專利名稱：基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種心電圖智能檢測(cè)法。特別是涉及一種有效解決數(shù)字濾波方法清除頻譜混迭干擾的難題，提高了心電圖正確檢測(cè)率的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法。

背景技術(shù)：
近年來心血管疾病是影響人類身體健康的第一殺手，心血管疾病在我國已成為一種多發(fā)病、常見病。根據(jù)衛(wèi)生部公布的調(diào)查數(shù)字顯示，我國近幾年的心臟病患病率很高且呈逐年遞增趨勢(shì)，已經(jīng)超過了3％以上，且冠心病、心肌梗死的發(fā)病年齡趨于年輕化，三十歲左右發(fā)生心肌梗死和腦卒的已屢見不鮮。因此，醫(yī)學(xué)界公認(rèn)心血管疾病是對(duì)人類危害最大的疾病。
為了及早發(fā)現(xiàn)及治療心臟病，心電圖(Electrocardiogram，ECG)的準(zhǔn)確分析和診斷對(duì)于心血管疾病起著關(guān)鍵的作用，為此國內(nèi)外學(xué)者做了大量研究工作。然而，目前心電圖自動(dòng)診斷還未廣泛應(yīng)用于臨床，其主要原因是心電波形的識(shí)別不準(zhǔn)，誤診率較高，因此需探索新的檢測(cè)方法，以改進(jìn)心電圖自動(dòng)診斷效果，擴(kuò)大其應(yīng)用范圍。
人工神經(jīng)網(wǎng)絡(luò)(Artifical Neural Network，ANN)是由大量簡單的處理單元(神經(jīng)元)相互連接而構(gòu)成的網(wǎng)絡(luò)系統(tǒng)，是一個(gè)高度復(fù)雜的非線性動(dòng)力學(xué)系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)及魯棒性強(qiáng)的特點(diǎn)，近年來在信號(hào)檢測(cè)研究中得到廣泛地關(guān)注。


發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是，提供一種有效解決數(shù)字濾波方法清除頻譜混迭干擾的難題，用于心電圖醫(yī)療儀器在心血管疾病方面的檢查和診斷，提高了心電圖正確檢測(cè)率的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法。
本發(fā)明所采用的技術(shù)方案是一種基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法，包括有以下步驟(1)將心電信號(hào)送入自適應(yīng)工頻干擾抑制模塊，進(jìn)行工頻干擾抑制；(2)將步驟1輸出的兩路心電信號(hào)送入盲基漂干擾抑制模塊，去除呼吸基漂干擾；(3)將步驟2輸出的心電信號(hào)送入量子簡單遞歸神經(jīng)網(wǎng)絡(luò)，進(jìn)行心電圖智能檢測(cè)輸出。
所述的自適應(yīng)工頻干擾抑制模塊，是由兩組相同的自適應(yīng)工頻干擾抑制單元組成，同時(shí)對(duì)兩路采集的心電信號(hào)分別進(jìn)行工頻干擾抑制。
所述的自適應(yīng)工頻干擾抑制單元，是采用基于QR分解最小二乘算法自適應(yīng)陷波技術(shù)的心電圖工頻干擾抑制法，利用了自適應(yīng)濾波器自動(dòng)跟蹤干擾的能力，自動(dòng)抑制工頻干擾。
所述的QR分解最小二乘算法，是直接針對(duì)輸入數(shù)據(jù)矩陣進(jìn)行遞推，可用脈動(dòng)陣處理結(jié)構(gòu)高效地實(shí)現(xiàn)。
