CN104523264A - 一种心电信号处理方法 - Google Patents

Abstract

本发明公开了一种心电信号处理方法，包括：A、采集原始心电信号集Θ，对其进行预处理以构成输入心电信号集Θ′；B、提取样本F′，训练隐含层，输出自学习集Φ；C、检测自学习集Φ的标签矢量G，输出节点；D、对人工神经网络的输入层、隐含层及输出层进行栈式叠加，以构成完整的心电信号疾病监测人工神经网络。如此，无需定位基本波形，并且不依赖于人为选定的特征，对先验知识要求较低，可自动抽象输入数据中的重要特征，预处理使用的PCA白化降维减少了输入心电信号样本维度。

Description

一种心电信号处理方法

技术领域

本发明涉及心电信号技术领域，尤其涉及一种心电信号处理方法。

背景技术

心电信号(Electrocardiography，ECG)是人类心脏进行生理活动时，通过体表电极采集所得的时变电位信号，包含了丰富的生物学信息。作为最早被研究并应用于临床医学的数据指标之一，心电信号具有重要的科研价值与实际意义，可有效检验、预测与心脏相关的多种疾病，近年来获得了越来越多的重视。但另一方面，心电信号具有样本维度高，样本量相对较少，特征空间呈非线性关系等特点，其分析难度较高。目前一般使用机器学习算法进行处理。

如图1所示，在一个正常的心动周期中，所产生的心电信号可视作由P波、QRS波群、T波及U波4种基本波形组成。现有基于心电信号的疾病检测算法，通常包含两个主要部分：(1).特征提取：检测定位输入信号的4种基本波形，以此获取预定义的特征信息。常用的波形检测算法包括峰值检测、小波分析等。而所提取特征一般包括：4种基本波形的时长与形态(如幅度、变化率等)、ST段时长、PR间期时长、QT间期时长、以及RR间期时长等。(2).分类预测：使用机器学习方法对所提取的特征信息进行分类，以判定是否患有特定疾病。常用算法包括主成份分析(Principal Component Analysis，PCA)、自回归滑动平均模型(Autoregressive Moving Average Model，ARMA)、以及支持向量机(Support Vector Machine，SVM)等。

人工神经网络(Artificial Neural Network，ANN)是人工智能与机器学习领域中的一种重要分析方法。现有基于ANN的疾病检测算法，一般使用原始心电信号或其特征数据作为输入，并将特定疾病作为分类输出。与其它机器学习算法相比，基于ANN的检测方法对基本波形定位精度要求较低，泛化性能良好，且可同时判定多种目标疾病状态。但另一方面，由于心电信号维度较高，传统ANN所需的网络结构庞大，训练极为复杂且效果不佳。因此限制了其使用。为避免上述问题，近年来学术界对ANN进行了有效扩展，提出了多隐含层深度学习(Deep Learning)的概念。

现有基于特征提取与机器学习的心电信号疾病检测方法，其缺点在于：

第一，特征提取严重依赖于4种基本波形的检测与定位。若波形定位不准确，则所提取的特征信息也将有所偏差，导致分类性能显著下降。而心电信号由人体实际生理过程产生，其在每个心动周期中的数据都包含一定的差异，且由于目标个体、采集方法等原因可能导致多种失真，造成预设的波形定位算法失效。从而影响检测结果。

第二，目前使用的心电信号特征，如基本波形时长、波形间期时长等，均由人工挑选，而并不完全合理。一方面，部分特征(如U波等)的形成机理尚不明晰，难以说明其是否包含独特的生理状态信息，亦可能仅是冗余数据或噪声。另一方面，某些重要特征可能被人为忽略，导致提取结果无法涵盖心电信号中的所有有效信息，造成检测算法性能下降。

第三，医用心电信号采集频率应达400Hz以上，且需连续获取30Sec.的数据，从而产生至少12000个数据点。其信号分析属于非线性高维机器学习问题。若分类算法缺少稀疏化限制，则极易产生定域性(Locality)问题，导致泛化性能严重下降，所需训练样本数显著上升。而稀疏化是很多现有机器学习算法所不具备的。

