Adaptacyjny algorytm filtracji sygnału fonokardiograficznego wykorzystujący sztuczną sieć neuronową

• Autorzy: Gradolewski D. , Tojza P. , Redlarski G.

Identyfikatory

DOI

10.12915/pe.2014.11.58

Warianty tytułu

EN

Adaptive Neural Network Filter for denoising the phonocardiography signal

• Języki publikacji: PL

Abstrakty

PL

Podstawowym problemem podczas projektowania systemu autodiagnostyki chorób serca, bazującego na analizie sygnału fonokardiograficznego (PCG), jest konieczność zapewnienia, niezależnie od warunków zewnętrznych, sygnału o wysokiej jakości. W artykule, bazując na zdolności Sztucznej Sieci Neuronowej (SSN) do predykcji sygnałów periodycznych oraz quasi-periodycznych, został opracowany adaptacyjny algorytm filtracji dźwięków serca. Wykazano, że poprzez zastosowanie jednokierunkowej, dwuwarstwowej sieci neuronowej ze 100 neuronami w warstwie wejściowej oraz odpowiednio z 25 i 10 neuronami w warstwach ukrytych oraz poprzez zastosowanie algorytmu Silva-Almeida podczas uczenia sieci metodą wstecznej propagacji wraz z sigmoidalną funkcją pobudzenia tangensa hiperbolicznego, możliwa jest efektywna filtracja sygnału PCG. Opracowany algorytm został przetestowany zarówno dla dźwięków serca zarejestrowanych u osoby zdrowej (S1-S4) jak dla dźwięków serca osób posiadających zmiany patologiczne (normalne rozszczepienie tonu S1, klik wyrzutowy oraz dudnienie rozkurczowe).

EN

The quality of the phonocardiography signal plays a key role in the development of an effective auto-diagnostic system. In this paper, an adaptive denoising algorithm is shown, which was developed based on the neural networks ability of periodic and quasi-periodic signals prediction – such as phonocardiography signal. It is presented that a multilayer neural network of 100 neurons in the input layer, 25 in first and 10 in second layer, trained using the backpropagation algorithm can remove the noise efficiently. During the simulation Silva-Almeida algorithm and Tan-Sigmoid transfer function were used. The denoising algorithm is tested on normal (S1 – S4) and pathological (normal split S1, ejection click, diastolic rumble) heart tones.

Słowa kluczowe

PL

filtry adaptacyjne; sztuczna inteligencja; sztuczne sieci neuronowe; fonokardiografia

EN

adaptive filters; artificial intelligence; neural networks; phonocardiography; PCG

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2014
• Tom: R. 90, nr 11
• Strony: 227--230
• Opis fizyczny: Bibliogr. 22 poz., il., schem., wykr.

Twórcy

autor

Gradolewski D.

• Politechnika Gdańska, Wydział Elektrotechniki i Automatyki, Katedra Mechatroniki i Inżynierii Wysokich Napięć, ul. G. Narutowicza 11/12, 80−233 Gdańsk

autor

Tojza P.

• Politechnika Gdańska, Wydział Elektrotechniki i Automatyki, Katedra Mechatroniki i Inżynierii Wysokich Napięć, ul. G. Narutowicza 11/12, 80−233 Gdańsk

autor

Redlarski G.

• Politechnika Gdańska, Wydział Elektrotechniki i Automatyki, Katedra Mechatroniki i Inżynierii Wysokich Napięć, ul. G. Narutowicza 11/12, 80-233 Gdańsk

