文摘
小说的呼吸模式识别方法bioradiolocation信号呼吸模式(BSBP)的任务非接触检测睡眠呼吸暂停综合征(SAS)的基础上提出和实现小波变换(WT)和神经网络(西北)应用程序。WT包括选择最优参数的确定适当的小波分解和特征提取,使用改进后的熵准则的最佳基础。选择最优的属性西北包括定义最好的隐藏的神经元数量和学习算法的选择北北西拓扑。建议的方法的有效性是强信号的检测在临床验证数据库对应呼吸模式的三个类:阻塞性睡眠呼吸暂停(OSA);中央睡眠呼吸暂停(CSA);正常平静的睡眠与睡眠呼吸紊乱(nc)没有(SDB)集。
1。介绍
睡眠医学的关键领域之一是实现远程生命体征监测的新技术方法的1),尤其是在筛选睡眠障碍性呼吸(SDB),这对睡眠呼吸暂停综合征(SAS)字符(2]。早期诊断和适当的深发展集分类的一个重要方面是SAS治疗策略规划和采取合适的预防措施在临床实践3]。
Bioradiolocation (BRL) [4)是一种现代遥感技术允许进行非接触的生活生命体征监测对象(5)的基础上具体分析生物反射无线电定位信号的调制。潮汐呼吸过程中调制主要是由皮肤表面的往复位移在胸壁的腹部和胸腔地区由于周期性呼吸肌肉的收缩6]。的可靠性和有效性BRL技术应用在非接触呼吸监测7)和远程筛选SAS (8)呼吸模式的基础上分析令人信服地证明。
综合知识为目标跟踪雷达数据处理系统,本地化和识别是现代控制论的一个最新的任务。方法和算法进行自动识别的模式在复杂的非平稳需求强信号ergatic和生物医学系统(9]。
实际上,提高模式识别的性能可以通过使用下列方法之一或其组合:首先,通过优化决策规则;其次,通过应用更有效的特征提取方法(10]。决策规则的基础上实现神经网络(西北)技术被认为是很有前途的在实际应用模式识别任务11]。反过来,小波变换(WT)是一个角度的数学仪器,特别是要求形成的属性空间非平稳的多组分信号与噪声,高频分量的时间短和扩展低频分量是典型的(12]。
本研究的目的是开发一种新型的呼吸模式识别方法bioradiolocation信号(bpb)的任务SAS与自动选择最优参数的非接触检测WT和北北西。该方法测试的临床验证bpb对应以下类:阻塞性睡眠呼吸暂停(OSA);中央睡眠呼吸暂停(CSA);正常平静睡没有深发展(nc)。
2。提出的结构模式识别方法
该方法在非接触识别bpb筛选SAS包括以下主要步骤(图1):(我)数据预处理过程(包括巴特沃斯高通和低通滤波、重新采样和五点平滑移动平均滤波器,和Z-normalization);(2)特征提取(形成bpb WT详细的属性向量组成的均方值系数的强信号正交);(3)应用固定数量的分类模式(bpb属性向量的生成的组件的输入西北classifier-Rumelhart多层感知器(MLP) [13)——一个输出是目标的值对应于一个类:阻塞性睡眠呼吸暂停综合症,CSA, nc)。
特征提取属性空间的WT详细系数绝对值BRL信号正交构造。从而bpb属性向量的每个组件在选择小波分解层次上可以计算如下: 在哪里是摄影领域的产生的组件属性向量;是当前数字摄影领域产生的组件的属性向量;详细的小波系数 - - - - - -强信号的正交;详细的小波系数 - - - - - -正交的强信号。
BSBP识别的性能提出了一些改进方法(图1),程序自动选择最优WT参数(图2(图)和北北西属性3)开发。
3所示。优化准则
3.1。小波分解的最优水平的标准
估计范围的频率上限的似稳信号的大部分能量集中(正常呼吸频率范围的上限)被认为是出名的强信号(4]。注册的最大可能的频率值信号计算按照奈奎斯特定理(采样率的一半 )。然后(光延迟线)最优分解层数的WT BRL信号分析可以计算出从的关系14]: 在哪里是上限的频带信号能量的集中;采样率;是采样周期。
因此,进一步分解分析了强信号光延迟线的水平超过了阈值不是有效计算的详细系数WT不会信息方面的有效特征提取bpb属性空间构造。
3.2。标准的最优小波变换的基础
