CN112200068A - 基于lstm神经网络心电提取方法、系统、设备及介质 - Google Patents
基于lstm神经网络心电提取方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN112200068A CN112200068A CN202011072931.4A CN202011072931A CN112200068A CN 112200068 A CN112200068 A CN 112200068A CN 202011072931 A CN202011072931 A CN 202011072931A CN 112200068 A CN112200068 A CN 112200068A
- Authority
- CN
- China
- Prior art keywords
- lstm
- neural network
- abdominal wall
- extraction method
- fetal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 238000000605 extraction Methods 0.000 title claims abstract description 43
- 230000001605 fetal effect Effects 0.000 claims abstract description 68
- 210000003815 abdominal wall Anatomy 0.000 claims abstract description 47
- 230000008774 maternal effect Effects 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 210000002569 neuron Anatomy 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000002068 genetic effect Effects 0.000 claims description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 210000000349 chromosome Anatomy 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 25
- 230000035772 mutation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 210000003754 fetus Anatomy 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000000747 cardiac effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 210000002458 fetal heart Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 210000004291 uterus Anatomy 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 238000002555 auscultation Methods 0.000 description 1
- 230000008436 biogenesis Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009984 peri-natal effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000003954 umbilical cord Anatomy 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明属心电监测技术领域，公开了一种基于LSTM神经网络心电提取方法、系统、设备及介质，采用GA对LSTM网络的超参数作寻优处理，得出学习率、隐层神经元数和训练次数的最佳组合；利用寻优的参数组合构建的GA‑LSTM模型作为母体胸部心电信号与腹壁混合信号之间的非线性变换函数；在此基础上应用非线性变换函数计算母体胸部信号的最佳估计；从母体腹壁的混合信号中进行分离，即可分离提取得到最佳的胎儿心电信号的估计。本发明出的心电信号提取模型可以获取更为清晰的胎儿心电信号。
Description
技术领域
本发明属于心电监测技术领域，尤其涉及一种基于LSTM神经网络心电提取方法、系统、设备及介质。
背景技术
