CN101385645A - 基于量子简单递归神经网络心电图智能检测法 - Google Patents

Abstract

一种基于量子简单递归神经网络心电图智能检测法，包括有以下步骤：将心电信号送入自适应工频干扰抑制模块，进行工频干扰抑制；将上一步骤输出的两路心电信号送入盲基漂干扰抑制模块，去除呼吸基漂干扰；将上一步骤输出的心电信号送入量子简单递归神经网络，进行心电图智能检测输出。自适应工频干扰抑制模块，是由两组相同的自适应工频干扰抑制单元组成，同时对两路采集的心电信号分别进行工频干扰抑制。自适应工频干扰抑制单元，是采用基于QR分解最小二乘算法自适应陷波技术的心电图工频干扰抑制法，自动抑制工频干扰。本发明不仅能够实现心电图智能检测，而且能够去除落到心电信号有效频带内的工频和呼吸基漂干扰，有效解决数字滤波方法清除频谱混迭干扰的难题。

Description

基于量子简单递归神经网络心电图智能检测法

技术领域

本发明涉及一种心电图智能检测法。特别是涉及一种有效解决数字滤波方法清除频谱混迭干扰的难题，提高了心电图正确检测率的基于量子简单递归神经网络心电图智能检测法。

背景技术

近年来心血管疾病是影响人类身体健康的第一杀手，心血管疾病在我国已成为一种多发病、常见病。根据卫生部公布的调查数字显示，我国近几年的心脏病患病率很高且呈逐年递增趋势，已经超过了3％以上，且冠心病、心肌梗死的发病年龄趋于年轻化，三十岁左右发生心肌梗死和脑卒的已屡见不鲜。因此，医学界公认心血管疾病是对人类危害最大的疾病。

为了及早发现及治疗心脏病，心电图(Electrocardiogram，ECG)的准确分析和诊断对于心血管疾病起着关键的作用，为此国内外学者做了大量研究工作。然而，目前心电图自动诊断还未广泛应用于临床，其主要原因是心电波形的识别不准，误诊率较高，因此需探索新的检测方法，以改进心电图自动诊断效果，扩大其应用范围。

人工神经网络(Artifical Neural Network，ANN)是由大量简单的处理单元(神经元)相互连接而构成的网络系统，是一个高度复杂的非线性动力学系统。人工神经网络具有自学习、自适应及鲁棒性强的特点，近年来在信号检测研究中得到广泛地关注。

发明内容

本发明所要解决的技术问题是，提供一种有效解决数字滤波方法清除频谱混迭干扰的难题，用于心电图医疗仪器在心血管疾病方面的检查和诊断，提高了心电图正确检测率的基于量子简单递归神经网络心电图智能检测法。

本发明所采用的技术方案是：一种基于量子简单递归神经网络心电图智能检测法，包括有以下步骤：(1)将心电信号送入自适应工频干扰抑制模块，进行工频干扰抑制；(2)将步骤1输出的两路心电信号送入盲基漂干扰抑制模块，去除呼吸基漂干扰；(3)将步骤2输出的心电信号送入量子简单递归神经网络，进行心电图智能检测输出。

所述的自适应工频干扰抑制模块，是由两组相同的自适应工频干扰抑制单元组成，同时对两路采集的心电信号分别进行工频干扰抑制。

所述的自适应工频干扰抑制单元，是采用基于QR分解最小二乘算法自适应陷波技术的心电图工频干扰抑制法，利用了自适应滤波器自动跟踪干扰的能力，自动抑制工频干扰。

所述的QR分解最小二乘算法，是直接针对输入数据矩阵进行递推，可用脉动阵处理结构高效地实现。

所述的盲基漂干扰抑制模块，是利用心电信号和基漂信号由不同源产生，具有统计独立的原则，通过基于负熵极大Fast ICA技术分解为若干独立成份，从而实现心电信号的呼吸基漂干扰抑制。

所述的基于负熵极大Fast ICA技术，其中，Fast ICA为盲源分离的一种算法，将观测信号根据统计独立的原则通过牛顿迭代优化算法分解为若干独立成份，从而实现心电信号的干扰抑制。

