优步长选择。H-NM搜索结果进行了比较与其他两个生物启发的算法。在粗体值是所有三种算法中的最低迭代次数。在下面的部分中,不同算法的度量是com-图8.第八条。使用具有优化步长(m)的LMS算法的滤波输出;a.从支气管肺音检索的HSS; b.从肺泡肺音检索的HSS; c.从低音调喘息中恢复HSS; d.从高音喘息中取出HSS1062R. Nersisson,M.M.Noel/Engineering Science and Technology,an International Journal 20(2017)1054图9.第九条。使用具有优化步长(m)的NLMS算法的滤波输出;a.从支气管肺音检索的HSS; b.从肺泡肺音检索的HSS; c.从低音调喘息中恢复HSS; d.从高音喘息中取出HSS图10个。使用具有优化步长(m)的BLMS算法的滤波输出;a.从支气管肺音检索的HSS; b.从肺泡肺音检索的HSS; c.从低音调喘息中恢复HSS; d.从高音喘息中取出HSS表4使用默认m初始化NM搜索的相关系数评估过滤器性能。算法初始m(近似值)收敛迭代次数相关系数(%)HSS伴支气管LSSLMS0.0758不收敛无相关性NLMS0.07581495.27BLMs0.0758不收敛无相关性HSS伴囊泡LSSLMS0.1261594.7NLMS0.126795.32BLMs0.126不收敛无相关性HSS伴偶发LSS(低声哮鸣)LMS0.4315不收敛无相关性NLMS0.4315578.17BLMs0.4315不收敛无相关性HSS伴偶发LSS(高音哮鸣)LMS0.216不收敛无相关性NLMS0.2161382BLMs0.216不收敛无相关性R. Nersisson,M.M.Noel/Engineering Science and Technology,an International Journal 20(2017)10541063表5使用默认步长和使用不同优化算法(包括所提出的算法)计算的步长,通过相关系数评估滤波器性能。算法默认GA DNL-PSO H-NM算法默认M相关系数(%)相关系数(%)相关系数(%)最优m相关系数(%)HSS伴支气管LSS LMS0.0758无相关性94.794.388.4e-0594.74NLMS0.07589495.2795.270.0013495.27BLMs0.0758无相关性94.794.78.79e-0594.7HSS和囊泡LSS LMS0.126无相关性94.7594.186.9e-0594.75NLMS0.1269395.395.320.001295.32BLMs0.126无相关性94.794.736.9e-0594.74HSS伴偶发LSS(低音调LMS0.4315无相关性78.0277.90.010978.1喘鸣)NLMS0.43157878.176.650.684878.17BLMs0.4315无相关性77.277.248.12e-0477.24HSS伴偶发LSS(高音LMS0.216无相关性79.6479.620.006880.2喘鸣)NLMS0.2167982.0481.520.00382.23BLMs0.216无相关性79.5179.55.34e-0480.5粗体值是所提出的算法的最佳可能相关系数表6分析了三种算法的时间复杂度。算法GA DNL-PSO H-NM算法收敛时间(秒)粗体值表示三种优化算法中的最低时间和标准差图十一岁不同优化算法的运行时间比较;a.HSS混合支气管肺音; b.HSS混合肺泡音; c.HSS混合低音调喘鸣; d.HSS混合高音喘息。是说标准偏差是说标准偏差是说标准偏差HSS伴支气管LSS LMS118.046.02363.6911.4437.220.53NLMS134.412.88349.4523.441.31.56BLMs75.51.37168.737.75522.090.41HSS和囊泡LSS LMS159.196.39360.1436.146.61.43NLMS173.18.11411.4717.2552.461.6BLMs92.042.58211.4218.6626.810.45HSS伴偶发LSS(低声哮鸣)LMS131.069.91455.2312.2535.130.7NLMS131.255.68490.8226.2846.163.13BLMs71.281.17165.324.0325.132.08HSS伴偶发LSS(高音哮鸣)LMS143.0611.03474.2813.9139.240.63NLMS144.982.59454.7249.345.750.91BLMs77.581.09202.989.7322.850.211064R. Nersisson,M.M.Noel/Engineering Science and Technology,an International Journal 20(2017)1054基于相关系数和平均运行时间复杂度的排序。