Resumen

El algoritmo adaptativo satisface las necesidades actuales en tecnología para el diagnóstico de bioseñales como las señales de sonido pulmonar (LSS) y técnicas precisas para la separación de las señales de sonido cardiaco (HSS) y otros ruidos de fondo de las LSS. Este estudio investiga una cancelación de ruido adaptativa (ANC) mejorada basada en el algoritmo de la última media cuadrática normalizada (NLMS). Los parámetros del algoritmo ANC-NLMS son el parámetro de longitud de filtro Lj, que se determina en una secuencia 2n de 2, 4, 8, 16, ... , 2048, y el tamaño de paso (μn), que se identifica aleatoriamente de forma automática mediante la optimización variable μn (VSS). Inicialmente, el algoritmo se somete experimentalmente para identificar el rango óptimo de μn que funciona con 11 valores de Lj como caso específico. Este caso se utiliza para estudiar el rendimiento mejorado del método propuesto basado en la relación señal-ruido y el error cuadrático medio. Además, el rendimiento se evalúa cuatro veces para cuatro valores de μn, cada uno de ellos con todos los Lj para obtener la matriz SNRout de salida (4 × 11). El nivel de mejora se estima y se compara con el SNRin antes de la aplicación del algoritmo propuesto y después de SNRouts. El método propuesto consigue un algoritmo ANC-NLMS de alto rendimiento mediante la optimización de VSS cuando se aproxima a cero al determinar Lj, momento en el que el algoritmo muestra la capacidad de separar HSS de LSS. Además, la SNRout del LSS normal empieza a mejorar a partir de Lj de 64 y el límite de Lj de 1024. La SNRout de los LSS anormales comienza a partir de un valor de Lj de 512 hasta más de 2048 para todos los μn determinados. Los resultados revelan que la SNRout de la LSS anormal es pequeña (valor negativo), mientras que la de la LSS normal es grande (alcanza un valor positivo). Por último, el algoritmo ANC-NLMS diseñado puede separar los HSS de los LSS. Este algoritmo también puede lograr un buen rendimiento optimizando el VSS en los 11 valores Lj determinados. Además, los pasos del método propuesto y la SNRout obtenida pueden utilizarse para clasificar los LSS utilizando un ordenador.

• Materias:Señales orofaciales Clasificación del cáncer Terapia de exposición Resonancias magnéticas Medicina de precisión
• Subjects:Orofacial signals Cancer classification Exposure therapy Magnetic resonance imaging Precision medicine
• Palabras claves:algoritmo, algoritmo NLMS, LSS, SNRout, ANC, Lj, VSS, método, valores Lj, LSS anormal
• Keywords:algorithm, NLMS algorithm, LSS, SNRout, ANC, Lj, VSS, method, Lj values, abnormal LSS