目前，孕妇围产期胎儿监护对了解胎儿在子宫内的生长发育状况十分重要，通常采用多普勒超声波、胎音听诊、胎心率检测以及胎儿心电图的变化来诊断胎儿在母体子宫内的健康状况，后者通过心电图波形分析可以更早地反映出妊娠期胎儿心脏的各种电生理活动。检测胎儿的心电图中QRS波的变化可及时判断胎儿是否存在缺氧、脐带绕颈等妊娠期问题。然而胎儿心电信号通常采用间接法从母亲腹壁获取，因而会包含多种噪声：电极干扰、母体心电成分以及基线漂移等。所以，如何消除采集的胎儿心电所包含的噪声，从而分离出清晰的胎儿心电信号成为一个热门的钻研课题。
近年来，关于胎儿心电图提取的方式提出了多种检测方法：独立成分分析法假定胎儿心电、母体心电以及噪声相互统计独立，从而建立ICA模型，在此模型基础上提取胎儿心电信号，但是此方法不适合处理超高斯和亚高斯信号，而且容易陷入局部最优解；盲源提取技术在各个源信号未知的条件下，从腹壁混合信号中分离得到胎儿的心电信号。但是在该模型中，胎儿心电图的相关特征并未得到充分利用，导致提取的胎儿心电准确率较低且不能清楚地反映信号的生理学意义，而且该模型的算法大多需要精确估计胎儿心电的延迟周期，对胎儿时间延迟的周期估计较为敏感，因此该算法的心电数据提取的结果会受到时间延迟周期估计的限制；自适应滤波法计算简单，但对于非平稳性胎儿心电的测量具有局限性；匹配滤波法算法胎儿心电识别率低，容易出现误漏诊；小波分解法难以选择小波基等参数，对于母体心电和胎儿心电重叠的部分很难进行胎儿心电提取；奇异值分解法分解出的分矩阵解释性往往不强且分解矩阵随时间越来越大；神经网络和支持向量机方法取得了较好的胎儿心电提取效果，但存在泛化能力弱、易落入局部最优值、网络结构设计难等问题。
近年来，循环神经网络(Recurrent Neural Network，RNN)因处理序列信息功能强大，可预测时间信息的能力得到了发展。Hochreater和Schmidhuber对RNN网络单元结构进行改进提出了长短时记忆网络(Long Short Term Memory networks，LSTM)模型，通过设计“门”结构解决了梯度消失和梯度爆炸以及RNN信息记忆能力不足的问题，可充分运用远距离的时序信息。LSTM神经网络在语音识别、文本处理等领域已得到成功应用。但LSTM神经网络的关键超参数难以确定，如隐层神经元数、学习率和训练次数对模型的拟合能力起着决定性作用，学习率和训练次数直接影响模型收敛速度和计算时长。LSTM的网络结构参数直接控制模型拓扑结构，因此采用不同的超参数建立的网络模型其预测性能具有较大差异，所以如何选择合适参数对于建立模型来说显得至关重要。目前，往往依赖研究者的经验和多次实验结果去选择网络模型的超参数，具有较大的随机性，降低了模型的预测性能。
通过上述分析，现有技术存在的问题及缺陷为：现有胎儿心电图提取方法提取的胎儿心电准确率较低且不能清楚地反映信号的生理学意义，对于非平稳性胎儿心电的测量具有局限性、容易出现误漏诊；对于母体心电和胎儿心电重叠的部分很难进行胎儿心电提取；神经网络和支持向量机方法存在泛化能力弱、易落入局部最优值、网络结构设计难等问题。
发明内容
针对现有技术存在的问题，本发明提供了一种基于LSTM神经网络心电提取方法、系统、设备及介质；具体涉及一种基于遗传算法优化的LSTM神经网络胎儿心电提取方法。
本发明是这样实现的，一种基于遗传算法优化的LSTM神经网络胎儿心电提取方法，应用于计算机终端，所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法包括：
首先，采用GA对LSTM网络的超参数作寻优处理，得出学习率、隐层神经元数和训练次数的最佳组合；
然后，利用寻优的参数组合构建的GA-LSTM模型作为母体胸部心电信号与腹壁混合信号之间的非线性变换函数；在此基础上应用非线性变换函数计算母体胸部信号的最佳估计；
最后，从母体(第一待测样本)腹壁的混合信号中进行分离，即可分离提取得到最佳的胎儿(第二待测样本)心电信号的估计。
进一步，所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法包括以下步骤：
步骤一，采集母体心电信号数据集，并将采集的母体心电信号数据集的部分样本作为训练数据集
步骤二，利用GA优化LSTM网络超参数；GA-LSTM模型的输入信号向量和目标输出信号向量输入最优参数组合的GA-LSTM网络，并输出腹壁混合信号中的母体心电成分；
步骤三，利用误差信号表示将目标信号与输出信号之差；同时GA-LSTM根据均方误差最小化拟合误差，得到母体胸部心电信号经历非线性变换传输到腹壁的最优拟合函数；
步骤四，将心电数据输入GA-LSTM模型，利用最优拟合函数计算得到腹壁混合信号中的母体心电；并基于母体心电计算得到胎儿心电信号。
进一步，步骤二中，所述利用GA优化LSTM网络超参数包括；
(1)将LSTM网络模型中学习率、批处理大小、神经网络隐藏层单元数目作为优化对象，执行种群的初始化以及染色体编码与解码处理；
(2)计算初始种群中各个个体适应度大小；
(3)对染色体进行选择、交叉和变异处理；
(4)对染色体解码、计算种群内个体的适应度，保留适应度小的个体，淘汰适应度大的个体；
(5)判断是否符合遗传终止条件，若不符合遗传终止条件则回到步骤(3)；若符合遗传终止条件，则将GA求出的最优参数作为LSTM网络模型的最终参数。