所述的量子简单递归神经网络，是将简单递归反馈网络，引入多量子能级传递函数，使产生的量子跃迁神经网络具备映射动态特征的功能和泛化能力，实现心电图智能检测。

所述的简单递归神经网络由45个神经元组成的输入层、91个神经元组成的隐含层、2个神经元组成的输出层和一个用来记忆隐含层前一时刻输出值的承接层组成，承接层选取的神经元数同隐含层，具有动态记忆功能和适应时变特性的能力。

所述的多量子能级传递函数是一系列具有量子间隔偏移的Sigmoid型函数之和。

本发明的基于量子简单递归神经网络(又称量子Elman神经网络)心电图智能检测法，引入多量子能级传递函数，使产生的量子跃迁神经网络具备映射动态特征的功能和泛化能力，不仅给出了基于量子Elman神经网络检测方法，实现心电图智能检测，而且给出了心电信号工频干扰和基漂干扰预处理方法，去除落到心电信号有效频带(0.05～100Hz)内的工频和呼吸基漂干扰，有效解决数字滤波方法清除频谱混迭干扰的难题，提高了心电图正确检测率。

附图说明

图1是本发明的基于量子简单递归神经网络心电图智能检测法的流程图；

图2是自适应工频干扰抑制单元的结构示意图；

图3是盲基漂干扰抑制模块的示意图；

图4是量子跃迁式S型传递函数的示意图；

图5是基于量子Elman心电图检测网络的示意图；

图6是心电信号工频干扰抑制效果图；

图7是心电信号基漂干扰抑制效果图。

具体实施方式

下面结合实施例和附图对本发明的基于量子简单递归神经网络心电图智能检测法做出详细说明。

本发明的基于量子简单递归神经网络(又称量子Elman神经网络)心电图智能检测法，充分考虑了影响心电信号检测率的工频和呼吸基漂干扰因素，对其进行了预处理。工频干扰是由医疗仪器设备电源产生，在我国为50Hz正弦交流信号，对此本发明采用自适应对消技术构成的单频自适应陷波器滤除这种干扰。而呼吸基漂干扰是心电信号在采集过程因人呼吸产生的干扰，其工作频率落到了心电信号有效频带(0.05～100Hz)内，与心电信号存在频谱混迭现象，很难用数字滤波方法有效地清除，但心电信号与呼吸基漂干扰信号是由不同的源产生，存在统计独立性。为此，本发明采用基于负熵极大Fast ICA技术抑制这种干扰信号，将观测信号根据统计独立的原则通过优化算法分解为若干独立成份，从而实现心电信号的干扰抑制。对于预处理过的心电信号利用量子Elman神经网络进行智能检测和识别，将医生从繁重的手工劳动中解脱出来，提高工作效率。

如图1所示，本发明的基于量子简单递归神经网络(又称量子Elman神经网络)心电图智能检测法，包括有以下步骤：

(1)将采集的心电信号送入自适应工频干扰抑制模块，进行工频干扰抑制。

所述的自适应工频干扰抑制模块，是由两组相同的自适应工频干扰抑制单元组成，同时对两路采集的心电信号分别进行工频干扰抑制。所述的自适应工频干扰抑制单元，是采用基于QR分解最小二乘算法自适应陷波技术的心电图工频干扰抑制法，利用了自适应滤波器自动跟踪干扰的能力，自动抑制工频干扰。所述的QR分解最小二乘算法，是直接针对输入数据矩阵进行递推，而不是针对输入数据的相关矩阵进行递推，可用脉动阵(Systolic Array)处理结构高效地实现。

图2给出了自适应工频干扰抑制单元结构示意图，由单频自适应陷波器构成。采用基于数据域处理的QRD-LS算法进行权值的训练和更新，以提高自适应陷波器性能，更好滤除心电信号的工频干扰，避免了传统的自适应陷波器采用最小均方(Least MeanSquare，LMS)算法一些弊端，如对初值的选取太敏感等问题。

图2中ECG为原始心电信号，X为限波输出，Y为工频干扰，Z是自适应算法，原始心电信号为数据采集的ECG信号，参考信号是和干扰相关的正弦波，经相移后形成两路正交信号，目的是获得两个加权，从而使组合后的正弦波振幅和相角都和原始输入中干扰分量的振幅、相角相同，达到工频干扰抑制目的。

对于图2可令第n次快拍工频干扰输入为：

x(n)＝[x₁(n)，x₂(n)]^T          (1)