为选择最优的基础WT类的正交小波在紧凑的支持下,基于改进熵判据(MEC)提出了计算对数能量熵的基础上评估在摄影领域的任务分类: 在哪里是MEC的估计;许多类型的模式;每个类的模式;是生成的组件属性向量的数量;对数能量熵估计;详细的小波系数 - - - - - -强信号的正交;详细的小波系数 - - - - - -正交的强信号。
选择最优的基础WT有效bpb属性空间形成应该执行的使用均方值MEC的详细每个BRL信号正交小波系数计算。
3.3。标准的最优数量的隐藏的神经元
选择最优数量的隐藏神经元电路的延时摄影领域,识别平均识别精度(MRA)标准。不同的数量在每个西北操作测试隐藏神经元,估计MRA计算如下: 在哪里是种MRA的估计;是数量的操作测试;是小波分析基础的数量;对小波分析基础识别精度。
选择最优数量的隐藏神经元MRA MLP与应用程序的标准应该使用小波基地执行这样的顺序索引,MEC的最小值实现对训练数据集。
4所示。优化算法
4.1。结构的优化算法
该算法自动选择最优参数的WT性能的提高和北北西bpb识别包括两个主要步骤。在第一步中,为信息特征提取应用WT,最初的一般类定义小波,然后用序数索引一组小波基的小波家庭从通用类形成,确定最优的小波分解,最后选择最优小波基的基础上MEC。在第二步中,北北西操作性能,改善后的初步估计数量的隐藏神经元等他们找到最佳的最佳MRA价值实现训练数据集,然后选择最好的北北西学习算法。
4.2。程序选择最优参数的小波变换
选择最优参数的提出过程WT包括以下主要步骤(图2):(我)设置初始参数的特征分析BRL信号属性(信号的最大频率;采样率;和其他人);(2)基于理想的属性定义类小波的强信号处理(与紧凑的正交小波时频定位和可用的快速算法实现WT);(3)形成一套基地与小波家庭序数索引(Dobeshi、Coiflet Symlet家庭,正交性的性质,规律,对称,和近似的缩放功能取决于小波基的顺序索引);(iv)计算小波分解的最优水平(光延迟线估计阈值的最大可能频率的基础上分析了强信号和采样率值);(v)选择最优小波基(MEC日志的基础上估计能量熵值bpb分类的任务)。
4.3。过程神经网络的最优参数的选择
北北西的提出过程选择的最优参数和非线性激活函数分类器延时的基础上包括以下主要步骤(图3):(我)设置初始参数的特征分类任务的条件(输入和输出向量的维度,识别精度,误差值,和其他人);(2)设置隐藏层的数量(一层最小复杂性、可用性的广泛的优化,和学习算法);(3)估计隐藏神经元数量的上限限制(按照Kolmogorov-Hecht-Nielsen定理[15MLP)];(iv)选择结构优化方法(添加额外的神经元的简单迭代算法);(v)定义最优数量的隐藏的神经元(计算MRA在西北的几个操作测试训练数据集);(vi)选择最佳的北北西学习算法识别精度等性能指标的基础上,需要时间,计算复杂度,和其他人)。
5。实验研究
测试和优化的方法和算法自动识别bpb,强信号的临床验证数据库对象与SAS整晚同时登记期间收集的多导睡眠图(PSG)获得的睡眠实验室Almazov联邦心脏,血液和内分泌学中心(图4)使用8]。示例包括7主题(4男性和三个女性,43 - 62岁,身体质量指数为21.6 - -57.7),根据严重程度的SAS: 4严重;1温和;1温和;1正常。整晚的PSG记录收集Embla N7000系统。同时BioRascan多频BRL系统调频连续波信号和一步(开发遥感实验室莫斯科国立鲍曼技术大学)应用操作使用频率范围3.6 - -4.0 GHz。强的内部时钟和PSG系统同步进行进一步的验证8]。
形成bpb属性向量,使用BRL信号正交根据(1)具有相同长度的128项对应满足SAS的建议筛查(12.8秒2]。在通信(2强信号的采样率 以最大的呼吸频率(赫兹16不超过的价值 赫兹,隔冷旧值 提供16个组件在摄影领域的结构属性向量。
实验数据集包括三类bpb(图5):阻塞性睡眠呼吸暂停(OSA);中央睡眠呼吸暂停(CSA);正常平静睡没有深发展(nc)。
(一)
(b)
(c)