进一步，步骤(1)中，所述染色体编码包括；将LSTM网络中的隐藏层神经元数目、学习率和训练次数作为GA的初始化对象，通过实数编码形式进行染色体编码；所述隐藏层神经元的区间范围为[5，40]，所述学习率的区间范围为[0.001，0.1]，所述训练次数的区间范围为[50，500]。
进一步，步骤(3)中，所述对染色体进行选择、交叉和变异处理包括：
采用tournament selection算法作为GA的选择策略在当前种群中选择适应性较好的个体作为亲本，并将遗传信息传递给子代，进行选择处理；
在交叉之前在父代中利用random.shuffle函数进行洗牌运算，当在(0,1)之间产生的随机数小于所给的交叉率大小，则进行交叉变换；
当在(0,1)之间产生的随机数小于所给的变异率大小，则进行变异处理。
进一步，所述变异处理包括：
隐藏层神经元个数、学习率和训练次数变异的规则如下所示：
c.Ln＝abs(c.Ln+random.randint(-3,3))
c.lr＝abs(c.lr+random.uniform(-0.001,0.001))
c.maxe＝abs(c.maxe+random.randint(-30,30))；
其中：c.Ln为种群中隐藏层神经元个数；c.lr为种群中的学习率；c.maxe为种群中的训练次数。
进一步，步骤(4)中，所述对染色体解码、计算种群内个体的适应度包括：
适应度函数如下：
其中，N表示心电数据总量，
为母亲腹壁混合信号的网络预测值，yn为母亲腹壁混合信号的真实值。
进一步，步骤四中，所述基于母体心电计算得到胎儿心电信号包括：
其中，
表示胎儿心电信号；ui表示腹壁混合信号；
表示腹壁混合信号ui中的母体心电成分；
本发明的另一目的在于提供一种一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明以LSTM神经网络模型为技术基础研究建立了胎儿心电信号提取模型，利用遗传算法(geneticalgorithm，GA)对LSTM的关键超参数进行优化，利用遗传算法强大的全局寻优能力求得模型的最优参数组合。本发明模型以单导联母体的胸部心电信号作为神经网络的输入信号,以单导联母体腹壁混合信号作为提取目标的输出信号,采用GA优化的LSTM神经网络模型方法来检测和评算母体胸部的心电信号传输到母体腹壁的最佳信号估计；然后将母体胸部信号的最佳估计从母体腹壁的混合信号中进行分离,即可分离提取得到纯净的胎儿心电信号。实验结果表明,与目前传统的NLMS方法、SVM方法、LSTM双导联神经网络模型方法相比，本发明提出的心电信号提取模型可以获取更为清晰的胎儿心电信号。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的胎儿心电提取方法原理图。
图2是本发明实施例提供的基于遗传算法优化的LSTM神经网络胎儿心电提取方法流程图。
图3是本发明实施例提供的LSTM神经网络结构图。
图4是本发明实施例提供的4种方法的胎儿心电信号提取结果比较示意图。
图5是本发明实施例提供的胎儿心电信号提取实验结果对比(500-700点)示意图。
图6是本发明实施例提供的胎儿心电信号提取实验结果对比(2050-2500点)示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于LSTM神经网络心电提取方法、系统、设备及介质，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于遗传算法优化的LSTM神经网络胎儿心电提取方法包括：
首先，采用GA对LSTM网络的超参数作寻优处理，得出学习率、隐层神经元数和训练次数的最佳组合；
然后，利用寻优的参数组合构建的GA-LSTM模型作为母体胸部心电信号与腹壁混合信号之间的非线性变换函数；在此基础上应用非线性变换函数计算母体胸部信号的最佳估计；
最后，从母体腹壁的混合信号中进行分离，即可分离提取得到最佳的胎儿心电信号的估计。
如图2所示，本发明实施例提供的基于遗传算法优化的LSTM神经网络胎儿心电提取方法包括以下步骤：
S101，采集母体心电信号数据集，并将采集的母体心电信号数据集的部分样本作为训练数据集；
S102，利用GA优化LSTM网络超参数；GA-LSTM模型的输入信号向量和目标输出信号向量输入最优参数组合的GA-LSTM网络，并输出腹壁混合信号中的母体心电成分；
S103，利用误差信号表示将目标信号与输出信号之差；同时GA-LSTM根据均方误差最小化拟合误差，得到母体胸部心电信号经历非线性变换传输到腹壁的最优拟合函数；
S104，将心电数据输入GA-LSTM模型，利用最优拟合函数计算得到腹壁混合信号中的母体心电；并基于母体心电计算得到胎儿心电信号。
步骤S102中，本发明实施例提供的利用GA优化LSTM网络超参数包括；
(1)将LSTM网络模型中学习率、批处理大小、神经网络隐藏层单元数目作为优化对象，执行种群的初始化以及染色体编码与解码处理；
(2)计算初始种群中各个个体适应度大小；
