基于自組織神經網絡的心電信號分類方法
【專利摘要】本發(fā)明提供一種基于自組織神經網絡的心電信號分類方法，首先讀取QRS特征向量。將QRS特征向量與所有權重向量內積，找到獲勝神經元，調整獲勝神經元臨域內權重向量，使這些權重向量偏向于輸入QRS特征向量。對所有QRS特征向量進行與權重向量的內積過程。根據數據訓練程度調整學習速率，臨域范圍，重復上述過程，直到系統(tǒng)能量穩(wěn)定。系統(tǒng)能量穩(wěn)定后停止，輸出分類結果。本發(fā)明預先不需進行大量數據訓練。初始化權重向量時，運用隨機值，不針對某種疾病，不針對特定患者，適用性強。參數設置好后，簡單易用。
【專利說明】
基于自組織神經網絡的心電信號分類方法
技術領域
[0001] 本發(fā)明涉及一種基于自組織神經網絡的心電信號分類方法，可用于正常和非正常 的心電信號分類。
【背景技術】
[0002] 目前，隨著社會進步，人們生活節(jié)奏加快，壓力驟增，加上不健康的生活習慣，心臟 疾病普遍出現。為了全面掌握心臟的健康狀態(tài)，動態(tài)心電圖使用廣泛。動態(tài)心電圖對心臟活 動進行長時間記錄，通常是24小時。長時間記錄帶來大量心電數據。人工查看心電圖數據， 效率低下，容易出錯。心電圖形自動分類技術對提高診斷效率，有效治療心臟疾病有重要意 義。
[0003] 過去的幾十年人們研究了很多QRS檢測算法，比如人工神經網絡，遺傳算法，小波 變換，非線性變換算法等。隨之而來的問題是QRS分類識別問題，對得到的QRS波形數據進行 處理分析。主要在兩個方面，心電特征提取和識別過程。這幾十年人們在特征提取和識別分 類方面做了很多的探索。這些算法有的需要預先大量的數據訓練，消耗很多時間。訓練數據 的來源也不一定會適合每一個患者。隨著計算機軟硬件技術的發(fā)展，心電數據處理算法有 了很大的改善與進步。
[0004] 自組織神經網絡是無監(jiān)督神經網絡，可以將任意維度向量分類，分類結果是一個 二維平面拓撲結構。二維平面上存在神經元。自組織神經網絡使輸入數據從多維數據空間 向二維空間映射。輸出的二維平面是輸入數據集的分類結果。自組織神經網絡方法不需要 預先的訓練數據集合，直接把要分類的心電數據輸入即可。

【發(fā)明內容】

[0005] 本發(fā)明的目的在于提供一種基于自組織神經網絡的心電信號分類方法，本發(fā)明解 決上述技術問題的技術方案如下：首先提取心電特征，將心電特征組合成一個QRS特征向 量。初始化自組織神經網絡權重向量，學習速率，溫度系數;將標準QRS特征向量輸入S0M(自 組織神經網絡)進行學習訓練，QRS特征向量與所有權重向量進行內積，找到獲勝神經元;訓 練過程中根據勝者為王策略對權重向量進行調整，調整權重向量的方向，使權重向量的方 向偏向于輸入QRS特征向量;將所有的QRS特征向量進行上述過程之后，根據學習程度的進 行對學習速率和臨域的范圍進行調整;計算系統(tǒng)能量;系統(tǒng)能量穩(wěn)定后，過程停止。
[0006] -種基于自組織神經網絡的心電信號分類方法，包括下述步驟：
[0007] 步驟1，首先提取心電特征，將心電特征組合成一個QRS特征向量，讀取QRS特征向 量;QRS是指正常心電圖中幅度最大的波形；
[0008] 初始化自組織神經網絡權重向量，學習速率，溫度系數；
[0009 ] 步驟2，將QRS特征向量輸入自組織神經網絡進行學習訓練，QRS特征向量與所有權 重向量內積，找到內積最大值即獲勝神經元；
[0010]步驟3、調整獲勝神經元臨域內權重向量，使這些權重向量偏向于輸入QRS特征向 量；
[0011] 步驟4、對所有QRS特征向量進行步驟2及步驟3的過程；
[0012]步驟5、調整學習速率，溫度系數，重復步驟4,直到系統(tǒng)能量穩(wěn)定；
[0013]步驟6、停止，輸出分類結果。
[0014]進一步地，QRS特征向量采用RR間隔(QRS波峰間的時間差），R波峰值，Q波峰值，S波 峰值，這四個值組成QRS特征向量。
[0015] 進一步地，自組織神經網絡使用9個神經元，對應9個權重向量。
[0016] 進一步地，步驟(3)中通過臨域函數調整權重向量。
[0017] 進一步地，步驟(5)中，學習速率與溫度系數要隨著數據訓練過程而變小。
[0018]進一步地，權重向量每個元素的初始值是在[-0.01，0.01]之間的隨機值。