所述的盲基漂干擾抑制模塊，是利用心電信號(hào)和基漂信號(hào)由不同源產(chǎn)生，具有統(tǒng)計(jì)獨(dú)立的原則，通過基于負(fù)熵極大Fast ICA技術(shù)分解為若干獨(dú)立成份，從而實(shí)現(xiàn)心電信號(hào)的呼吸基漂干擾抑制。
所述的基于負(fù)熵極大Fast ICA技術(shù)，其中，F(xiàn)ast ICA為盲源分離的一種算法，將觀測(cè)信號(hào)根據(jù)統(tǒng)計(jì)獨(dú)立的原則通過牛頓迭代優(yōu)化算法分解為若干獨(dú)立成份，從而實(shí)現(xiàn)心電信號(hào)的干擾抑制。
所述的量子簡單遞歸神經(jīng)網(wǎng)絡(luò)，是將簡單遞歸反饋網(wǎng)絡(luò)，引入多量子能級(jí)傳遞函數(shù)，使產(chǎn)生的量子躍遷神經(jīng)網(wǎng)絡(luò)具備映射動(dòng)態(tài)特征的功能和泛化能力，實(shí)現(xiàn)心電圖智能檢測(cè)。
所述的簡單遞歸神經(jīng)網(wǎng)絡(luò)由45個(gè)神經(jīng)元組成的輸入層、91個(gè)神經(jīng)元組成的隱含層、2個(gè)神經(jīng)元組成的輸出層和一個(gè)用來記憶隱含層前一時(shí)刻輸出值的承接層組成，承接層選取的神經(jīng)元數(shù)同隱含層，具有動(dòng)態(tài)記憶功能和適應(yīng)時(shí)變特性的能力。
所述的多量子能級(jí)傳遞函數(shù)是一系列具有量子間隔偏移的Sigmoid型函數(shù)之和。
本發(fā)明的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)(又稱量子Elman神經(jīng)網(wǎng)絡(luò))心電圖智能檢測(cè)法，引入多量子能級(jí)傳遞函數(shù)，使產(chǎn)生的量子躍遷神經(jīng)網(wǎng)絡(luò)具備映射動(dòng)態(tài)特征的功能和泛化能力，不僅給出了基于量子Elman神經(jīng)網(wǎng)絡(luò)檢測(cè)方法，實(shí)現(xiàn)心電圖智能檢測(cè)，而且給出了心電信號(hào)工頻干擾和基漂干擾預(yù)處理方法，去除落到心電信號(hào)有效頻帶(0.05～100Hz)內(nèi)的工頻和呼吸基漂干擾，有效解決數(shù)字濾波方法清除頻譜混迭干擾的難題，提高了心電圖正確檢測(cè)率。



圖1是本發(fā)明的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法的流程圖； 圖2是自適應(yīng)工頻干擾抑制單元的結(jié)構(gòu)示意圖； 圖3是盲基漂干擾抑制模塊的示意圖； 圖4是量子躍遷式S型傳遞函數(shù)的示意圖； 圖5是基于量子Elman心電圖檢測(cè)網(wǎng)絡(luò)的示意圖； 圖6是心電信號(hào)工頻干擾抑制效果圖； 圖7是心電信號(hào)基漂干擾抑制效果圖。

具體實(shí)施例方式 下面結(jié)合實(shí)施例和附圖對(duì)本發(fā)明的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法做出詳細(xì)說明。
本發(fā)明的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)(又稱量子Elman神經(jīng)網(wǎng)絡(luò))心電圖智能檢測(cè)法，充分考慮了影響心電信號(hào)檢測(cè)率的工頻和呼吸基漂干擾因素，對(duì)其進(jìn)行了預(yù)處理。工頻干擾是由醫(yī)療儀器設(shè)備電源產(chǎn)生，在我國為50Hz正弦交流信號(hào)，對(duì)此本發(fā)明采用自適應(yīng)對(duì)消技術(shù)構(gòu)成的單頻自適應(yīng)陷波器濾除這種干擾。