现有基于ANN的疾病检测方法，其缺点在于：

第一，传统ANN一般仅具有1个隐含层，属于浅架构(ShallowArchitecture)。对于心电信号一类的非线性特征空间问题，需大量隐层节点才能进行有效建模，且其数量随输入节点的增加呈指数增长。而另一方面，心电信号维数(亦即ANN输入节点数)较高，其所需的架构规模往往远超合理范围，且用于训练的样本数量也将极为庞大。导致检测方法难以实际应用。

第二，传统ANN通常使用反向传播算法(BackpropagationAlgorithm，BP)进行训练，可在浅架构中获得良好的参数优化效果。但对于包含多个隐含层的深度学习ANN网络，则难以获得令人满意的结果。从而影响了疾病检测准确率。

发明内容

本发明要解决的技术问题在于，针对上述现有技术方法中心电信号疾病检测效果不佳且冗余信号过多，以及ANN疾病监测所需网络结构庞大，训练复杂并效果不佳的问题，提供了一种心电信号处理方法。

本发明解决其技术问题所采用的方法是：提供一种心电信号处理方法，包括以下步骤：

A、采集原始心电信号集Θ，对其进行预处理以构成输入心电信号集Θ′；所述步骤A包括以下子步骤：

B、提取所述输入心电信号集Θ′的样本F′，将所述样本F′输入至人工神经网络的输入层以转化为输入层信号集H₀，并根据自编码算法训练所述人工神经网络的隐含层，使所述输入层信号集H₀通过所述隐含层输出自学习集Ф；

C、检测所述自学习集Ф的标签矢量G，若所述标签矢量G中所包括的独立状态为2个，则使用逻辑回归输出节点；若所述标签矢量G中所包括的独立状态大于2个，则使用Softmax回归输出节点；

D、根据所输出的节点对所述人工神经网络的输入层、隐含层及输出层进行栈式叠加，以构成完整的心电信号疾病监测人工神经网络。

在本发明所述的心电信号处理方法中，所述步骤A包括以下子步骤：

A1、采集原始心电信号的样本F，设置所述样本F对应的标签矢量G，从而构成所述原始心电信号集Θ＝{(F₁，G₁)，(F₂，G₂)，...(F_i，G_i)，...(F_m，G_m)}，其中，F_i为所采集到的第i个样本，F_i∈F，G_i为对应的第i个标签矢量，G_i∈G，所述原始心电信号集Θ的维度为D；

A2、使用特征标准化对所述原始心电信号集Θ进行预处理得到处理心电信号的样本F_i ^*：

${F_i}^{*}=\left\{\frac{{f_i}^d-E\left(F^d\right)}{\mathrm{var}\left(F^d\right)}\right|{f_i}^d\∈F_i,d\∈D\}$

其中，f_i ^d为F_i在第d维上的信号值，E(F^d)表示F^d的矢量均值，var(F^d)表示F^d的矢量方差，F^d＝{f_i ^d|i∈m}为所述原始心电信号集Θ中的所有样本在第d维上所构成的矢量；

A3、采用主元分析方法对所述处理心电信号的样本F_i ^*进行降维与白化以得到输入心电信号的样本F′；

A4、根据所述输入心电信号的样本F′组成所述输入心电信号集Θ′＝{(F₁′，G₁)，(F₂′，G₂)，...(F_i′，G_i)，...(F_m′，G_m)}。

在本发明所述的心电信号处理方法中，

在本发明所述的心电信号处理方法中，所述步骤B包括以下子步骤：

B1、提取所述输入心电信号集Θ′的样本F′，将所述样本F′输入至人工神经网络的输入层以转化为输入层信号集H₀；

B2、根据自编码算法训练所述人工神经网络的L个隐含层，设置其中第l-1个隐含层的节点数为P_l-1，P_l-1个节点的输出为根据所述第l-1个隐含层计算第l个隐含层的输出H_l：