且经n次快拍权矢量调整为：

w＝[w₁(n)，w₂(n)]^T             (2)

则第n次快拍辅助通道输出和陷波器最终输出分别为：

y(n)＝w^Tx(n)＝x^T(n)w           (3)

e(n)＝d(n)-y(n)                (4)

其中，d(n)为被工频干扰污染的原始心电信号。

一般权值采用基于最小均方(LMS)误差准则算法进行更新，这就势必受到LMS算法的限制及制约，当R_xx的特征值分布分散时，LMS算法收敛性很差，收敛速度将很慢，且对初值的选取也太敏感。为此，本发明采用基于数据域处理的QR分解最小二乘算法进行权值的训练和更新，以提高自适应陷波器性能，更好抑制心电信号中工频干扰。

QRD-LS算法为QR分解最小二乘算法的英文简称，它不是针对输入数据的相关矩阵进行递推，而是直接针对输入数据矩阵进行递推，有很好的数据稳定性，而且可以用Systolic处理结构高效地实现，因此本发明利用QRD-LS算法进行自适应陷波器权值调整，提高工频干扰滤除性能和系统可实现性。

该算法的代价函数为：

$\mathrm{\ξ}\left(n\right)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\β}}^2\right)}^{n-k}{\left|e\left(k\right)\right|}^2=e^H\left(n\right)B^H\left(n\right)B\left(n\right)e\left(n\right)={\left|\right|B\left(n\right)e\left(n\right)\left|\right|}^2---\left(5\right)$

式中，

0<β<1，e(n)为经工频干扰抑制后的心电信号输出。

为求最佳权值w_opt使ξ(n)最小，可通过QR分解最小二乘法求出。所谓数据域求解最佳权就是通过递推式QR分解算法使B(n)e(n)变为上三角阵，简化矩阵运算，求解最佳权值w_opt，使ξ(n)最小化。具体过程如下：

设Q(n)为n×n酉阵，则由式(5)可得

$\underset{w}{\mathrm{Min}}\mathrm{\&xi;}\left(n\right)=\underset{w}{\mathrm{Min}}\left|\right|B\left(n\right)e\left(n\right)\left|\right|=\underset{w}{\mathrm{Min}}\left|\right|Q\left(n\right)B\left(n\right)d\left(n\right)-Q\left(n\right)B\left(n\right)X\left(n\right)w\left|\right|$

(6)

若Q(n)可使B(n)X(n)变为上三角阵，即

$Q\left(n\right)B\left(n\right)X\left(n\right)=\left[\begin{array}{c}R\left(n\right)\\ 0\end{array}\right]---\left(7\right)$

因本发明辅助通道输入为两路正交信号，所以式中R(n)为2×2上三角阵，0为(n-2)×2零矩阵。对于酉阵Q(n)可通过递推式QR分解算法获得，这个算法是通过一系列Givens旋转变换来实现，Givens旋转特别适于自适应阵列应用，因为它可用递推式有效地实现矩阵三角化。递推公式如下：

Q(n)＝G(n)Q(n-1)                      (8)

上式中G(n)＝G_M(n)…G₂(n)G₁(n)，其中G_M(n)为第M次Givens旋转矩阵。而 $\stackrel{\&OverBar;}{Q}(n-1)=\left[\begin{array}{cc}Q(n-1)& 0_{n-1}\\ 0_{n-1}& 1\end{array}\right],$ 其中0_n-1为n-1维零矢量。

由式(7)可得

$Q\left(n\right)B\left(n\right)X\left(n\right)w=\left[\begin{array}{c}R\left(n\right)w\\ 0\end{array}\right]---\left(9\right)$

而将Q(n)B(n)d(n)一维矢量结果分块为

$Q\left(n\right)B\left(n\right)d\left(n\right)=\left[\begin{array}{c}u\left(n\right)\\ v\left(n\right)\end{array}\right]---\left(10\right)$

式中u(n)为2×1维矢量，v(n)为(n-2)×1维矢量。

由式(8)、(9)得

$\left|\right|Q\left(n\right)B\left(n\right)e\left(n\right)\left|\right|=\left|\right|Q\left(n\right)B\left(n\right)d\left(n\right)-Q\left(n\right)B\left(n\right)X\left(n\right)w\left|\right|$