(3)对染色体进行选择、交叉和变异处理；
(4)对染色体解码、计算种群内个体的适应度，保留适应度小的个体，淘汰适应度大的个体；
(5)判断是否符合遗传终止条件，若不符合遗传终止条件则回到步骤(3)；若符合遗传终止条件，则将GA求出的最优参数作为LSTM网络模型的最终参数。
步骤(1)中，本发明实施例提供的染色体编码包括；将LSTM网络中的隐藏层神经元数目、学习率和训练次数作为GA的初始化对象，通过实数编码形式进行染色体编码；所述隐藏层神经元的区间范围为[5，40]，所述学习率的区间范围为[0.001，0.1]，所述训练次数的区间范围为[50，500]。
步骤(3)中，本发明实施例提供的对染色体进行选择、交叉和变异处理包括：
采用tournament selection算法作为GA的选择策略在当前种群中选择适应性较好的个体作为亲本，并将遗传信息传递给子代，进行选择处理；
在交叉之前在父代中利用random.shuffle函数进行洗牌运算，当在(0,1)之间产生的随机数小于所给的交叉率大小，则进行交叉变换；
当在(0,1)之间产生的随机数小于所给的变异率大小，则进行变异处理。
本发明实施例提供的变异处理包括：
隐藏层神经元个数、学习率和训练次数变异的规则如下所示：
c.Ln＝abs(c.Ln+random.randint(-3,3))
c.lr＝abs(c.lr+random.uniform(-0.001,0.001))
c.maxe＝abs(c.maxe+random.randint(-30,30))；
其中：c.Ln为种群中隐藏层神经元个数；c.lr为种群中的学习率；c.maxe为种群中的训练次数。
步骤(4)中，本发明实施例提供的对染色体解码、计算种群内个体的适应度包括：
适应度函数如下：
其中，N表示心电数据总量，
为母亲腹壁混合信号的网络预测值，yn为母亲腹壁混合信号的真实值。
步骤S104中，本发明实施例提供的基于母体心电计算得到胎儿心电信号包括：
其中，
表示胎儿心电信号；ui表示腹壁混合信号；
表示腹壁混合信号ui中的母体心电成分；
下面结合具体实施例对本发明的技术方案作进一步说明。
实施例1：
胎儿心电提取原理
目前普遍使用置电极法采集胎儿心电信号：在时刻i，由置于孕妇胸部的电极采集孕妇胸部心电信号mi，且同时刻由置于孕妇腹壁的电极采集孕妇腹壁混合信号ui。而在孕妇腹壁心电信号ui中包含母体心电成分si、胎儿心电di和噪声zi三类信号，三类信号函数关系如式(1)所示：
ui＝si+di+zi,i＝1,2,...,n (1)
其中，母体心电成分si是在时刻i由母体胸部心电mi经非线性变换传输到孕妇腹壁所形成的信号，所以腹壁混合信号中的母体心电成分si的相位和幅度等相关参数都会发生改变，非线性变换函数关系如式(2)所示：
si＝f(mi) (2)
式(2)中，f(·)表示心电信号的非线性变换函数。假设能求得f(·)的最佳估计值
那么就能够利用mi求得si的最佳估计值
因此从腹壁混合信号ui中消除母体心电成分的最佳估计值
就得到仅含少量噪声的胎儿心电的最佳估计值
函数关系如式(3)所示：
因此对于胎儿心电信号提取，首先使用采集的胎儿心电信号数据集的部分样本作为训练数据集{(Mi，ui),i＝1，2,…,l},求得输入信号Mi和目标输出信号ui之间的非线性变换函数f(·)的最佳估计值
其中信号Mi由母体胸部心电信号mi和它的J维时间导数构成。本发明选取GA优化的LSTM神经网络对非线性变换函数f(·)来进行拟合，首先利用训练集数据构建GA-LSTM模型，然后将测试集数据输入GA-LSTM模型，最后进行胎儿心电信号的提取。
LSTM神经网络
LSTM神经网络解决了网络单元以链式方式链接的传统递归神经网络梯度消失和爆炸的问题，可有效提高学习时间。在处理有关时间序列的预测和非线性映射问题中，具备记忆能力的LSTM模型表现出较强的优势。LSTM中添加了一种叫做记忆单元(Merory Cell)的结构来记忆过去的信息,并且增加了输入门、输出门和遗忘门三种门结构来控制历史信息的传递。
设LSTM神经网络输入为(x1,x2,...,xT)，隐层状态为(h1,h2,...,hT)，网络在时刻t，各个单元和门控的计算如式(4)-(9)所示:
it＝σ(wi·[ht-1,xt]+bi) (4)
ft＝σ(wf·[ht-1,xt]+bf) (5)
ot＝σ(wo·[ht-1,xt]+bo) (8)
式(4)-(9)中:it,ft,ot分别为输入门、遗忘门和输出门的计算；其中，输入门主要用来决定保留多少当前时刻的输入信息到当前时刻的单元状态；遗忘门主要用来决定保留多少上一时刻的单元状态ct-1的信息到当前时刻单元状态ct中；输出门主要用来决定当前时刻的单元状态有多少输出。ht为网络最终输出，
为当前输入的单元状态；ct为当前时刻的单元状态；wi,wf,wc,wo分别为三个门控和单元状态的权重矩阵；bi,bf,bc,bo分别为各个门控和单元状态的偏置；σ(·)和tanh(·)为传输函数，·代表向量内积，符号
表示按元素相乘。
3.GA优化的LSTM网络模型