$H_l=\tanh ({W_l}^1{H}_{l-1}+B_l^1)$

其中，l∈L，W_l ¹为第l个隐含层权值矩阵，为第l个隐含层偏置矢量；

B3、判断l是否小于L，若是，将所述l的值自加一，转至步骤B2；若否，转至步骤B4；

B4、依据第L个隐含层输出自学习集Ф。

在本发明所述的心电信号处理方法中，所述步骤B2包括还以下步骤：

B21、所述第l个隐含层的输出H_l之后，计算输出层的输出Q_l：

$O_l=\tanh ({W_l}^2{H}_l+B_l^2)$

其中，W_l ²为输出层权值矩阵，为输出层偏置矢量；

B22、设置差异代价函数J_1l：

$J_{1l}=\frac{1}{{2P}_{l-1}}{\left({\left|\right|H_{l-1}-Q_l\left|\right|}_2\right)}^2$

其中，||·||₂表示矢量的2范数；

B23、计算完整代价函数J_l(W_l，B_l)：

J_l(W_l，B_l)＝J_1l+βρ_l

其中，W_l＝{W_l ¹，W_l ²}、B_l＝{B_l ¹，B_l ²}为自编码训练网络模型，β为拉格朗日乘数，稀疏代价函数ρ_l＝||H_l||₁，||·||₁表示矢量的1范数；

B24、使所述完整代价函数J_l(W_l，B_l)最小化以提高自编码算法训练的准确性。

在本发明所述的心电信号处理方法中，所述步骤C还包括以下步骤：

C1、输出节点之后，采用代价函数J_q(θ_q，b_q)＝J_1q+βρ_q对第q个输出节点的参数训练；其中，输出节点的个数为Q，q∈Q，β为拉格朗日乘数。

在本发明所述的心电信号处理方法中，所述步骤C1包括以下子步骤：

C11、设置差异代价函数J_1q

$J_{1q}=-\frac{1}{M}\left[\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{l}_s\left(O_q^m\right)\log \frac{\exp ({\mathrm{\θ}}_q^s{H}_L^m+b_q)}{{\mathrm{\Σ}}_s\exp ({\mathrm{\θ}}_q^s{H}_L^m+b_q)}\right]$

其中θ_q为输出节点q的模型参数矩阵，为其在第s行的行矢量，s∈S且S≥2，S为疾病状态总个数，b_q为偏置值，函数为示性函数，为节点q在输入样本时的输出值，其值为：

$O_q^m=\underset{s\∈S}{\arg \max }\frac{\exp ({\mathrm{\θ}}_q^s{H}_L^m+b_q)}{{\mathrm{\Σ}}_s\exp ({\mathrm{\θ}}_q^s{H}_L^m+b_q)};$

C12、稀疏代价函数ρ_q为：

${\mathrm{\ρ}}_q=\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{\left|\right|{\mathrm{\θ}}_q^s\left|\right|}_1.$

在本发明所述的心电信号处理方法中，所述步骤D包括以下子步骤：

D1、采用梯度下降法设置输出节点的权值矩阵及偏置矢量；

D2、根据所输出的节点对所述人工神经网络的输入层、隐含层及输出层进行栈式叠加，以构成心电信号疾病监测人工神经网络；

D3、使用BP算法调整所述心电信号疾病监测人工神经网络的参数。

实施本发明公开的一种心电信号处理方法，具有以下有益效果：无需定位基本波形，并且不依赖于人为选定的特征，对先验知识要求较低，可自动抽象输入数据中的重要特征，本方法仅需离线执行一次即可，预处理使用的PCA白化降维减少了输入心电信号样本维度。

附图说明

图1为正常心动周期中的心电信号的波形图；

图2为本发明提供的一种心电信号处理方法的流程图；

图3为本发明提供的使用栈式自编码器训练深度学习人工神经网络的示意图；

图4为本发明提供的自编码训练网络的示意图；

图5为本发明提供的训练隐含层的流程图；

图6为本发明提供的训练后深度学习人工神经网络用于实际心电信号样本疾病监测的示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

本发明提供了一种心电信号处理方法，其目的在于，采集获得的原始心电信号，直接作为深度学习ANN网络输入数据，并通过多隐含层2结构自动提取其中的重要信息，从而获得更佳的检测效果。本方法从原始数据中自动抽象各层次上的基底特征，是深度学习ANN的主要优势之一。而这一方法也避免了因基本波形定位失准，造成预设特征提取发生偏差的状况。