[0019] 本發(fā)明的優(yōu)點在于:本發(fā)明是一種運用無監(jiān)督神經網絡的分類方法，預先不需進 行大量數據訓練。初始化權重向量時，運用隨機值，不針對某種疾病，不針對特定患者，適用 性強。參數設置好后，簡單易用。
【附圖說明】
[0020] 圖1為本發(fā)明方法流程圖。
[0021] 圖2為本發(fā)明自組織神經網絡示意圖。
【具體實施方式】
[0022]下面結合具體附圖和實施例對本發(fā)明作進一步說明。
[0023] 圖1是方法的流程圖：主要流程步驟解釋如下：
[0024] 步驟1、讀取QRS特征向量，為舉例說明，這里選用四維特征向量[ci，C2，C3，C4]。神 經元輸出空間選用4個神經元，4個神經元的權重向量每一個元素取值在[-0.01，0.01 ]之間 隨機初始化；
[0025]步驟2、QRS特征向量與4個權重向量分別內積，找到內積最大值，也即獲勝神經元； [0026]步驟3、調整獲勝神經元臨域內權重向量，使這些權重向量偏向于輸入QRS特征向 量，調整規(guī)則（即通過臨域函數調整權重向量)如下：
[0029] Σ jVij = l
[0030] k: QRS向量維度；
[0031] m代表權重向量序數；
[0032] η代表學習速率；
[0033] r表示神經元之間的距離；
[0034] C0mk權重向量；Δ ω*權重向量的改變量；
[0035] Ik表示QRS特征向量；
[0036] Vi*j，V表示波特神經元；
[0037] i表示神經元輸出空間一個點，加上*號表示特定的一個點；
[0038] j表示神經元輸出空間中另一個點；
[0039] T溫度系數，To為T初始值；
[0040] t代表迭代次數；
[0041 ] c = 0.95,常數；
[0042] 步驟4、對所有QRS特征向量進行步驟2及步驟3的過程；
[0043]步驟5、在經過一次步驟4后，調整學習速率，溫度系數如下：
[0044] Tt+1 = cTt，t代表迭代次數，c = 0.95;初始T值為：
[0046] d代表神經元輸出空間的斜對角線距離；
[0047] T=max(Tt-ic，Tmin)，Tmin = 2/ln(2)
[0048] 學習速率：
[0049] nt+i = knt,n〇=l ,k = 0.95
[0050] 系統(tǒng)能量定義如下：
[0052] 即權重向量和QRS特征向量距離平方和；
[0053] 步驟6、停止，輸出分類結果，判斷系統(tǒng)能量穩(wěn)定的條件是兩次能量變化小于設定 閾值比如0.01。
[0054] 上述實例不構成保護范圍的限定，對于本發(fā)明思想方法的修改與改進，都應屬于 本發(fā)明要求的保護范圍。
【主權項】
1. 一種基于自組織神經網絡的心電信號分類方法，其特征在于，包括下述步驟： 步驟1，首先提取心電特征，將心電特征組合成一個QRS特征向量，讀取QRS特征向量； 初始化自組織神經網絡權重向量，學習速率，溫度系數； 步驟2，將QRS特征向量輸入自組織神經網絡進行學習訓練，QRS特征向量與所有權重向 量內積，找到內積最大值即獲勝神經元； 步驟3、調整獲勝神經元臨域內權重向量，使這些權重向量偏向于輸入QRS特征向量； 步驟4、對所有QRS特征向量進行步驟2及步驟3的過程； 步驟5、調整學習速率，溫度系數，重復步驟4,直到系統(tǒng)能量穩(wěn)定； 步驟6、停止，輸出分類結果。2. 如權利要求1所述的基于自組織神經網絡的心電信號分類方法，其特征在于： QRS特征向量采用RR間隔，R波峰值，Q波峰值，S波峰值，這四個值組成QRS特征向量。3. 如權利要求1所述的基于自組織神經網絡的心電信號分類方法，其特征在于： 自組織神經網絡使用9個神經元，對應9個權重向量。4. 如權利要求1所述的基于自組織神經網絡的心電信號分類方法，其特征在于： 步驟(3)中通過臨域函數調整權重向量。5. 如權利要求1所述的基于自組織神經網絡的心電信號分類方法，其特征在于： 步驟(5)中，學習速率與溫度系數要隨著數據訓練過程而變小。6. 如權利要求1所述的基于自組織神經網絡的心電信號分類方法，其特征在于： 權重向量每個元素的初始值是在[-O. 〇 1，〇. 〇 1 ]之間的隨機值。
【文檔編號】A61B5/0472GK105902266SQ201610256973
【公開日】2016年8月31日
【申請日】2016年4月22日
【發(fā)明人】孫括, 徐靜波, 胡冰
【申請人】江蘇物聯網研究發(fā)展中心