GA是计算机模拟达尔文生物进化论的生物科学研究算法。在GA中关于种群的遗传演化的研究发现,以染色体作为种群遗传的主要载体,并且借助多种随机操作：基因选择、交叉和基因变异等,产生和不断演化出一种新的解集种群,据个体适应度和选择函数的取值可以选择最优的种群个体,即为GA中优化问题的最优解。
本发明利用GA对LSTM网络的关键超参数进行寻优处理，采用GA强大的全局随机搜索能力，得到LSTM网络中神经元个数、学习率和训练次数的最优组合。基本思路如下：
染色体编码
将LSTM网络中的隐藏层神经元数目、学习率和训练次数作为GA的初始化对象，通过实数编码形式进行染色体编码。隐藏层神经元的区间范围为[5，40]，学习率的区间范围为[0.001，0.1]，训练次数的区间范围为[50，500]。
适应度函数
适应度函数是用来决定种群中哪些个体可以进行下一代遗传操作，根据个体适用度的不同，采用“优胜劣汰”进行个体筛选。本发明对适应度函数的定义如式(10)所示：
其中，N表示心电数据总量，
为母亲腹壁混合信号的网络预测值，yn为母亲腹壁混合信号的真实值。
选择算子、交叉算子和变异算子
选择算子是在当前种群中选择适应性较好的个体作为亲本，并将遗传信息传递给子代。在这里采用tournament selection算法作为GA的选择策略。该选择算法具有高效的算法执行率和易于实现的特点，算法复杂度远低于其他选择策略且易于并行化，在选择过程中不易陷入局部个体最优点，并且不需要对所有个体的适应度值排序。
交叉算子使用洗牌交叉算法，在交叉之前在父代中利用random.shuffle函数进行洗牌运算，然后当在(0,1)之间产生的随机数小于所给的交叉率大小，则进行交叉变换。在变异算子中，当在(0,1)之间产生的随机数小于所给的变异率大小，则进行变异操作。其中隐藏层神经元个数、学习率和训练次数变异的规则如式(11)所示：
c.Ln＝abs(c.Ln+random.randint(-3,3))
c.lr＝abs(c.lr+random.uniform(-0.001,0.001))
c.maxe＝abs(c.maxe+random.randint(-30,30)) (11)
式中：c.Ln为种群中隐藏层神经元个数；c.lr为种群中的学习率；c.maxe为种群中的训练次数。
实施例2：
本发明将GA与LSTM神经网络相融合，构建基于GA-LSTM的胎儿心电提取模型。首先采用GA对LSTM网络的超参数作寻优处理，得出学习率、隐层神经元数和训练次数的最佳组合，进一步提高模型的非线性映射能力；然后利用寻优的参数组合构建的GA-LSTM模型作为母体胸部心电信号与腹壁混合信号之间的非线性变换函数f(·)；在此基础上应用非线性变换函数f(·)求得母体胸部信号的最佳估计，最后从母体腹壁的混合信号中进行分离,即可分离提取得到最佳的胎儿心电信号的估计。模型具体操作流程如下:
Step 1：选择训练数据集。为了得到函数f(·)的最佳拟合效果，GA-LSTM模型的输入数据由母体心电mi及其J维时间导数构成，本发明取J＝2。GA-LSTM模型的输入信号用向量u表示，目标输出信号用向量M表示，如式(12)所示：
Step 2：利用GA优化LSTM网络超参数。
(2.1)将LSTM网络模型中学习率、批处理大小、神经网络隐藏层单元数目作为优化对象，执行种群的初始化以及染色体编码与解码操作。
(2.2)计算初始种群中各个个体适应度大小；
(2.3)对染色体进行选择、交叉和变异操作；
(2.4)对染色体解码、计算种群内个体的适应度，在改算法中适应度越小，越应则保留该个体，否则淘汰该个体；
(2.5)若不符合遗传终止条件则回到(2.3)步；若符合遗传终止条件，则将GA求出的最优参数作为LSTM网络模型的最终参数；
Step3:训练GA-LSTM。将u和M输入最优参数组合的GA-LSTM网络，GA-LSTM网络模型的输出为腹壁混合信号中的母体心电成分s＝f(M)。将目标信号u与输出信号s之差用误差信号e表示，即e＝u-s。GA-LSTM根据均方误差最小化拟合误差E(eTe),最终得到母体胸部心电信号经历非线性变换f(·)传输到腹壁的最优拟合函数
Step4:提取胎儿心电信号。将心电数据{(mi，ui),i＝1，2,…,N}送入GA-LSTM模型，利用最优拟合函数
计算得到腹壁混合信号ui中的母体心电成分
则胎儿心电信号
就可以利用下式计算：
表1四种心电提取模型的统计分析
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于遗传算法优化的LSTM神经网络胎儿心电提取方法，其特征在于，应用于计算机终端，所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法包括：
采用GA对LSTM网络的超参数作寻优处理，得出学习率、隐层神经元数和训练次数的最佳组合；
利用寻优的参数组合构建的GA-LSTM模型作为第一待测样本胸部心电信号与腹壁混合信号之间的非线性变换函数；在此基础上应用非线性变换函数计算所述第一待测样本胸部信号的最佳估计；
从所述腹壁的混合信号中进行分离提取得到最佳的第二待测样本心电信号的估计。