如图2所示，图2为本发明提供的一种心电信号处理方法的流程图，该方法包括以下步骤：

A、采集原始心电信号集Θ，对其进行预处理以构成输入心电信号集Θ′；即在将深度学习ANN用于实际疾病检测前，需先使用带标注的心电信号样本集对其进行训练。所述步骤A包括以下子步骤：

A1、采集原始心电信号的样本F，设置所述样本F对应的标签矢量G，从而构成所述原始心电信号集Θ＝{(F₁，G₁)，(F₂，G₂)，...(F_i，G_i)，...(F_m，G_m)}，其中，F_i为所采集到的第i个样本，F_i∈F，G_i为对应的第i个标签矢量，G_i∈G，标签矢量包含了需检测的多种疾病具体状态(如是否患有心室肥大，是否患有高、低钙血症等)。所述原始心电信号集Θ的维度为D；

A2、使用特征标准化对所述原始心电信号集Θ进行预处理得到处理心电信号的样本F_i ^*：

${F_i}^{*}=\left\{\frac{{f_i}^d-E\left(F^d\right)}{\mathrm{var}\left(F^d\right)}\right|{f_i}^d\∈F_i,d\∈D\}$

其中，f_i ^d为F_i在第d维上的信号值，E(F^d)表示F^d的矢量均值，var(F^d)表示F^d的矢量方差，F^d＝{f_i ^d|i∈m}为所述原始心电信号集Θ中的所有样本在第d维上所构成的矢量；在本方法中，首先使用特征标准化对各原始信号进行预处理，使其具有0均值及单位方差。预处理后，信号取值范围变为[-1，1]。

A3、采用主元分析方法对所述处理心电信号的样本F_i ^*进行降维与白化以得到输入心电信号的样本F′；即使用PCA对其进行降维与白化，F_m ^*具有0均值。所述步骤A3包括以下子步骤：

A31、计算所述处理心电信号的样本F_i ^*的协方差矩阵

A32、设置降维与白化后样本的维数为N，依据所述维数N计算所述协方差矩阵Ψ的前N个特征矢量为u₁，u₂，...，u_N及所述特征矢量对应的特征值λ₁，λ₂，...，λ_N；

A33、依据所述特征矢量及所述特征值构造酉矩阵U＝[u₁，u₂，...，u_N]_D×N；

A34、根据所述酉矩阵U对所述处理心电信号的样本F_i ^*进行降维与白化以得到输入心电信号的样本F′：

${F_i}^{\′}=\left\{\frac{{f_i}^n}{\sqrt{{\mathrm{\λ}}_n+\mathrm{\ϵ}}}\right|{f_i}^n\∈U^T{F_i}^{*},n\∈N\}$

其中，ε为正则化常数，一般取1E-5。

A4、根据所述输入心电信号的样本F′组成所述输入心电信号集Θ′＝{(F₁′，G₁)，(F₂′，G₂)，...(F_i′，G_i)，...(F_m′，G_m)}。所述输入心电信号集用于深度学习ANN网络的训练。

B、提取所述输入心电信号集Θ′的样本F′，将所述样本F′输入至人工神经网络的输入层1以转化为输入层1信号集H₀，并根据自编码算法训练所述人工神经网络的隐含层2，使所述输入层1信号集H₀通过所述隐含层2输出自学习集Ф；本步骤使用栈式自编码器(Stacked Autoencoder)构造深度学习ANN网络，并采用BP算法训练各隐含层2节点参数及进行网络整体微调，参见图3，图3为本发明提供的使用栈式自编码器训练深度学习人工神经网络的示意图，完整的ANN网络具有1个输入层1，1个输出层3，以及L个隐含层2。参见图5，图5为本发明提供的训练隐含层2的流程图，即所述步骤B包括以下子步骤：