实验数据集包括240实现bpb相关三个类(阻塞性睡眠呼吸暂停综合症,CSA, nc)以下比例:(我)在每个类90模式(30)训练集;(2)每堂课上30模式(10)验证组;(3)在每个类120模式(40)以及设置。
6。结果与讨论
6.1。选择最优小波基
构造bpb属性空间的最优小波基选择正交小波与紧凑的支持,包括以下的可以在MATLAB (12]:(我)Dobeshi-16基地(序数索引从1到16);(2)Symlet-14基地(序数索引从4 - 17);(3)Coiflet-5基地(序数索引从1到5)。
对于每一个小波基,bpb属性向量的基础上形成的均方值WT详细的每个强信号正交系数根据(1)。MEC的计算的结果估计最好的基地从每个家庭在表1。
因此小波基Symlet 13应该根据MEC被认为是最好的,但对于分析的有效性和一致性提出熵准则本身的最佳基地Dobeshi和Coiflet小波的家人随后也被考虑。
6.2。选择最优数量的隐藏的神经元
后形成的属性向量bpb应用选择小波基(Symlet Dobeshi 13日13日和Coiflet 5),北北西分类器的训练是10倍独立执行针对每种情况不同隐藏神经元的数量从1到15。MRA值三个小波基在不同数量的隐藏神经元在表2。
据MRA标准,因此应该考虑最优雅的隐藏的神经元数量等于9也对应于边界上限估计从Kolmogorov-Hecht-Nielsen定理MLP15]。因此最好的识别精度的绝对值也实现了小波基Symlet 13。估计(2)MEC也应被视为有效的和一致的不同隐藏神经元的数量从1到15意味着识别精度不低于75%为每个小波分析,基于WT与最优MEC值可以实现绝对的最佳值识别精度值。
6.3。选择最好的学习算法
之前定义的最优数量的隐藏神经元比例共轭梯度算法用于训练,因为它被认为是最多功能前馈西北拓扑(13]。随后选择最好的学习算法,在MATLAB中实现基于梯度变异后被认为是(11]:(我)一阶梯度(雾)algorithms-resilient反向传播(战);(2)共轭梯度(CG) algorithms-Fletcher-Reeves (FRA);Polak-Ribiere (PRA);Beale-Powell (BPA);莫勒(MA);(3)拟牛顿(QN) algorithms-Levenberg-Marquardt (LMA) Broyden-Fletcher-Goldfarb-Shanno (BFGSA);Battiti (BA)。
选择最好的学习算法进行了延时与9隐藏一个隐层神经元与小波的应用基础Symlet 13的3级小波分解bpb属性向量的形成。
每次10独立北移动操作测试后测试数据设置以下学习算法计算的平均性能指标:平均识别准确性,训练所需数量的时代,和时间。交叉验证准则(11)是用来确定时刻停止训练。结果的顺序优先级算法给出的表3。
因此LMA学习算法应考虑最好的训练的北北西bpb识别任务的无触点SAS筛查,提供的平均精度不低于84%,为SDB II型误差不超过8%。绝对最好的识别精度也达到86.7%北北西和LMA学习算法(表实现4)。
7所示。结论
bpb识别的新方法的任务无触点SAS筛查WT与自动选择最优参数和北北西。bpb属性空间的基础上成立的均方值每个BRL信号正交的小波细节系数。延时一个隐藏层和非线性激活函数作为分类器。该方法是强信号的检测在临床验证数据库相关的摄影领域的三个类:阻塞性睡眠呼吸暂停综合症;CSA;nc。
按照提议MEC光延迟线标准,依据Symlet 13与紧凑的一般类小波支持的3级小波分解被认为是最好的一个用于特征提取。MEC本身的估计应考虑有效和一致的。MRA判据的计算表明,最优数量的北北西隐藏神经元= 9也对应的边界上限估计Kolmogorov-Hecht-Nielsen定理。LMA应该考虑最好的训练算法提出了分类器提供意味着识别精度不低于84%,II型误差不超过8%。
确认
这项研究框架中执行的“安全与地下主动和被动微波成像(错误地)“玛丽·居里行动国税局欧盟第七框架项目(pirses - ga - 2010 - 269157)和教育部的资助和支持的俄罗斯联邦科学和俄罗斯基础研究基金会。