而呼吸基漂干擾是心電信號(hào)在采集過程因人呼吸產(chǎn)生的干擾，其工作頻率落到了心電信號(hào)有效頻帶(0.05～100Hz)內(nèi)，與心電信號(hào)存在頻譜混迭現(xiàn)象，很難用數(shù)字濾波方法有效地清除，但心電信號(hào)與呼吸基漂干擾信號(hào)是由不同的源產(chǎn)生，存在統(tǒng)計(jì)獨(dú)立性。為此，本發(fā)明采用基于負(fù)熵極大Fast ICA技術(shù)抑制這種干擾信號(hào)，將觀測(cè)信號(hào)根據(jù)統(tǒng)計(jì)獨(dú)立的原則通過優(yōu)化算法分解為若干獨(dú)立成份，從而實(shí)現(xiàn)心電信號(hào)的干擾抑制。對(duì)于預(yù)處理過的心電信號(hào)利用量子Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行智能檢測(cè)和識(shí)別，將醫(yī)生從繁重的手工勞動(dòng)中解脫出來，提高工作效率。
如圖1所示，本發(fā)明的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)(又稱量子Elman神經(jīng)網(wǎng)絡(luò))心電圖智能檢測(cè)法，包括有以下步驟 (1)將采集的心電信號(hào)送入自適應(yīng)工頻干擾抑制模塊，進(jìn)行工頻干擾抑制。
所述的自適應(yīng)工頻干擾抑制模塊，是由兩組相同的自適應(yīng)工頻干擾抑制單元組成，同時(shí)對(duì)兩路采集的心電信號(hào)分別進(jìn)行工頻干擾抑制。所述的自適應(yīng)工頻干擾抑制單元，是采用基于QR分解最小二乘算法自適應(yīng)陷波技術(shù)的心電圖工頻干擾抑制法，利用了自適應(yīng)濾波器自動(dòng)跟蹤干擾的能力，自動(dòng)抑制工頻干擾。所述的QR分解最小二乘算法，是直接針對(duì)輸入數(shù)據(jù)矩陣進(jìn)行遞推，而不是針對(duì)輸入數(shù)據(jù)的相關(guān)矩陣進(jìn)行遞推，可用脈動(dòng)陣(Systolic Array)處理結(jié)構(gòu)高效地實(shí)現(xiàn)。
圖2給出了自適應(yīng)工頻干擾抑制單元結(jié)構(gòu)示意圖，由單頻自適應(yīng)陷波器構(gòu)成。采用基于數(shù)據(jù)域處理的QRD-LS算法進(jìn)行權(quán)值的訓(xùn)練和更新，以提高自適應(yīng)陷波器性能，更好濾除心電信號(hào)的工頻干擾，避免了傳統(tǒng)的自適應(yīng)陷波器采用最小均方(Least MeanSquare，LMS)算法一些弊端，如對(duì)初值的選取太敏感等問題。
圖2中ECG為原始心電信號(hào)，X為限波輸出，Y為工頻干擾，Z是自適應(yīng)算法，原始心電信號(hào)為數(shù)據(jù)采集的ECG信號(hào)，參考信號(hào)是和干擾相關(guān)的正弦波，經(jīng)相移后形成兩路正交信號(hào)，目的是獲得兩個(gè)加權(quán)，從而使組合后的正弦波振幅和相角都和原始輸入中干擾分量的振幅、相角相同，達(dá)到工頻干擾抑制目的。
對(duì)于圖2可令第n次快拍工頻干擾輸入為 x(n)＝[x1(n)，x2(n)]T (1) 且經(jīng)n次快拍權(quán)矢量調(diào)整為 w＝[w1(n)，w2(n)]T (2) 則第n次快拍輔助通道輸出和陷波器最終輸出分別為 y(n)＝wTx(n)＝xT(n)w (3) e(n)＝d(n)-y(n)(4) 其中，d(n)為被工頻干擾污染的原始心電信號(hào)。