B1、提取所述输入心电信号集Θ′的样本F′，将所述样本F′输入至人工神经网络的输入层1以转化为输入层1信号集H₀；

B2、根据自编码算法训练所述人工神经网络的L个隐含层2，设置其中第1-1个隐含层2的节点数为P_l-1，P_l-1个节点的输出为根据所述第1-1个隐含层2计算第1个隐含层2的输出H₁：

$H_l=\tanh ({W_l}^1{H}_{l-1}+B_l^1)$

其中，1∈L，W_l ¹为第1个隐含层2权值矩阵，为第1个隐含层2偏置矢量；

构造3层自编码训练网络如图4所示，图4为本发明提供的自编码训练网络的示意图。其输入为第l-1隐含层2的P_l-1个节点输出H_l-1，有P_l-1＞P_l。由于预处理后的心电信号取值范围为[-1，1]，故选取双曲正切函数(tanh)作为自编码训练网络隐含层2与输出层3的激活函数。步骤B2包括还以下步骤：

B21、所述第l个隐含层2的输出H_l之后，计算输出层3的输出O_l：

$O_l=\tanh ({W_l}^2{H}_l+B_l^2)$

其中，W_l ²为输出层3权值矩阵，为输出层3偏置矢量；

B22、设置差异代价函数J_1l：

$J_{1l}=\frac{1}{{2P}_{l-1}}{\left({\left|\right|H_{l-1}-Q_l\left|\right|}_2\right)}^2$

其中，||·||₂表示矢量的2范数；此外，为使隐含层2节点的表达尽可能稀疏，需加入11正则化(l1Regularization)约束。实验结果表明，l1正则化可在心电信号数据上，获得比其它稀疏化约束更佳的效果。

B23、计算完整代价函数J_l(W_l，B_l)：

J_l(W_l，B_l)＝J_1l+βρ_l

其中，W_l＝{W_l ¹，W_l ²}、B_l＝{B_l ¹，B_l ²}为自编码训练网络模型，β为拉格朗日乘数，用于控制隐含层2输出的稀疏程度。稀疏代价函数ρ_l＝||H_l||₁，||·||₁表示矢量的1范数；通过使用BP算法训练W_l与B_l，可使此代价函数最小化，亦即获得最佳的自编码训练结果。

B24、使所述完整代价函数J_l(W_l，B_l)最小化以提高自编码算法训练的准确性。

B3、判断l是否小于L，若是，将所述l的值自加一，转至步骤B2；若否，转至步骤B4；

B4、依据第L个隐含层2输出自学习集Ф。通过使训练网络输出O_l与输入H_l-1最大近似，并设定隐含层2节点数P_l严格小于输入节点数P_l-1，所获得的隐含层2输出H_l可视作输入H_l-1更为抽象的表达。而l₁正则化的引入，则保证了这一表达具有充分的稀疏性。在当前训练完成后，隐含层2输出矢量H_l输出将被用于下一隐含层2(l+1层)的训练。而隐含层2节点及其参数W_l ¹、B_l ¹则保存用于构造完整的深度学习ANN网络。

C、检测所述自学习集Ф的标签矢量G，若所述标签矢量G中所包括的独立状态为2个，则使用逻辑回归输出节点；若所述标签矢量G中所包括的独立状态大于2个，则使用Softmax回归输出节点；在训练并构造疾病检测深度学习ANN时，首先将预处理后的心电信号集Θ′中每个样本对(F_m′，G_m)，作为首隐含层2(l＝1)的输入。即有H₀ ^m＝F_m′，F_m′∈Θ′，P₀＝N。而后，构造训练网络，并使用自编码算法设计隐含层2节点的参数，得到权值矩阵W₁ ¹及偏置矢量B₁ ¹。对于第l∈[2，L]个隐含层2，使用近似方法进行训练。设若上一层所得的自学习信号集为Ф_l-1＝{(H_l-1 ¹，G₁)，(H_l-1 ²，G₂)，...，(H_l-1M，G_M)}，则将其中每个输出矢量H_l-1 ^m，作为当前自编码训练网络的输入，用于设计隐含层2节点参数。

自学习信号集包含了Q维疾病标签矢量T_m＝[t_m ¹，t_m ²，...，t_m ^Q]。则相应构造Q个输出节点，并根据各标签t_m ^q∈T_m选择不同的节点类型：