          $=\left|\right|\left[\begin{array}{c}u\left(n\right)-R\left(n\right)w\\ v\left(n\right)\end{array}\right]\left|\right|---\left(11\right)$

再由式(6)可知，当u(n)-R(n)w＝0时，ξ(n)最小。因而基于数据域的QRD-LS算法求解w_opt的公式为：

R(n)w_opt＝u(n)                             (12)

那么经工频干扰抑制后的心电信号输出为：

e(n)＝d(n)-x^T(n)w_opt                       (13)

(2)将步骤1输出的两路心电信号送入盲基漂干扰抑制模块，去除呼吸基漂干扰；

所述的盲基漂干扰抑制模块，是利用心电信号和基漂信号由不同源产生，具有统计独立的原则，通过基于负熵极大Fast ICA技术分解为若干独立成份，从而实现心电信号的呼吸基漂干扰抑制。所述的基于负熵极大Fast ICA技术，其中，Fast ICA为盲源分离的一种算法，将观测信号根据统计独立的原则通过牛顿迭代优化算法分解为若干独立成份，从而实现心电信号的干扰抑制。

图3给出FastICA线性组合模型下的最简单框图说明，有n个混合信号x_i(k)(i＝1，2，…，n)，均为相互统计独立、零均值的未知源信号s_j(k)(j＝1，2，…，m)的线性组合，则可用下式表示：

X＝AS                                                                  (14)

其中，X＝[x₁，x₂，…，x_n]^T，S＝[s₁，s₂，…，s_m]^T， $A=\left[\begin{array}{ccc}{a}_{11}& \&CenterDot;\&CenterDot;\&CenterDot;& a_{1m}\\ \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\\ a_{1n}& \&CenterDot;\&CenterDot;\&CenterDot;& a_{\mathrm{nm}}\end{array}\right],$ m≤n。

FastICA算法的目的就是在混合矩阵A和源信号S未知的情况下，仅利用源信号的统计特性，从寻优的角度出发，寻找适当的目标函数通过一定的优化算法求出解混矩阵W的最优解。

在本实施例中，因负熵作为高斯性度量效果优于累积量，因此这里选择负熵作为算法优化的目标函数，其目标函数选为：

J(y_i)∝{E[G(y_i)]-E[G(v)]}²                             (15)

式中，y_i＝w_i ^Te(y_i是其中一个独立分量，w_i是分离矩阵w中第i行，e为两路经步骤1处理后输出的心电数据)，v是标准高斯随机变量(零均值和单位方差)。函数G(·)是非二次函数，这里选为 $G\left(v\right)=-e^{(-{\mathrm{av}}^2)/a},$ 其中a∈[1，2]。

为了改善了基于剃度Fast ICA算法的收敛速度和稳健性，本实施例采用牛顿迭代算法优化目标函数，具体过程如下：

①将本实施例中步骤1输出的心电数据e去均值，然后加以球化得z。

②任意选择w_i的初值w_i(0)，要求‖w_i(0)‖₂＝1。

③采用牛顿迭代算法优化目标函数，得到权值更新公式为

$w_i(k+1)=E\left\{\mathrm{zg}\left[w_i^T\left(k\right)z\right]\right\}-E[g\&prime;\left(w_i^T\left(k\right)z\right)]w_i\left(k\right),$ 其中g(·)是G(·)得导数。

④归一化处理： $\frac{w_i(k+1)}{{\left|\right|w_i(k+1)\left|\right|}_2}\&RightArrow;w_i(k+1),$ 如未收敛，回到步骤③。

(3)将步骤2输出的心电信号送入量子简单递归神经网络(量子Elman神经网络)，进行心电图智能检测输出。

所述的量子简单递归(Elman)神经网络，是Elman于1990年提出的，是将简单递归(Elman)反馈网络，引入多量子能级传递函数，使产生的量子跃迁神经网络具备映射动态特征的功能和泛化能力，实现心电图智能检测。该网络一般由输入层、隐含层、输出层和一个用来记忆隐含层前一时刻输出值的承接层组成，具有动态记忆功能，从而使网络具有适应时变特性的能力。所述的Elman神经网络一般由45个神经元组成的输入层、91个神经元组成的隐含层、2个神经元组成的输出层和一个用来记忆隐含层前一时刻输出值的承接层组成，承接层选取的神经元数同隐含层，具有动态记忆功能和适应时变特性的能力。本发明为了进一步提高其心电图检测能力，这里采用多量子能级变换函数，所述的多量子能级传递函数是一系列具有量子间隔偏移的Sigmoid型函数(S型函数)之和，如图4所示。

