CN105902266A

CN105902266A - 基于自组织神经网络的心电信号分类方法

Info

Publication number: CN105902266A
Application number: CN201610256973.0A
Authority: CN
Inventors: 孙括; 徐静波; 胡冰
Original assignee: Jiangsu IoT Research and Development Center
Current assignee: Jiangsu IoT Research and Development Center
Priority date: 2016-04-22
Filing date: 2016-04-22
Publication date: 2016-08-31

Abstract

本发明提供一种基于自组织神经网络的心电信号分类方法，首先读取QRS特征向量。将QRS特征向量与所有权重向量内积，找到获胜神经元，调整获胜神经元临域内权重向量，使这些权重向量偏向于输入QRS特征向量。对所有QRS特征向量进行与权重向量的内积过程。根据数据训练程度调整学习速率，临域范围，重复上述过程，直到系统能量稳定。系统能量稳定后停止，输出分类结果。本发明预先不需进行大量数据训练。初始化权重向量时，运用随机值，不针对某种疾病，不针对特定患者，适用性强。参数设置好后，简单易用。

Description

基于自组织神经网络的心电信号分类方法

技术领域

本发明涉及一种基于自组织神经网络的心电信号分类方法，可用于正常和非正常的心电信号分类。

背景技术

目前，随着社会进步，人们生活节奏加快，压力骤增，加上不健康的生活习惯，心脏疾病普遍出现。为了全面掌握心脏的健康状态，动态心电图使用广泛。动态心电图对心脏活动进行长时间记录，通常是24小时。长时间记录带来大量心电数据。人工查看心电图数据，效率低下，容易出错。心电图形自动分类技术对提高诊断效率，有效治疗心脏疾病有重要意义。

过去的几十年人们研究了很多QRS检测算法，比如人工神经网络，遗传算法，小波变换，非线性变换算法等。随之而来的问题是QRS分类识别问题，对得到的QRS波形数据进行处理分析。主要在两个方面，心电特征提取和识别过程。这几十年人们在特征提取和识别分类方面做了很多的探索。这些算法有的需要预先大量的数据训练，消耗很多时间。训练数据的来源也不一定会适合每一个患者。随着计算机软硬件技术的发展，心电数据处理算法有了很大的改善与进步。

自组织神经网络是无监督神经网络，可以将任意维度向量分类，分类结果是一个二维平面拓扑结构。二维平面上存在神经元。自组织神经网络使输入数据从多维数据空间向二维空间映射。输出的二维平面是输入数据集的分类结果。自组织神经网络方法不需要预先的训练数据集合，直接把要分类的心电数据输入即可。

发明内容

本发明的目的在于提供一种基于自组织神经网络的心电信号分类方法,本发明解决上述技术问题的技术方案如下：首先提取心电特征，将心电特征组合成一个QRS特征向量。初始化自组织神经网络权重向量，学习速率，温度系数；将标准QRS特征向量输入SOM(自组织神经网络)进行学习训练，QRS特征向量与所有权重向量进行内积，找到获胜神经元；训练过程中根据胜者为王策略对权重向量进行调整，调整权重向量的方向，使权重向量的方向偏向于输入QRS特征向量；将所有的QRS特征向量进行上述过程之后，根据学习程度的进行对学习速率和临域的范围进行调整；计算系统能量；系统能量稳定后，过程停止。

一种基于自组织神经网络的心电信号分类方法，包括下述步骤：

步骤1，首先提取心电特征，将心电特征组合成一个QRS特征向量，读取QRS特征向量；QRS是指正常心电图中幅度最大的波形；

初始化自组织神经网络权重向量，学习速率，温度系数；

步骤2，将QRS特征向量输入自组织神经网络进行学习训练，QRS特征向量与所有权重向量内积，找到内积最大值即获胜神经元；

步骤3、调整获胜神经元临域内权重向量，使这些权重向量偏向于输入QRS特征向量；

步骤4、对所有QRS特征向量进行步骤2及步骤3的过程；

步骤5、调整学习速率，温度系数，重复步骤4，直到系统能量稳定；

步骤6、停止，输出分类结果。

进一步地，QRS特征向量采用RR间隔(QRS波峰间的时间差)，R波峰值，Q波峰值，S波峰值，这四个值组成QRS特征向量。

进一步地，自组织神经网络使用9个神经元，对应9个权重向量。

进一步地，步骤(3)中通过临域函数调整权重向量。

进一步地，步骤(5)中，学习速率与温度系数要随着数据训练过程而变小。

进一步地，权重向量每个元素的初始值是在[-0.01,0.01]之间的随机值。

本发明的优点在于：本发明是一种运用无监督神经网络的分类方法，预先不需进行大量数据训练。初始化权重向量时，运用随机值，不针对某种疾病，不针对特定患者，适用性强。参数设置好后，简单易用。