1)若t_m ^q对应疾病状态集仅含S＝2个独立状态，如t_m ^q＝{s₁：不患有心室肥大，s₂：患有心室肥大}，则使用逻辑回归(Logistic Regression)输出节点。

2)若t_m ^q对应疾病状态集含有S＞2个独立状态，如t_m ^q＝{s₁：低钙血症，s₂：正常，s₃：高钙血症}，则应使用Softmax回归(Softmax Regression)输出节点。

所述步骤C还包括以下步骤：

C1、输出节点之后，采用代价函数J_q(θ_q，b_q)＝J_1q+βρ_q对第q个输出节点的参数训练；其中，输出节点的个数为Q，q∈Q，β为拉格朗日乘数。由于逻辑回归可视作Softmax回归在仅有两种疾病状态时的特殊情况，故所述步骤C1包括以下子步骤：

C11、设置差异代价函数J_1q

$J_{1q}=-\frac{1}{M}\left[\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{l}_s\left(O_q^m\right)\log \frac{\exp ({\mathrm{\θ}}_q^s{H}_L^m+b_q)}{{\mathrm{\Σ}}_s\exp ({\mathrm{\θ}}_q^s{H}_L^m+b_q)}\right]$

其中θ_q为输出节点q的模型参数矩阵，为其在第s行的行矢量，s∈S且S≥2，S为疾病状态总个数，b_q为偏置值，函数为示性函数(IndicatorFunction)，为节点q在输入样本时的输出值，其值为：

$O_q^m=\underset{s\∈S}{\arg \max }\frac{\exp ({\mathrm{\θ}}_q^s{H}_L^m+b_q)}{{\mathrm{\Σ}}_s\exp ({\mathrm{\θ}}_q^s{H}_L^m+b_q)};$

C12、稀疏代价函数ρ_q为：

${\mathrm{\ρ}}_q=\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{\left|\right|{\mathrm{\θ}}_q^s\left|\right|}_1.$

通过将Ф_L中的每个样本对(H_L ^m，T_m)作为训练输入，可使用梯度下降法设计各输出节点的最佳权值矩阵与偏置矢量，从而获得良好分类检测效果。

D、根据所输出的节点对所述人工神经网络的输入层1、隐含层2及输出层3进行栈式叠加，以构成完整的心电信号疾病监测人工神经网络，使用BP算法调整所述心电信号疾病监测人工神经网络的参数。在对各层分别进行训练后，将所得的L个隐含层2节点及其权值矩阵W_l ¹与偏置矢量B_l ¹，以及各输出层3节点及其参数矩阵θ_q与偏置值b_q，依次栈式叠加，构成完整的心电信号疾病检测ANN网络。最后，使用BP算法其整体参数进行微调，以进一步提升分类准确性。其过程与传统ANN网络相同。

所述步骤D包括以下子步骤：

D1、采用梯度下降法设置输出节点的权值矩阵及偏置矢量；

D2、根据所输出的节点对所述人工神经网络的输入层1、隐含层2及输出层3进行栈式叠加，以构成心电信号疾病监测人工神经网络；

D3、使用BP算法调整所述心电信号疾病监测人工神经网络的参数。

如图6所示，图6为本发明提供的训练后深度学习人工神经网络用于实际心电信号样本疾病监测的示意图，在训练完成后，则此深度学习ANN网络可用于多种疾病的有效检测。对于新输入的心电信号样本F，首先同样使用矩阵U对其进行白化降维预处理，而后送入ANN网络进行分析与并行分类，获得对应的疾病状态矢量输出为T。则其数值有效描述了样本F所包含的多种疾病状态，可极大方便后续科研与临床应用。

本方法可产生的优点主要包括：

第一，本方法无需定位基本波形。一方面，可直接使用原始心电信号作为输入，检测应用更为方便。另一方面，有效避免了现有算法中，因波形检测失准造成的预测性能下降，提升了算法鲁棒性。更适用于多变的实际心电信号数据。