量子跃迁式S型传递函数为：

$f\left(x\right)=\frac{1}{n_s}\underset{r}{\overset{n_s}{\mathrm{\&Sigma;}}}\mathrm{sig}(x+{\mathrm{\&theta;}}^r)---\left(16\right)$

其中，sig(x)＝1/(1+exp(-x))，θ^r为阈值，n_s为量子跃迁数。

可见，量子式传递函数为经典S型函数的量子跃迁叠加，使其根据数据能量分布的变化做出适当的调整，从而达到更好的聚类作用，提高智能检测率，因此本发明把这种网络叫做量子Elman神经网络。

在图5中，s为输出层，h为隐含层，r为输入层，j为承接层，X_k＝(x₁，x₂，…，x_n)为量子Elman网络输入向量，就是步骤2输出的心电数据，T_k＝(y₁，y₂，…，y_q)为网络目标向量；而图中隐含层输出向量设为B_k＝(b₁，b₂，…，b_p)，网络实际输出向量为C_k＝(c₁，c₂，…，c_q)；隐含层与输出层的连接权设为w3_jt，j＝1，2，…，p，t＝1，2，…，q；输入层与隐含层的连接权设为w2_ij，i＝1，2，…，n，j＝1，2，…，p；承接层与隐含层的连接权设为w1_ij，i＝1，2，…，n，j＝1，2，…，p；隐含层各单元的输出阈值θ_j，j＝1，2，…，p，输出层各单元的输出阈值γ_t，t＝1，2，…，q。

采用误差平方和做为学习目标函数，由梯度下降法，结合量子跃迁式S型传递函数，可得量子Elman网络学习规则如下：

①初始化权值w3_ij、w2_jt、w1_ij，阈值θ_j、γ_t，赋予区间(-1，1)内随机数；

②给网络选取输入样本X_k，设定其目标向量Y_k；

③利用量子式S型传递函数，计算第k次网络训练隐含层各单元的输出为

$\mathrm{net}\_h_j^k=\underset{i}{\overset{n}{\mathrm{\&Sigma;}}}w{2}_{\mathrm{ij}}^k{x}_i^k+\underset{i}{\overset{n}{\mathrm{\&Sigma;}}}{w1}_{\mathrm{ij}}^k{b}_i^{\&prime;k}-{\mathrm{\&theta;}}_j^k$

$b_j^k=f(\mathrm{net}\_h_j^k)j=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,p---\left(17\right)$

其中，b′^k＝b^k-1。

其中f(·)为式(15)给出的量子跃迁式S型传递函数。

④同步骤③法，计算输出层各单元的实际输出为

$\begin{array}{cc}{c}_t^k=f(\underset{j}{\overset{p}{\mathrm{\&Sigma;}}}{w3}_{\mathrm{jt}}^k{b}_j^k-{\mathrm{\&gamma;}}_t^k)& t=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,q\end{array}---\left(18\right)$

式中f(·)仍选为量子跃迁式S型传递函数。

⑤采用学习目标函数 $E=\underset{k}{\mathrm{\&Sigma;}}{(y^k-c^k)}^2,$ 利用梯度下降法计算出输出层的各单元一般误差

隐含层各单元一般误差和承接层各单元一般误差分别为

$\begin{array}{cc}{d}_t^k=(y_t^k-c_t^k)\&CenterDot;c_t^k(1-c_t^k)& t=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,q\end{array}---\left(19\right)$

$\begin{array}{cc}{e}_j^k=[\underset{t=1}{\overset{q}{\mathrm{\&Sigma;}}}{d}_t^k\&CenterDot;{w3}_{\mathrm{jt}}^k]b_j^k(1-b_j^k)& j=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,p\end{array}---\left(20\right)$

$e_j^{\&prime;k}=\underset{t=1}{\overset{q}{\mathrm{\&Sigma;}}}(y_t^k-c_t^k){w3}_{\mathrm{jt}}^{k}f\&prime;(\mathrm{net}\_h_j^k)b_j^{k-1}---\left(21\right)$