2.如权利要求1所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法，其特征在于，所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法包括以下步骤：
步骤一，采集第一待测样本心电信号数据集，并将采集的第一待测样本心电信号数据集的部分样本作为训练数据集；
步骤二，利用GA优化LSTM网络超参数；GA-LSTM模型的输入信号向量和目标输出信号向量输入最优参数组合的GA-LSTM网络，并输出腹壁混合信号中的第一待测样本心电成分；
步骤三，利用误差信号表示将目标信号与输出信号之差；同时GA-LSTM根据均方误差最小化拟合误差，得到第一待测样本胸部心电信号经历非线性变换传输到腹壁的最优拟合函数；
步骤四，将心电数据输入GA-LSTM模型，利用最优拟合函数计算得到腹壁混合信号中的第一待测样本心电；并基于第一待测样本心电计算得到第二待测样本心电信号。
3.如权利要求2所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法，其特征在于，步骤二中，所述利用GA优化LSTM网络超参数包括；
(1)将LSTM网络模型中学习率、批处理大小、神经网络隐藏层单元数目作为优化对象，执行种群的初始化以及染色体编码与解码处理；
(2)计算初始种群中各个个体适应度大小；
(3)对染色体进行选择、交叉和变异处理；
(4)对染色体解码、计算种群内个体的适应度，保留适应度小的个体，淘汰适应度大的个体；
(5)判断是否符合遗传终止条件，若不符合遗传终止条件则回到步骤(3)；若符合遗传终止条件，则将GA求出的最优参数作为LSTM网络模型的最终参数。
4.如权利要求3所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法，其特征在于，步骤(1)中，所述染色体编码包括；将LSTM网络中的隐藏层神经元数目、学习率和训练次数作为GA的初始化对象，通过实数编码形式进行染色体编码；所述隐藏层神经元的区间范围为[5，40]，所述学习率的区间范围为[0.001，0.1]，所述训练次数的区间范围为[50，500]。
5.如权利要求3所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法，其特征在于，步骤(3)中，所述对染色体进行选择、交叉和变异处理包括：
采用tournament selection算法作为GA的选择策略在当前种群中选择适应性较好的个体作为亲本，并将遗传信息传递给子代，进行选择处理；
在交叉之前在父代中利用random.shuffle函数进行洗牌运算，当在(0,1)之间产生的随机数小于所给的交叉率大小，则进行交叉变换；
当在(0,1)之间产生的随机数小于所给的变异率大小，则进行变异处理。
6.如权利要求5所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法，其特征在于，所述变异处理包括：
隐藏层神经元个数、学习率和训练次数变异的规则如下所示：
c.Ln＝abs(c.Ln+random.randint(-3,3))
c.lr＝abs(c.lr+random.uniform(-0.001,0.001))
c.maxe＝abs(c.maxe+random.randint(-30,30))；
其中：c.Ln为种群中隐藏层神经元个数；c.lr为种群中的学习率；c.maxe为种群中的训练次数。
7.如权利要求3所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法，其特征在于，步骤(4)中，所述对染色体解码、计算种群内个体的适应度包括：
适应度函数如下：
其中，N表示心电数据总量，
为母亲腹壁混合信号的网络预测值，yn为母亲腹壁混合信号的真实值。
8.如权利要求2所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法，其特征在于，步骤四中，所述基于第一待测样本心电计算得到第二待测样本心电信号包括：
其中，
表示胎儿心电信号；ui表示腹壁混合信号；
表示腹壁混合信号ui中的母体心电成分；
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-7任意一项所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法。
10.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-7任意一项所述基于遗传算法优化的LSTM神经网络胎儿心电提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011072931.4A CN112200068A (zh) | 2020-10-09 | 2020-10-09 | 基于lstm神经网络心电提取方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011072931.4A CN112200068A (zh) | 2020-10-09 | 2020-10-09 | 基于lstm神经网络心电提取方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112200068A true CN112200068A (zh) | 2021-01-08 |