5.1. 随机搜索的过滤性能图图6描述了所有三种LMS算法在随机搜索步长的情况下的性能。该图绘制在所有四个输入信号的Randomm与MSE值导致最低MSE的步长(Mu或m)被认为是最佳选择(mopt)。5.2. 用H-NM搜索计算步长的滤波性能图7描绘了H-NM搜索算法的函数评估图,其中在迭代次数和成本函数值之间绘制了图。每个算法的收敛性都在图中标出。从图中可以清楚地看出,NLMS算法比其他两种算法收敛得更快表3显示了每个算法对不同输入类的收敛速度。从表3中可以看出,LMS、NLMS和BLMS算法分别在第11次、第4次和第7次迭代时收敛。然后,三种算法的收敛性都达到稳定条件。5.3. 使用LMS、NLMS和BLSM算法LMS:使用具有由所提出的方案识别的最佳步长的LMS算法从损坏的信号(具有不同肺音的HSS)提取的经滤波的心音信号(HSS)在图8中示出。该图绘制在时间和幅度之间。相关值见表5。NLMS:使用NLMS自适应算法从破裂信号(具有不同肺音的HSS)提取的滤波心音信号如图9所示。该图绘制在时间和幅度之间。相关值见表5。BLMS:图10中示出了使用具有最佳步长的BLMS从破坏信号(具有正常和偶发LSS的HSS)提取的滤波心音信号。该图绘制在时间和幅度之间。相关值见表5。5.4. 讨论表4和表5总结了不同LMS滤波器变体在基准心音分离问题上的性能。表4给出了LMS滤波器变体的性能,其中步长由以默认步长初始化的NM搜索计算。结果表明,该滤波器不收敛的LMS和BLMS算法与NM(默认步长)的选择。在表5中,给出了四种情况下的相关系数;默认m(未优化),使用GA,DNL-PSO和H-NM优化的m两种生物启发算法都收敛到接近所提出的算法,并且相关系数也相似,差异可以忽略不计,但是在GA和DNL-PSO的情况下,计算复杂度更高,这增加了算法的时间复杂度(表6&图6)。 11)。表6显示了不同优化算法的平均运行时间复杂度平均值和标准差超过提供了10项独立试验。表6表明,GA的平均运行时间约为所提出的H-NM算法的3倍,在DNL-PSO的情况下,标准偏差很大因此,本文提出的H-NM算法计算步长的LMS滤波器在相关系数方面的性能明显优于其他算法,并且运行时间更少。生物启发算法这是因为,优化LMS算法的步长参数是一个简单的一维问题,计算昂贵的多维优化算法是不合适的。表6中的值以图表形式显示在图1所示的条形图中。 十一岁表5中描述的相关值显示,使用所提出的方法从混合的支气管和肺泡LSS中回收的HSS具有94.9%的平均相关系数。此外,从外源LSS中回收的HSS的平均相关系数为79.4%。因此,本文提出的方法显著提高了从肺音恢复的心音的质量,并且将使得能够更有效地诊断心脏问题。6. 结论本文提出了一种利用改进的LMS算法从肺音背景噪声中分离出HSS的有效方法采用Nelder-Mead单纯形算法和随机搜索相结合的方法对改进LMS算法中的步长参数使用随机搜索提供一个良好的初始解NM算法避免收敛到最近的局部极小值,并导致在过滤器性能的显着改善。仿真结果表明,本文提出的方法显着优于其他心音分离方法的相关性与理想的滤波输出。探讨了用更复杂的生物启发算法替换NM算法的效果还考虑了标准LMS算法的两种流行变体归一化LMS算法的步长优化使用NM算法初始化随机搜索提供了最好的性能考虑的方法中的滤波精度和运行时间复杂度。未来的工作可能会将本工作中提出的方法应用于其他生物信号的过滤。确认作者要感谢印度VIT大学为开展这项研究提供了所有必要的资源。引用[1] S.M. Debbal,F. Bereksi-Reguig,使用小波变换技术自动测量第二心音分裂,计算机。生物医学3 7 (3)(2007)269-276。[2] Sandra Morales Cervera,Dragana Nikoli,Anna Barney,Robert Allen,睡眠呼吸异常模型,用于分类和诊断技术的开发,在:第三届IEEE生物医学和通信技术应用科学国际研讨会(ISABEL 2010),罗马,2010年11月7日至10日,第1001比2。[3] 王红,王乐毅,麻醉术中连续呼吸听诊,见:IEEE传感器会议录2003(IEEECat.No.03CH37498),第2卷,2003,pp.1002-1005[4] H.王林英Wang,H.郑河,巴西-地Haladjian,M. Wallo,麻醉呼吸监测中的肺音/噪声分离,WSEAS Trans.Syst.3(2004年6月)1839-1844。[5] 警局Welsby,G. Parry,D.史密斯,听诊器:一些初步调查,研 究 生医学。