一般權(quán)值采用基于最小均方(LMS)誤差準(zhǔn)則算法進(jìn)行更新，這就勢(shì)必受到LMS算法的限制及制約，當(dāng)Rxx的特征值分布分散時(shí)，LMS算法收斂性很差，收斂速度將很慢，且對(duì)初值的選取也太敏感。為此，本發(fā)明采用基于數(shù)據(jù)域處理的QR分解最小二乘算法進(jìn)行權(quán)值的訓(xùn)練和更新，以提高自適應(yīng)陷波器性能，更好抑制心電信號(hào)中工頻干擾。
QRD-LS算法為QR分解最小二乘算法的英文簡稱，它不是針對(duì)輸入數(shù)據(jù)的相關(guān)矩陣進(jìn)行遞推，而是直接針對(duì)輸入數(shù)據(jù)矩陣進(jìn)行遞推，有很好的數(shù)據(jù)穩(wěn)定性，而且可以用Systolic處理結(jié)構(gòu)高效地實(shí)現(xiàn)，因此本發(fā)明利用QRD-LS算法進(jìn)行自適應(yīng)陷波器權(quán)值調(diào)整，提高工頻干擾濾除性能和系統(tǒng)可實(shí)現(xiàn)性。
該算法的代價(jià)函數(shù)為 式中，

0<β<1，e(n)為經(jīng)工頻干擾抑制后的心電信號(hào)輸出。
為求最佳權(quán)值wopt使ξ(n)最小，可通過QR分解最小二乘法求出。所謂數(shù)據(jù)域求解最佳權(quán)就是通過遞推式QR分解算法使B(n)e(n)變?yōu)樯先顷?，簡化矩陣運(yùn)算，求解最佳權(quán)值wopt，使ξ(n)最小化。具體過程如下 設(shè)Q(n)為n×n酉陣，則由式(5)可得 (6) 若Q(n)可使B(n)X(n)變?yōu)樯先顷?，? 因本發(fā)明輔助通道輸入為兩路正交信號(hào)，所以式中R(n)為2×2上三角陣，0為(n-2)×2零矩陣。對(duì)于酉陣Q(n)可通過遞推式QR分解算法獲得，這個(gè)算法是通過一系列Givens旋轉(zhuǎn)變換來實(shí)現(xiàn)，Givens旋轉(zhuǎn)特別適于自適應(yīng)陣列應(yīng)用，因?yàn)樗捎眠f推式有效地實(shí)現(xiàn)矩陣三角化。遞推公式如下 Q(n)＝G(n)Q(n-1) (8) 上式中G(n)＝GM(n)…G2(n)G1(n)，其中GM(n)為第M次Givens旋轉(zhuǎn)矩陣。而其中0n-1為n-1維零矢量。
由式(7)可得 而將Q(n)B(n)d(n)一維矢量結(jié)果分塊為 式中u(n)為2×1維矢量，v(n)為(n-2)×1維矢量。
由式(8)、(9)得 再由式(6)可知，當(dāng)u(n)-R(n)w＝0時(shí)，ξ(n)最小。因而基于數(shù)據(jù)域的QRD-LS算法求解wopt的公式為 R(n)wopt＝u(n) (12) 那么經(jīng)工頻干擾抑制后的心電信號(hào)輸出為 e(n)＝d(n)-xT(n)wopt (13) (2)將步驟1輸出的兩路心電信號(hào)送入盲基漂干擾抑制模塊，去除呼吸基漂干擾； 所述的盲基漂干擾抑制模塊，是利用心電信號(hào)和基漂信號(hào)由不同源產(chǎn)生，具有統(tǒng)計(jì)獨(dú)立的原則，通過基于負(fù)熵極大Fast ICA技術(shù)分解為若干獨(dú)立成份，從而實(shí)現(xiàn)心電信號(hào)的呼吸基漂干擾抑制。所述的基于負(fù)熵極大Fast ICA技術(shù)，其中，F(xiàn)ast ICA為盲源分離的一種算法，將觀測(cè)信號(hào)根據(jù)統(tǒng)計(jì)獨(dú)立的原則通過牛頓迭代優(yōu)化算法分解為若干獨(dú)立成份，從而實(shí)現(xiàn)心電信號(hào)的干擾抑制。
圖3給出FastICA線性組合模型下的最簡單框圖說明，有n個(gè)混合信號(hào)xi(k)(i＝1，2，…，n)，均為相互統(tǒng)計(jì)獨(dú)立、零均值的未知源信號(hào)sj(k)(j＝1，2，…，m)的線性組合，則可用下式表示 X＝AS (14) 其中，X＝[x1，x2，…，xn]T，S＝[s1，s2，…，sm]T，m≤n。