第二，本方法不依赖于人为选定的特征，对先验知识要求较低，可自动抽象输入数据中的重要特征。与现有心电信号疾病检测算法相比，其预测准确率更高，且可同时对多个疾病状态进行同时检测。

第三，本方法使用的深度学习ANN网络，虽然其训练过程计算复杂度较高，但仅需离线进行一次即可。而后续多次用于实际疾病检测时，其计算量远低于现有方法，可在更短的时间内获得更佳的预测结果。

此外，预处理使用的PCA白化降维减少了输入心电信号样本维度。而隐含层2节点数的逐级下降，则有效保证了网络在剩余维度上的处理性能，避免了现有方法中的定域性问题。此外，深度学习的多隐含层2深架构有效控制了网络规模，其所需节点总数远低于传统单隐含层ANN网络。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可将本发明的动态优化方法应用于很多领域和形成多种优化形式，只要这些领域使用了本发明的动态优化方法，则均属于本发明的保护之内。

Claims (8)

1.一种心电信号处理方法，其特征在于，包括以下步骤：

A、采集原始心电信号集Θ，对其进行预处理以构成输入心电信号集Θ′；

B、提取所述输入心电信号集Θ′的样本F′，将所述样本F′输入至人工神经网络的输入层以转化为输入层信号集H₀，并根据自编码算法训练所述人工神经网络的隐含层，使所述输入层信号集H₀通过所述隐含层输出自学习集Φ；

C、检测所述自学习集Φ的标签矢量G，若所述标签矢量G中所包括的独立状态为2个，则使用逻辑回归输出节点；若所述标签矢量G中所包括的独立状态大于2个，则使用Softmax回归输出节点；

D、根据所输出的节点对所述人工神经网络的输入层、隐含层及输出层进行栈式叠加，以构成完整的心电信号疾病监测人工神经网络。

2.根据权利要求1所述的心电信号处理方法，其特征在于，所述步骤A包括以下子步骤：

A1、采集原始心电信号的样本F，设置所述样本F对应的标签矢量G，从而构成所述原始心电信号集Θ＝{(F₁，G₁)，(F₂，G₂)，...(F_i，G_i)，...(F_m，G_m)}，其中，F_i为所采集到的第i个样本，F_i∈F，G_i为对应的第i个标签矢量，G_i∈G，所述原始心电信号集Θ的维度为D；

A2、使用特征标准化对所述原始心电信号集Θ进行预处理得到处理心电信号的样本F_i ^*：

${F_i}^{*}=\left\{\frac{{f_i}^d-E\left(F^d\right)}{\mathrm{var}\left(F^d\right)}\right|{f_i}^d\∈F_i,d\∈D\}$

其中，f_i ^d为F_i在第d维上的信号值，E(F^d)表示F^d的矢量均值，var(F^d)表示F^d的矢量方差，F^d＝{f_i ^d|i∈m}为所述原始心电信号集Θ中的所有样本在第d维上所构成的矢量；

A3、采用主元分析方法对所述处理心电信号的样本F_i ^*进行降维与白化以得到输入心电信号的样本F′；

A4、根据所述输入心电信号的样本F′组成所述输入心电信号集Θ′＝{(F₁′，G₁)，(F₂′，G₂)，...(F_i′，G_i)，...(F_m′，G_m)}。

3.根据权利要求2所述的心电信号处理方法，其特征在于，所述步骤A3包括以下子步骤：

A31、计算所述处理心电信号的样本F_i ^*的协方差矩阵

A32、设置降维与白化后样本的维数为N，依据所述维数N计算所述协方差矩阵Ψ的前N个特征矢量为u₁，u₂，...，u_N及所述特征矢量对应的特征值λ₁，λ₂，...，λ_N；

A33、依据所述特征矢量及所述特征值构造酉矩阵U＝[u₁，u₂，...，u_N]_D×N；

A34、根据所述酉矩阵U对所述处理心电信号的样本F_i ^*进行降维与白化以得到输入心电信号的样本F′：

${F_i}^{\′}=\left\{\frac{{f_i}^n}{\sqrt{{\mathrm{\λ}}_n+\mathrm{\ϵ}}}\right|{f_i}^n\∈U^T{F_i}^{*},n\∈N\}$