J.79(2003)695-698。[6] S.K. Chowdhury,A.K.马俊德,呼吸音的数字频谱分析,IEEE Trans. BioMed.Eng. BME-28(11)(1981)784-788.[7] L.杨胜湖Wen-Hui,Q.夏光,呼吸音中心音噪声的消除,见:第10届IEEE EMBS国际年会,1988年,pp. 175- 176.[8] 维贾伊Iyer,P.A.范洪,杨永玉,自适应滤波在心音与肺音分离中的应用,生物医学学报。Eng. BME-33(12)(1986)1141-1148.[9] 作者声明:John R.作者:John M.陈文辉,自适应噪声抵消技术,国立成功大学电机工程研究所硕士论文,2000。R. Nersisson,M.M.Noel/Engineering Science and Technology,an International Journal 20(2017)10541065[10] H.Pasterkamp , S.S. 克 拉 曼 , G.R.Wodicka , Respiratorysounds :Advancesbeyond stethoscope , Am.J. Re s p i r . 暴 击 Care Med. 156 ( 3 )(1997)975-977。[11] L.叶耀泰Zhang,通过自动增益控制和自适应滤波技术从肺音记录中减少心音,在:医学和生物学工程学会,2001年,IEEE第23届年度国际会议论文集,卷。3,2001,pp.2154-2156。[12] Thato Tsalaile , Saeid Sanei , Separation of heart sound signal from lungsound signal by adaptive line enhancement , in : 15th European SignalProcessing Conference(Eusipco 2007),Poznan,Poland,3-1231-1235。[13] M.T. Pourazad,Z. Moussavi,G. Thomas,使用时频滤波从肺音记录中消除心音,Med.Biol.Eng.Comput。(2006)216-225。[14] J. Gnitecki , Z.M.K. Moussavi , Separating heart sounds from lung sounds-accuratediagnosisofrespiratorydiseasesdependsonunderstandingnoises,IEEEEng. Med. Biol. 麦格 26(1)(2007)20-29。[15] Foad Ghaderi,Hamid R. Mohseni,Saeid Sanei,使用奇异谱分析定位呼吸信号中的心音,IEEE Trans.Biomed。Eng. 58(12)(2011)3360-3367。[16] Muhammad Sukrisno Mardiyanto,Ria Lestari Moedomo,Achmad Munir,基于呼吸声频率分离的肺和心脏诊断应用研究,第四届电气工程和信息学国际会议(ICEEI 2013),Procedia Technology 11,2013,第11页。1122-1126。[17] 放大图片作者:John M. Noel,心音和肺音分离算法:综述,J. Med. Eng. Technol.41(1)(2017)13-21。[18] 放大图片作者:Mostafa Guda,Safa Gasser,Mohamed S. El Mahallawy,不同自适应噪声消除算法的Matlab仿真比较,在:数字信息,网络和无线通信国际会议(Dinwc 2014),捷克共和国,2014年6月,pp. 68比73[19] 杨文,李文,李文,等.基于DSP的自适应回声消除算法.北京:清华大学出版社,2000,21(1):100 - 100. 20(1)(2010)133-148。[20] Malay Sarkar , Irappa Madabhavi , Narasimhalu Niranjan , MeghaDogra,呼吸系统听诊,Ann. Thorac. 10(3)(2015)158-168。[21] Simon Haykin,自适应滤波器理论,第四版,Pearson Education,2009,pp. 231[22] 保罗公司Diniz,自适应滤波:算法和实际实现,第三版,Springer,2008,pp.13- 67[23] 斯科特角陈志华,数字信号处理技术,北京:清华大学出版社,1999年。