FastICA算法的目的就是在混合矩陣A和源信號(hào)S未知的情況下，僅利用源信號(hào)的統(tǒng)計(jì)特性，從尋優(yōu)的角度出發(fā)，尋找適當(dāng)?shù)哪繕?biāo)函數(shù)通過一定的優(yōu)化算法求出解混矩陣W的最優(yōu)解。
在本實(shí)施例中，因負(fù)熵作為高斯性度量效果優(yōu)于累積量，因此這里選擇負(fù)熵作為算法優(yōu)化的目標(biāo)函數(shù)，其目標(biāo)函數(shù)選為 J(yi)∝{E[G(yi)]-E[G(v)]}2 (15) 式中，yi＝wiTe(yi是其中一個(gè)獨(dú)立分量，wi是分離矩陣w中第i行，e為兩路經(jīng)步驟1處理后輸出的心電數(shù)據(jù))，v是標(biāo)準(zhǔn)高斯隨機(jī)變量(零均值和單位方差)。函數(shù)G(·)是非二次函數(shù)，這里選為其中a∈[1，2]。
為了改善了基于剃度Fast ICA算法的收斂速度和穩(wěn)健性，本實(shí)施例采用牛頓迭代算法優(yōu)化目標(biāo)函數(shù)，具體過程如下 ①將本實(shí)施例中步驟1輸出的心電數(shù)據(jù)e去均值，然后加以球化得z。
②任意選擇wi的初值wi(0)，要求‖wi(0)‖2＝1。
③采用牛頓迭代算法優(yōu)化目標(biāo)函數(shù)，得到權(quán)值更新公式為 其中g(shù)(·)是G(·)得導(dǎo)數(shù)。
④歸一化處理如未收斂，回到步驟③。
(3)將步驟2輸出的心電信號(hào)送入量子簡單遞歸神經(jīng)網(wǎng)絡(luò)(量子Elman神經(jīng)網(wǎng)絡(luò))，進(jìn)行心電圖智能檢測(cè)輸出。
所述的量子簡單遞歸(Elman)神經(jīng)網(wǎng)絡(luò)，是Elman于1990年提出的，是將簡單遞歸(Elman)反饋網(wǎng)絡(luò)，引入多量子能級(jí)傳遞函數(shù)，使產(chǎn)生的量子躍遷神經(jīng)網(wǎng)絡(luò)具備映射動(dòng)態(tài)特征的功能和泛化能力，實(shí)現(xiàn)心電圖智能檢測(cè)。該網(wǎng)絡(luò)一般由輸入層、隱含層、輸出層和一個(gè)用來記憶隱含層前一時(shí)刻輸出值的承接層組成，具有動(dòng)態(tài)記憶功能，從而使網(wǎng)絡(luò)具有適應(yīng)時(shí)變特性的能力。所述的Elman神經(jīng)網(wǎng)絡(luò)一般由45個(gè)神經(jīng)元組成的輸入層、91個(gè)神經(jīng)元組成的隱含層、2個(gè)神經(jīng)元組成的輸出層和一個(gè)用來記憶隱含層前一時(shí)刻輸出值的承接層組成，承接層選取的神經(jīng)元數(shù)同隱含層，具有動(dòng)態(tài)記憶功能和適應(yīng)時(shí)變特性的能力。本發(fā)明為了進(jìn)一步提高其心電圖檢測(cè)能力，這里采用多量子能級(jí)變換函數(shù)，所述的多量子能級(jí)傳遞函數(shù)是一系列具有量子間隔偏移的Sigmoid型函數(shù)(S型函數(shù))之和，如圖4所示。
量子躍遷式S型傳遞函數(shù)為 其中，sig(x)＝1/(1+exp(-x))，θr為閾值，ns為量子躍遷數(shù)。
可見，量子式傳遞函數(shù)為經(jīng)典S型函數(shù)的量子躍遷疊加，使其根據(jù)數(shù)據(jù)能量分布的變化做出適當(dāng)?shù)恼{(diào)整，從而達(dá)到更好的聚類作用，提高智能檢測(cè)率，因此本發(fā)明把這種網(wǎng)絡(luò)叫做量子Elman神經(jīng)網(wǎng)絡(luò)。