附图说明

图1为本发明方法流程图。

图2为本发明自组织神经网络示意图。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

图1是方法的流程图：主要流程步骤解释如下：

步骤1、读取QRS特征向量，为举例说明，这里选用四维特征向量[c₁,c₂,c₃,c₄]。神经元输出空间选用4个神经元，4个神经元的权重向量每一个元素取值在[-0.01,0.01]之间随机初始化；

步骤2、QRS特征向量与4个权重向量分别内积，找到内积最大值，也即获胜神经元；

步骤3、调整获胜神经元临域内权重向量，使这些权重向量偏向于输入QRS特征向量，调整规则(即通过临域函数调整权重向量)如下：

v_{i * j} = \frac{e^{- r_{i * m / T}^{2}}}{Σ_{k} e^{- r_{i * k / T}^{2}}} - - - (1)

Δω_mk＝η(ξ_k-ω_mk)v_i*_m(2)

∑_jv_ij＝1

k：QRS向量维度；

m代表权重向量序数；

η代表学习速率；

r表示神经元之间的距离；

ω_mk权重向量；Δω_mk权重向量的改变量；

ξ_k表示QRS特征向量；

v_i*j，v表示波特神经元；

i表示神经元输出空间一个点,加上*号表示特定的一个点；

j表示神经元输出空间中另一个点；

T温度系数，T₀为T初始值；

t代表迭代次数；

c＝0.95，常数；

步骤4、对所有QRS特征向量进行步骤2及步骤3的过程；

步骤5、在经过一次步骤4后，调整学习速率，温度系数如下：

T_t+1＝cT_t，t代表迭代次数，c＝0.95；初始T值为：

T_{0} = - \frac{d^{2}}{l n (2)}

d代表神经元输出空间的斜对角线距离；

T＝max(T_t-1c,T_min)，T_min＝2/ln(2)

学习速率：

η_t+1＝kη_t,η₀＝1,k＝0.95

系统能量定义如下：

E (t) = \underset{i k}{Σ} {(ξ_{k}^{i} - ω_{i * k} (t))}^{2}

即权重向量和QRS特征向量距离平方和；

步骤6、停止，输出分类结果，判断系统能量稳定的条件是两次能量变化小于设定阈值比如0.01。

上述实例不构成保护范围的限定，对于本发明思想方法的修改与改进，都应属于本发明要求的保护范围。

Claims

1.一种基于自组织神经网络的心电信号分类方法，其特征在于，包括下述步骤：

步骤1，首先提取心电特征，将心电特征组合成一个QRS特征向量，读取QRS特征向量；

初始化自组织神经网络权重向量，学习速率，温度系数；

步骤4、对所有QRS特征向量进行步骤2及步骤3的过程；

步骤6、停止，输出分类结果。

2.如权利要求1所述的基于自组织神经网络的心电信号分类方法，其特征在于：

QRS特征向量采用RR间隔，R波峰值，Q波峰值，S波峰值，这四个值组成QRS特征向量。

3.如权利要求1所述的基于自组织神经网络的心电信号分类方法，其特征在于：

自组织神经网络使用9个神经元，对应9个权重向量。

4.如权利要求1所述的基于自组织神经网络的心电信号分类方法，其特征在于：

步骤(3)中通过临域函数调整权重向量。

5.如权利要求1所述的基于自组织神经网络的心电信号分类方法，其特征在于：

步骤(5)中，学习速率与温度系数要随着数据训练过程而变小。

6.如权利要求1所述的基于自组织神经网络的心电信号分类方法，其特征在于：

权重向量每个元素的初始值是在[-0.01,0.01]之间的随机值。