Bibliografia

• [1] World Health Organization WHO, (available: http://www.who.int/healthinfo/statistics/mortality/en/index.html)
• [2] Varady P., Wavelet-based adaptive denoising of phonocardiographic records, Engineering in Medicine and Biology Society, 2001. Proceedings of the 23rd Annual International Conference of the IEEE, vol.2, no., pp. 1846-1849 vol.2, 2001.
• [3] Niedziejko P., Dobrowolski A., Krysowaty I., Współczesne metody analizy dźwięku serca. Przegląd Elektrotechniczny, 87 (2011) nr. 9, 1-7.
• [4] Redlarski G., Gradolewski D., Wykorzystanie algorytmu kompresji sygnału mowy MP-LPC do modelowania przebiegu fonokardiograficznego, Przegląd Elektrotechniczny, 89 (2013), nr. 4 A, 40-45
• [5] Gradolewski D., Redlarski G., Identyfikacja dźwięków serca za pomocą algorytmu LPC oraz sztucznej sieci neuronowej, Przegląd Elektrotechniczny, 90 (2014) nr. 3 161-164, doi:10.12915/pe.2014.03.35
• [6] Messer S.R, Agzarian J, Abbott D, Optimal wavelet denoising for phonocardiograms, Microelectronics Journal, Vol. 32, No. 12. (December 2001), pp. 931-941.
• [7] Gradolewski D., Redlarski G., Wavelet-based denoising method for real phonocardiography signal recorded by mobile devices in noisy environment, Computers in Biology and Medicine (2014), DOI: 10.1016/j.compbiomed.2014.06.011
• [8] Gradolewski D., Redlarski G. "The Use of Wavelet Analysis to Denoising of Electrocardiography Signal." XV International PhD Workshop OWD 2013, 19–22 October 2013
• [9] Varady P., Wavelet-based adaptive denoising of phonocardiographic records, Engineering in Medicine and Biology Society, 2001. Proceedings of the 23rd Annual International Conference of the IEEE, vol.2, no., pp. 1846-1849 vol.2, 2001
• [10] Khan A.K., Onoue T., Hashiodani K., Fukumizu Y., Yamauchi H., Signal and noise separation in medical diagnostic system based on independent component analysis, Circuits and Systems (APCCAS), 2010 IEEE Asia Pacific Conference, vol., pp.812-815, 6-9 Dec 2010
• [11] Zia, M.K., Griffel, B., Semmlow, J.L., Robust detection of background noise in phonocardiograms, Biomedical Engineering (MECBME), 2011 1st Middle East Conference on, vol., no., pp.130-133, 21-24 Feb. 2011
• [12] Várady P., Wildt L., Benyó Z., Hein A., An advanced method in fetal phonocardiography, Computer Methods and Programs in Biomedicine, Volume 71, (2003), Pages 283-296,
• [13] Cichocki A., Karhunen J., Kasprzak W., Vigário R.: Neural networks for blind separation with unknown number of sources, Neurocomputing, Volume 24, Issues 1–3, February 1999, Pages 55-93, ISSN 0925-2312,
• [14] Jung TP, Makeig S, Humphries C, Lee TW, McKeown MJ, Iragui V, Sejnowski TJ: Removing electroencephalographic artifacts by blind source separation. Psychophysiology 37: 163–178
• [15] Rasheed, T.; Ahmed, B.; Khan, M. A U; Bettayeb, M.; Sungyoung Lee; Tae-Seong Kim,: Rib suppression in frontal chest radiographs: A blind source separation approach, Signal Processing and Its Applications, 2007. ISSPA 2007. 9th International Symposium on, vol., no., pp.1,4, 12-15 Feb. 2007
• [16] Dan Xiao; Jianfeng Hu, : Identification of Motor Imagery EEG Signal, Biomedical Engineering and Computer Science (ICBECS), 2010 International Conference on , vol., no., pp.1,4, 23-25, 2010
• [17] Amari, S. - I.; Cichocki, A.: Adaptive blind signal processing-neural network approaches, Proceedings of the IEEE, vol.86, no.10, pp.2026,2048, Oct 1998
• [18] Woo, W.L.; Sali, S.: A new demixer scheme for blind source separation using general neural network model, Signal Processing and its Applications, Sixth International, Symposium on. 2001 , vol.2, no., pp.379,381 vol.2, 2001
• [19] Strona producenta mikrofonu elektronicznego: http://solutions.3mpoland.pl, (dostęp: Maj 2014)
• [20] B.S. Everitt, A. Skrondal , Cambridge Dictionary of Statistics, 2010.
• [21] Piechocki J., Ambroziak D., Palkowski A., Redlarski G., Use of Modified Cuckoo Search algorithm in the design process of integrated power systems for modern and energy self-sufficient farms, Applied Energy, 51 (2013) 159-170,
• [22] Redlarski G., Jaworski J., A new approach to modeling of selected human respiratory system diseases, directed to computer simulations, Computers in Biology and Medicine, Volume 43, Issue 10, 2013, Pages 1606-1613,