Wyniki 1-3 spośród 3 dla zapytania: authorDesc:"Dawid GRADOLEWSKI"

Wykorzystanie algorytmu kompresji sygnału mowy MP-LPC do modelowania przebiegu fonokardiograficznego

Czytaj za darmo! »

W artykule przedstawiono nową metodę modelowania dźwięków serca, która może znaleźć zastosowanie w licznych systemach diagnostyki urządzeń medycznych oraz stanowić podstawę opracowania inteligentnego stetoskopu. Przedstawiona propozycja stanowi rozwinięcie algorytmu MP-LPC wykorzystywanego w kompresji sygnału mowy. Wykazano, że do dokładnego modelowania przebiegu fonokardiograficznego, który pozwala na odwzorowywanie różnorodnych stanów patologicznych serca, a tym samym poprawę jednoznaczności interpretacji wybranych chorób, konieczne jest zastosowanie 24-rzędu mianownika transmitancji. Celowa jest również zmiana sposobu wyznaczania funkcji pobudzenia - w wyniku której, zamiast funkcji cross-korelacji, wykorzystywany jest algorytm genetyczny. Abstract. In this paper is presented a new heart sound simulation technique, which may find a use in many diagnostic systems in medical devices. This technique can also be a base of an intelligent stethoscope. The proposed algorithm was created as a development of the MP-LPC algorithm, widely used in speech signals coding. It was proved, that the denominator of the 24 order in the transfer function of this model should be applied to build an accurate model of PCG signal. It allows to simulate pathological heart tones, and thereby to gives a possibility of unambiguous interpretation of certain heart disorders. A change in the way of the excitation function generating was also required. Instead of a cross-correlation, a genetic algorithm was implemented (Development of MP-LPC algorithm used in speech signal processing to modeling of phonocardiography signal) Słowa kluczowe: fonokardiografia, PCG, cyfrowe przetwarzanie sygnałów, modelowanie dźwięków serca Keywords: phonocardiography, PCG, digital signal processing, modeling of heart sound Wstęp Aktualnie choroby cywilizacyjne, do których również zaliczane są patologie układu krwionośnego człowieka, stanowią najpoważniejszą przyczynę zgonów. Według [17], [...]

Identyfikacja dźwięków serca za pomocą algorytmu LPC oraz sztucznej sieci neuronowej DOI:10.12915/pe.2014.03.035

Czytaj za darmo! »

W artykule przedstawiono algorytm klasyfikacji sygnału fonokardiograficznego, który umożliwia skuteczną identyfikację 12 różnych stanów. Poprzez połączenie ze sobą algorytmu kodowania liniowego (LPC) wraz ze sztuczną siecią neuronową uzyskano skuteczność klasyfikacji sięgającą 82% oraz pełną skuteczność w rozróżnieniu pomiędzy stanami: braku lub występowania schorzenia. Najlepsze rezultaty uzyskano dla jednokierunkowych, dwuwarstwowych sieci, odpowiednio z 24, 20 oraz 12 neuronami w warstwach ukrytych, których zadaniem było: wstępne wykrycie nieprawidłowości, identyfikacja zdrowego tonu oraz identyfikacja patologii. Do uczenia sieci wykorzystano adaptacyjny algorytm wstecznej propagacji -traingda. Opracowany system w przyszłości może zostać zaimplementowany w urządzeniach mobilnych takich jak smartfony czy tablety. Abstract. In this paper a new classification algorithm of phonocardiography signal is presented. It enables an effective identification of 12 different heart sounds. Through the combination of Linear Predictive Coding (LPC) algorithm and artificial neural network, an accuracy of 82% in identification of signals and 100% of precision in distinguishing between pathological and healthy sound were obtained. The best results were obtained with three neural networks with 24, 20 and 12 neurons in the hidden layer, which were responsible for preliminary identification of pathology, identification of healthy tones and identification of the pathology. The networks were taught with traingda backpropagation algorithm. In the future, this system could be implemented on smartphones or tablets. (Heart sound identification system based on LPC algorithm and artificial neural network). Słowa kluczowe: fonokardiografia, przetwarzanie sygnałów, sztuczne sieci neuronowe, sztuczna inteligencja, inteligentny stetoskop Keywords: phonocardiography, signal processing, artificial neural networks, artificial Intelligence, smart stethoscope doi:10.12915/pe.201[...]

Adaptacyjny algorytm filtracji sygnału fonokardiograficznego wykorzystujący sztuczną sieć neuronową DOI:10.12915/pe.2014.11.58

Czytaj za darmo! »

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). Abstract. 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. (Adaptive Neural Network Filter for denoising the phonocardiography signal). Słowa kluczowe: Filtry Adaptacyjne, Sztuczna Inteligencja, Sztuczne Sieci [...]

 Strona 1