Family
ID=74013911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011072931.4A Pending CN112200068A (zh) | 2020-10-09 | 2020-10-09 | 基于lstm神经网络心电提取方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200068A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112731161A (zh) * | 2021-02-08 | 2021-04-30 | 中南大学 | 基于少量数据混插的非线性数据特征提取和分类预测方法 |
| CN114399018A (zh) * | 2021-12-17 | 2022-04-26 | 西北大学 | 一种基于轮转操控策略麻雀优化的EfficientNet陶瓷碎片分类方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100185108A1 (en) * | 2007-07-20 | 2010-07-22 | Vullings Rik | Fetal monitoring |
| CN103390154A (zh) * | 2013-07-31 | 2013-11-13 | 中国人民解放军国防科学技术大学 | 基于进化多特征提取的人脸识别方法 |
| CN103610460A (zh) * | 2013-12-11 | 2014-03-05 | 哈尔滨工业大学 | 一种基于自适应flann滤波器的胎儿心电信号提取方法 |
| CN107684422A (zh) * | 2016-08-05 | 2018-02-13 | 深圳先进技术研究院 | 一种胎儿心电分离方法及装置 |
| CN109567792A (zh) * | 2018-11-19 | 2019-04-05 | 北京工业大学 | 一种单通道腹部记录胎儿心电图提取方法 |
-
2020
- 2020-10-09 CN CN202011072931.4A patent/CN112200068A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100185108A1 (en) * | 2007-07-20 | 2010-07-22 | Vullings Rik | Fetal monitoring |
| CN103390154A (zh) * | 2013-07-31 | 2013-11-13 | 中国人民解放军国防科学技术大学 | 基于进化多特征提取的人脸识别方法 |
| CN103610460A (zh) * | 2013-12-11 | 2014-03-05 | 哈尔滨工业大学 | 一种基于自适应flann滤波器的胎儿心电信号提取方法 |
| CN107684422A (zh) * | 2016-08-05 | 2018-02-13 | 深圳先进技术研究院 | 一种胎儿心电分离方法及装置 |
| CN109567792A (zh) * | 2018-11-19 | 2019-04-05 | 北京工业大学 | 一种单通道腹部记录胎儿心电图提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 蒲秀娟;曾孝平;陈悦君;余炜;韩亮;程军;: "基于径向基函数神经网络的胎儿心电提取", 重庆大学学报, no. 01, pages 111 - 115 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112731161A (zh) * | 2021-02-08 | 2021-04-30 | 中南大学 | 基于少量数据混插的非线性数据特征提取和分类预测方法 |
| CN114399018A (zh) * | 2021-12-17 | 2022-04-26 | 西北大学 | 一种基于轮转操控策略麻雀优化的EfficientNet陶瓷碎片分类方法 |
| CN114399018B (zh) * | 2021-12-17 | 2023-10-10 | 西北大学 | 一种基于轮转操控策略麻雀优化的EfficientNet陶瓷碎片分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | Prediction of fetal weight at varying gestational age in the absence of ultrasound examination using ensemble learning | |