⑥量子Elman网络权值的更新及调整，公式如下

${w3}_{\mathrm{jt}}^{k+1}={w3}_{\mathrm{jt}}^k+\mathrm{\&eta;}3\&CenterDot;b_j^k{d}_t^k+\mathrm{\&xi;}({w3}_{\mathrm{jt}}^k-{w3}_{\mathrm{jt}}^{k-1})---\left(22\right)$

${w2}_{\mathrm{ij}}^{k+1}={w2}_{\mathrm{ij}}^k+\mathrm{\&eta;}2\&CenterDot;a_i^k{e}_j^k+\mathrm{\&xi;}({w2}_{\mathrm{ij}}^k-{w2}_{\mathrm{ij}}^{k-1})---\left(23\right)$

${w1}_{\mathrm{ij}}^{k+1}={w1}_{\mathrm{ij}}^k+\mathrm{\&eta;}1\&CenterDot;b_i^{k-1}{e^{\&prime;k}}_j+\mathrm{\&xi;}({w1}_{\mathrm{ij}}^k-{w1}_{\mathrm{ij}}^{k-1})---\left(24\right)$

式中，η3、η2、η1为步长，ξ为动量因子。

(7)隐含层和输出层的量子能级跃迁调整分别为

${\mathrm{\&theta;}}_j^{k+1}={\mathrm{\&theta;}}_j^k+\mathrm{\&Delta;}{\mathrm{\&theta;}}_j^{k+1}---\left(25\right)$

${\mathrm{\&gamma;}}_t^{k+1}={\mathrm{\&gamma;}}_t^k+\mathrm{\&Delta;}{\mathrm{\&gamma;}}_t^{k+1}---\left(26\right)$

式中， $\mathrm{\&Delta;}{\mathrm{\&theta;}}_j^{k+1}={\mathrm{\&eta;}}_{\mathrm{\&theta;}}\frac{{\mathrm{\&beta;}}_{\mathrm{\&theta;}}}{n_s}\underset{m=1}{\overset{m_0}{\mathrm{\&Sigma;}}}\underset{\&ForAll;x_i\&Element;C_m}{\mathrm{\&Sigma;}}(\&lang;b_j^k\&rang;-b_j^k)*(\&lang;o_j^k\&rang;-o_j^k)$

$\mathrm{\&Delta;}{\mathrm{\&gamma;}}_t^{k+1}={\mathrm{\&eta;}}_{\mathrm{\&gamma;}}\frac{{\mathrm{\&beta;}}_{\mathrm{\&gamma;}}}{n_s}\underset{n=1}{\overset{n_0}{\mathrm{\&Sigma;}}}\underset{\&ForAll;x_i\&Element;C_n}{\mathrm{\&Sigma;}}(\&lang;c_t^k\&rang;-c_t^k)*(\&lang;q_t^k\&rang;-q_t^k)$

而 $o_j^k=b_j^k(1-b_j^k),q_t^k=c_t^k(1-c_t^k)$

其中，η_θ、η_γ为步长因子，n_s为量子能级跃迁数，β_θ、β_γ为量子能级跃迁的斜率因子，m₀为隐层节点数，n₀为输出层节点数。而上式中为隐层输出均值，

为输出层输出均值。

由于在网络设计中引入量子能量跃迁的概念，从而使网络具有更好的模糊聚类功能，使输出“跃变”跳出特征空间不确定区域而“坍缩”到确定区域，提高心电信号正确检测率。

图6是一路心电信号工频干扰抑制效果图。本实施例采用的实验数据选自美国MIT-BIH数据库中的心电信号100，这是一个免费开放的数据库，可从http://www.physionet.org/physiobank/database/html/mitdbdir/mitdbdir.htm网址下载，采样频率为360Hz，在本实施例中，为了符合我国心电信号采样的实际情况，降采样率为200Hz，如图6(a)所示。图6(b)为叠加50Hz工频干扰心电信号；图6(c)为基于LMS算法的干扰抑制输出图，其初始权值随机设定；图6(d)为基于QRD-LS算法的干扰抑制输出图。