其中，ε为正则化常数。

4.根据权利要求1所述的心电信号处理方法，其特征在于，所述步骤B包括以下子步骤：

B1、提取所述输入心电信号集Θ′的样本F′，将所述样本F′输入至人工神经网络的输入层以转化为输入层信号集H₀；

B2、根据自编码算法训练所述人工神经网络的L个隐含层，设置其中第l-1个隐含层的节点数为P_l-1，P_l-1个节点的输出为H_l-1＝[h_l-1，1，h_l-1，2，...，h_l-1，Pl-1]，根据所述第l-1个隐含层计算第l个隐含层的输出H_l：

$H_l=\tanh ({W_l}^1{H}_{l-1}+B_l^1)$

其中，l∈L，W_l ¹为第l个隐含层权值矩阵，为第l个隐含层偏置矢量；

B3、判断l是否小于L，若是，将所述l的值自加一，转至步骤B2；若否，转至步骤B4；

B4、依据第L个隐含层输出自学习集Φ。

5.根据权利要求4所述的心电信号处理方法，其特征在于，所述步骤B2包括还以下步骤：

B21、所述第l个隐含层的输出H_l之后，计算输出层的输出O_l：

$O_l=\tanh ({W_l}^2{H}_l+B_l^2)$

其中，W_l ²为输出层权值矩阵，为输出层偏置矢量；

B22、设置差异代价函数J_1l：

$J_{1l}=\frac{1}{2P_{l-1}}{\left({\left|\right|H_{l-1}-O_l\left|\right|}_2\right)}^2$

其中，||·||₂表示矢量的2范数；

B23、计算完整代价函数J_l(W_l，B_l)：

J_l(W_l，B_l)＝J_1l+βρ_l

其中，W_l＝{W_l ¹，W_l ²}、B_l＝{B_l ¹，B_l ²}为自编码训练网络模型，β为拉格朗日乘数，稀疏代价函数ρ_l＝||H_l||₁，||·||₁表示矢量的1范数；

B24、使所述完整代价函数J_l(W_l，B_l)最小化以提高自编码算法训练的准确性。

6.根据权利要求4所述的心电信号处理方法，其特征在于，所述步骤C还包括以下步骤：

C1、输出节点之后，采用代价函数J_q(θ_q，b_q)＝J_1q+βρ_q对第q个输出节点的参数训练；其中，输出节点的个数为Q，q∈Q，β为拉格朗日乘数。

7.根据权利要求6所述的心电信号处理方法，其特征在于，所述步骤C1包括以下子步骤：

C11、设置差异代价函数J_1q

$J_{1q}=-\frac{1}{M}\left[\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{l}_s\left(O_q^m\right)\log \frac{\exp ({\mathrm{\θ}}_q^s{H}_L^m+b_q)}{{\mathrm{\Σ}}_s\exp ({\mathrm{\θ}}_q^s{H}_L^m+b_q)}\right]$

其中θ_q为输出节点q的模型参数矩阵，为其在第s行的行矢量，s∈S且S≥2，S为疾病状态总个数，b_q为偏置值，函数为示性函数，为节点q在输入样本时的输出值，其值为：

$O_q^m=\underset{s\∈S}{\arg \max }\frac{\exp ({\mathrm{\θ}}_q^s{H}_L^m+b_q)}{{\mathrm{\Σ}}_s\exp ({\mathrm{\θ}}_q^s{H}_L^m+b_q)};$

C12、稀疏代价函数ρ_q为：

${\mathrm{\ρ}}_q=\underset{s=1}{\overset{S}{\mathrm{\Σ}}}{\left|\right|{\mathrm{\θ}}_q^s\left|\right|}_1.$

8.根据权利要求1所述的心电信号处理方法，其特征在于，所述步骤D包括以下子步骤：

D1、采用梯度下降法设置输出节点的权值矩阵及偏置矢量；

D2、根据所输出的节点对所述人工神经网络的输入层、隐含层及输出层进行栈式叠加，以构成心电信号疾病监测人工神经网络；

D3、使用BP算法调整所述心电信号疾病监测人工神经网络的参数。