在圖5中，s為輸出層，h為隱含層，r為輸入層，j為承接層，Xk＝(x1，x2，…，xn)為量子Elman網(wǎng)絡(luò)輸入向量，就是步驟2輸出的心電數(shù)據(jù)，Tk＝(y1，y2，…，yq)為網(wǎng)絡(luò)目標(biāo)向量；而圖中隱含層輸出向量設(shè)為Bk＝(b1，b2，…，bp)，網(wǎng)絡(luò)實(shí)際輸出向量為Ck＝(c1，c2，…，cq)；隱含層與輸出層的連接權(quán)設(shè)為w3jt，j＝1，2，…，p，t＝1，2，…，q；輸入層與隱含層的連接權(quán)設(shè)為w2ij，i＝1，2，…，n，j＝1，2，…，p；承接層與隱含層的連接權(quán)設(shè)為w1ij，i＝1，2，…，n，j＝1，2，…，p；隱含層各單元的輸出閾值θj，j＝1，2，…，p，輸出層各單元的輸出閾值γt，t＝1，2，…，q。
采用誤差平方和做為學(xué)習(xí)目標(biāo)函數(shù)，由梯度下降法，結(jié)合量子躍遷式S型傳遞函數(shù)，可得量子Elman網(wǎng)絡(luò)學(xué)習(xí)規(guī)則如下 ①初始化權(quán)值w3ij、w2jt、w1ij，閾值θj、γt，賦予區(qū)間(-1，1)內(nèi)隨機(jī)數(shù)； ②給網(wǎng)絡(luò)選取輸入樣本Xk，設(shè)定其目標(biāo)向量Yk； ③利用量子式S型傳遞函數(shù)，計(jì)算第k次網(wǎng)絡(luò)訓(xùn)練隱含層各單元的輸出為 其中，b′k＝bk-1。
其中f(·)為式(15)給出的量子躍遷式S型傳遞函數(shù)。
④同步驟③法，計(jì)算輸出層各單元的實(shí)際輸出為 式中f(·)仍選為量子躍遷式S型傳遞函數(shù)。
⑤采用學(xué)習(xí)目標(biāo)函數(shù)利用梯度下降法計(jì)算出輸出層的各單元一般誤差

隱含層各單元一般誤差

和承接層各單元一般誤差

分別為 ⑥量子Elman網(wǎng)絡(luò)權(quán)值的更新及調(diào)整，公式如下 式中，η3、η2、η1為步長，ξ為動(dòng)量因子。
(7)隱含層和輸出層的量子能級(jí)躍遷調(diào)整分別為 式中， 而 其中，ηθ、ηγ為步長因子，ns為量子能級(jí)躍遷數(shù)，βθ、βγ為量子能級(jí)躍遷的斜率因子，m0為隱層節(jié)點(diǎn)數(shù)，n0為輸出層節(jié)點(diǎn)數(shù)。而上式中

為隱層輸出均值，

為輸出層輸出均值。
由于在網(wǎng)絡(luò)設(shè)計(jì)中引入量子能量躍遷的概念，從而使網(wǎng)絡(luò)具有更好的模糊聚類功能，使輸出“躍變”跳出特征空間不確定區(qū)域而“坍縮”到確定區(qū)域，提高心電信號(hào)正確檢測(cè)率。
圖6是一路心電信號(hào)工頻干擾抑制效果圖。本實(shí)施例采用的實(shí)驗(yàn)數(shù)據(jù)選自美國MIT-BIH數(shù)據(jù)庫中的心電信號(hào)100，這是一個(gè)免費(fèi)開放的數(shù)據(jù)庫，可從http://www.physionet.org/physiobank/database/html/mitdbdir/mitdbdir.htm網(wǎng)址下載，采樣頻率為360Hz，在本實(shí)施例中，為了符合我國心電信號(hào)采樣的實(shí)際情況，降采樣率為200Hz，如圖6(a)所示。圖6(b)為疊加50Hz工頻干擾心電信號(hào)；圖6(c)為基于LMS算法的干擾抑制輸出圖，其初始權(quán)值隨機(jī)設(shè)定；圖6(d)為基于QRD-LS算法的干擾抑制輸出圖。