图7是心电信号基漂干扰抑制效果图。在本实施例中，利用MATLAB6.5随机产生一个2×2的矩阵，将原始心电信号和呼吸基漂信号进行线性混合，如图7(a)所示。图7(b)为采用FastICA技术的分离图，一个基漂干扰输出信号，一个ECG信号输出。

表1是基于量子Elman网络心电图智能检测结果表，实验数据选自美国MIT-BIH数据库，本实施例选出几个典型的心电信号进行处理，它们分别为100、118、200、207、214及219，包括了正常、右束支阻滞(RBBB)、VPC、左束支阻滞(LBBB)等典型病例。采样频率为360Hz，这里降采样率为200Hz。在本实施例中，结合心电信号的周期特点，选取量子Elman神经网络的输入层神经元数为45个，隐含层选取91个神经元，承接层选取同隐含层神经元数，而输出层选取2个神经元，当检测为正常心电信号时网络输出为[01]，否则输出为[10]，量子跃迁数选为5级。为了进一步测试量子Elman网络性能，这里采用相同结构的BP网络分别对选取的心电信号进行检测，网络的训练样本数为20，训练次数50，训练目标0.001，测试样本数则为90，检测率的对比表如表1。

表1

 

心电信号	BP网络识别率	量子Elman网络识别率
			100	98.1％	100％
118	94.7％	97.7％
			200	95.9％	96.5％
207	93.2％	95.7％
			214	87.3％	91.2％
219	98.3％	98.9％
			平均	94.6％	96.7％

Claims (9)

1.一种基于量子简单递归神经网络心电图智能检测法，其特征在于，包括有以下步骤：

(1)将心电信号送入自适应工频干扰抑制模块，进行工频干扰抑制；

(2)将步骤1输出的两路心电信号送入盲基漂干扰抑制模块，去除呼吸基漂干扰；

(3)将步骤2输出的心电信号送入量子简单递归神经网络，进行心电图智能检测输出。

2.根据权利要求1所述的基于量子简单递归神经网络心电图智能检测法，其特征在于，所述的自适应工频干扰抑制模块，是由两组相同的自适应工频干扰抑制单元组成，同时对两路采集的心电信号分别进行工频干扰抑制。

3.根据权利要求2所述的基于量子简单递归神经网络心电图智能检测法，其特征在于，所述的自适应工频干扰抑制单元，是采用基于QR分解最小二乘算法自适应陷波技术的心电图工频干扰抑制法，利用了自适应滤波器自动跟踪干扰的能力，自动抑制工频干扰。

4.根据权利要求3所述的基于量子简单递归神经网络心电图智能检测法，其特征在于，所述的QR分解最小二乘算法，是直接针对输入数据矩阵进行递推，可用脉动阵处理结构高效地实现。

5.根据权利要求1所述的基于量子简单递归神经网络心电图智能检测法，其特征在于，所述的盲基漂干扰抑制模块，是利用心电信号和基漂信号由不同源产生，具有统计独立的原则，通过基于负熵极大Fast ICA技术分解为若干独立成份，从而实现心电信号的呼吸基漂干扰抑制。

6.根据权利要求5所述的基于量子简单递归神经网络心电图智能检测法，其特征在于，所述的基于负熵极大Fast ICA技术，其中，Fast ICA为盲源分离的一种算法，将观测信号根据统计独立的原则通过牛顿迭代优化算法分解为若干独立成份，从而实现心电信号的干扰抑制。

7.根据权利要求1所述的基于量子简单递归神经网络心电图智能检测法，其特征在于，所述的量子简单递归神经网络，是将简单递归反馈网络，引入多量子能级传递函数，使产生的量子跃迁神经网络具备映射动态特征的功能和泛化能力，实现心电图智能检测。

8.根据权利要求7所述的基于量子简单递归神经网络心电图智能检测法，其特征在于，所述的简单递归神经网络由45个神经元组成的输入层、91个神经元组成的隐含层、2个神经元组成的输出层和一个用来记忆隐含层前一时刻输出值的承接层组成，承接层选取的神经元数同隐含层，具有动态记忆功能和适应时变特性的能力。

9.根据权利要求7所述的基于量子简单递归神经网络心电图智能检测法，其特征在于，所述的多量子能级传递函数是一系列具有量子间隔偏移的Sigmoid型函数之和。

Images