| US11476000B2 (en) | Methods and systems using mathematical analysis and machine learning to diagnose disease | |
| CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
| Petrozziello et al. | Deep learning for continuous electronic fetal monitoring in labor | |
| CN107832737B (zh) | 基于人工智能的心电图干扰识别方法 | |
| CN107890348B (zh) | 一种基于深度学习法心电节拍特征自动化提取及分类方法 | |
| Luo et al. | A study of machine-learning classifiers for hypertension based on radial pulse wave | |
| CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
| Chen | A two-stage discrimination of cardiac arrhythmias using a total least squares-based Prony modeling algorithm | |
| CN108932452A (zh) | 基于多尺度卷积神经网络的心律失常心拍分类方法 | |
| CN109431492B (zh) | 基于神经网络算法的心电图导联数据模拟重建方法 | |
| CN112200068A (zh) | 基于lstm神经网络心电提取方法、系统、设备及介质 | |
| CN111626114A (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
| CN109948396A (zh) | 一种心拍分类方法、心拍分类装置及电子设备 | |
| Liang et al. | Passive fetal movement recognition approaches using hyperparameter tuned lightgbm model and bayesian optimization | |
| Liu | Error awareness by lower and upper bounds in ensemble learning | |
| Liang et al. | Fully automatic classification of cardiotocographic signals with 1D-CNN and bi-directional GRU | |
| Masoudi et al. | Early detection of apnea-bradycardia episodes in preterm infants based on coupled hidden Markov model | |
| Yefei et al. | Bidirectional long short-term memory-based intelligent auxiliary diagnosis of fetal health | |
| Zhou et al. | Identifying fetal status with fetal heart rate: Deep learning approach based on long convolution | |
| Wang et al. | Fetal electrocardiogram extraction algorithm in noise: using BSE | |
| CN112686091A (zh) | 基于深度神经网络的两步骤心律失常分类方法 | |
| Danese et al. | A wearable intelligent system for the health of expectant mom's and of their children | |
| Agrignan et al. | A Deep Learning Approach for Ventricular Arrhythmias Classification Using Microcontroller | |
| Jia et al. | Research and Realization of ECG Classification based on Gated Recurrent Unit |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |