基于CNN与心跳信号的胚蛋成活性检测方法研究

摘要

接种禽流感疫苗是预防禽流感的主要措施之一，将病毒毒株注射到胚蛋体内繁殖病毒是培养禽流感疫苗的主要途径。然而，在培养病毒毒株过程中会产生死亡胚，这些死亡胚必须被剔除出来以防止对正常胚造成污染。因此，在禽流感疫苗制备过程中，对已接种毒株的胚蛋进行成活性检测与分类具有重要意义。目前胚蛋的成活性主要通过人工照蛋方式进行检测，这种检测方法存在检测效率低、工人劳动强度大以及容易产生误检和漏检等弊端，不符合工厂高效率高质量的自动化生产需求。将深度学习方法和胚蛋的图像特征、生理参数特征结合进行成活性检测逐渐成为当下研究的趋势。 为了对胚蛋成活性进行有效的检测和分类，本文以9日后鸡蛋胚胎为研究对象，使用光电容积脉搏波描记法(PhotoPlethysmoGraphy, PPG)采集胚蛋的心跳信号作为判别特征，提出将CNN与胚蛋心跳信号结合用于胚蛋成活性检测的方法。首先，针对采集到的胚蛋心跳信号中包含较多环境噪声的问题，设计符合胚蛋心跳信号特性的巴特沃斯高通滤波器对信号进行滤波去噪。其次，对于采集到的9日后鸡蛋胚胎心跳信号数据，提出基于心率阈值的胚蛋成活性分类算法并对算法的有效性进行验证。最后，针对基于心率阈值的胚蛋分类算法在处理胚胎心跳数据时对阈值敏感的问题，提出将CNN与胚蛋心跳信号结合用于成活性检测的方法，分别设计用于分析胚蛋心跳序列的一维卷积神经网络E-CNN和用于处理胚蛋心跳波形图的二维卷积神经网络SR-CNN。SR-CNN通过对心跳波形图进行特征提取有效地弥补了E-CNN在处理含噪信号时的不足。此外，通过使用通道加权和残差结构，SR-CNN不仅起到了特征筛选作用，而且还使得网络收敛性更好，提升了网络的性能。 实验结果表明，本文提出的将CNN与胚蛋心跳信号结合用于鸡蛋胚胎成活性检测的方法合理可行，所设计的卷积神经网络E-CNN、SR-CNN在构建的9日后鸡蛋胚胎心跳数据集上分别达到99.50％、99.62％的检测准确率。

目录

声明

摘要

第一章绪论

1．1课题研究背景及意义

1．2国内外研究现状

1．3论文研究内容及组织结构

第二章卷积神经网络

2．1 CNN基本原理

2．2 CNN基本结构

2．2．1数据输入层

2．2．2卷积层

2．2．3激励层

2．2．4池化层

2．2．5全连接层

2．3 CNN训练

2．3．1权值初始化

2．3．2权值更新

2．4本章小结

第三章胚蛋心跳信号数据集构建

3．1数据采集原理

3．1．1光电容积脉搏波描记法原理

3．1．2数据采集

3．2数据滤波

3．2．1滤波器原理

3．2．2 IIR数字滤波器设计及实现

3．3巴特沃斯高通滤波器实现及数据处理

3．3．1巴特沃斯高通滤波器实现

3．3．2数据滤波

3．4构建胚蛋心跳信号数据集

3．5本章小结

第四章基于心率阈值的胚蛋成活性检测方法

4．1信号分类流程

4．2胚蛋成活性时域分析

4．3胚蛋成活性频域分析

4．3．1信号加窗

4．3．2傅立叶变换

4．4时域频域算法实验及结果分析

4．4．1时域实验及结果分析

4．4．2频域实验及结果分析

4．5本章小结

第五章基于CNN的胚蛋成活性检测方法

5．1 CNN性能改善策略

5．1．1残差结构

5．1．2通道加权原理及应用

5．1．3 BN操作

5．1．4抑制网络过拟合

5．2胚蛋成活性检测一维CNN网络结构设计

5．3胚蛋成活性检测二维CNN网络结构设计

5．4本章小结

第六章实验与结果分析

6．1基于CNN的胚蛋成活性检测算法实验及结果分析

6．1．1一维CNN胚蛋成活性检测实验

6．1．2不同算法性能比较

6．1．3 CNN层数对分类性能的影响

6．1．4网络结构与超参数分析

6．2综合实验结果与对比

6．3本章小结

第七章总结与展望

7．1总结

7．2展望

参考文献

发表论文和参加科研情况

致谢