[24] 陈志华,高斯输入下归一化LMS算法的分析,国立成功大学声学工程研究所硕士论文。语音信号处理。ASSP-34(4)(1986)793-806。[25] M. Givens,增强收敛归一化LMS算法[DSP提示&技巧],IEEE信号处理。麦格 26(3)(2009)81-95。[26] 德克·TM Slock,关于LMS和归一化LMS算法的收敛行为,IEEE Trans. 信号处理。41(9)(1993)2811-2825。[27] 斯科特角Douglas,一类归一化LMS算法,IEEE信号处理。Lett. 1(3)(1994)49-51.[28] Siqi Li,S. Wu,Y. Wang,W. Guo,Y. Zhou,An improved NLMS algorithmbasedonspeechenhancement , in : 2015IEEEAdvancedInformationTechnology , Electronic , and Automation Control Conference ( IAEAC ) ,Chongqing,2015,pp. 896-899.[29] B.张文,陈庆三,频域块LMS算法的分析,IEEE Trans. 信号处理。 48(8)(2000)2332-2342。[30] Mohammad Zia Ur Rahman,Rafi Ahamed Shaik,D.V. Rama Koti Reddy,使用块LMS算法消除ECG中的自适应噪声,2009年第二届自适应科学技术国际会议(ICAST),阿克拉,2009年,第100页。380-383[31] National Instruments Manual,Choosing a Step Size(LabVIEW 2013 AdaptiveFilter Toolkit Help).[32] 蒂亚戈·H Falk,Wai-Yip Chan,Modulation filtering for heart and lung soundseparation from breath sound recordings,in:30th Annual International IEEEEMBS Conference Vancouver , British Columbia , Canada , August 20-24 ,2008,pp. 1859-1862年。[33] John H.作者:Mathews,K. Fink,使用Matlab的数值方法:第一章。8数值优化-Nelder-Mead方法,第四版,普伦蒂斯-霍尔公司,2004,pp. 430- 436[34] Sasa Singer,John Nelder,Nelder-Mead algorithm,Scholarpedia 4(7)(2009)2928.[35] J.A.内尔德河米德,函数极小化的单纯形法,计算机。J. 7(4)(1965)308-313中所述。[36] 塞 尔 达 湾 Zabinsky , Random Search Algorithms , Wiley EncyclopediaofOperations Research and Management Science , John Wiley &Sons ,Inc.,2009.[37] David E. Goldberg , Genetic Algorithms in Search , Optimization , andMachineLearning,Pearson
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- 京瓷TASKalfa系列维修手册:安全与操作指南
- 小波变换在视频压缩中的应用
- Microsoft OfficeXP详解:WordXP、ExcelXP和PowerPointXP
- 雀巢在线媒介投放策划:门户网站与广告效果分析
- 用友NC-V56供应链功能升级详解(84页)
- 计算机病毒与防御策略探索
- 企业网NAT技术实践:2022年部署互联网出口策略
- 软件测试面试必备:概念、原则与常见问题解析
- 2022年Windows IIS服务器内外网配置详解与Serv-U FTP服务器安装
- 中国联通:企业级ICT转型与创新实践
- C#图形图像编程深入解析:GDI+与多媒体应用
- Xilinx AXI Interconnect v2.1用户指南
- DIY编程电缆全攻略:接口类型与自制指南
- 电脑维护与硬盘数据恢复指南
- 计算机网络技术专业剖析:人才培养与改革
- 量化多因子指数增强策略:微观视角的实证分析
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功