圖7是心電信號(hào)基漂干擾抑制效果圖。在本實(shí)施例中，利用MATLAB6.5隨機(jī)產(chǎn)生一個(gè)2×2的矩陣，將原始心電信號(hào)和呼吸基漂信號(hào)進(jìn)行線性混合，如圖7(a)所示。圖7(b)為采用FastICA技術(shù)的分離圖，一個(gè)基漂干擾輸出信號(hào)，一個(gè)ECG信號(hào)輸出。
表1是基于量子Elman網(wǎng)絡(luò)心電圖智能檢測(cè)結(jié)果表，實(shí)驗(yàn)數(shù)據(jù)選自美國MIT-BIH數(shù)據(jù)庫，本實(shí)施例選出幾個(gè)典型的心電信號(hào)進(jìn)行處理，它們分別為100、118、200、207、214及219，包括了正常、右束支阻滯(RBBB)、VPC、左束支阻滯(LBBB)等典型病例。采樣頻率為360Hz，這里降采樣率為200Hz。在本實(shí)施例中，結(jié)合心電信號(hào)的周期特點(diǎn)，選取量子Elman神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元數(shù)為45個(gè)，隱含層選取91個(gè)神經(jīng)元，承接層選取同隱含層神經(jīng)元數(shù)，而輸出層選取2個(gè)神經(jīng)元，當(dāng)檢測(cè)為正常心電信號(hào)時(shí)網(wǎng)絡(luò)輸出為
，否則輸出為[10]，量子躍遷數(shù)選為5級(jí)。為了進(jìn)一步測(cè)試量子Elman網(wǎng)絡(luò)性能，這里采用相同結(jié)構(gòu)的BP網(wǎng)絡(luò)分別對(duì)選取的心電信號(hào)進(jìn)行檢測(cè)，網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)為20，訓(xùn)練次數(shù)50，訓(xùn)練目標(biāo)0.001，測(cè)試樣本數(shù)則為90，檢測(cè)率的對(duì)比表如表1。
表權(quán)利要求
1.一種基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法，其特征在于，包括有以下步驟
(1)將心電信號(hào)送入自適應(yīng)工頻干擾抑制模塊，進(jìn)行工頻干擾抑制；
(2)將步驟1輸出的兩路心電信號(hào)送入盲基漂干擾抑制模塊，去除呼吸基漂干擾；
(3)將步驟2輸出的心電信號(hào)送入量子簡單遞歸神經(jīng)網(wǎng)絡(luò)，進(jìn)行心電圖智能檢測(cè)輸出。
2.根據(jù)權(quán)利要求1所述的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法，其特征在于，所述的自適應(yīng)工頻干擾抑制模塊，是由兩組相同的自適應(yīng)工頻干擾抑制單元組成，同時(shí)對(duì)兩路采集的心電信號(hào)分別進(jìn)行工頻干擾抑制。
3.根據(jù)權(quán)利要求2所述的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法，其特征在于，所述的自適應(yīng)工頻干擾抑制單元，是采用基于QR分解最小二乘算法自適應(yīng)陷波技術(shù)的心電圖工頻干擾抑制法，利用了自適應(yīng)濾波器自動(dòng)跟蹤干擾的能力，自動(dòng)抑制工頻干擾。
4.根據(jù)權(quán)利要求3所述的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法，其特征在于，所述的QR分解最小二乘算法，是直接針對(duì)輸入數(shù)據(jù)矩陣進(jìn)行遞推，可用脈動(dòng)陣處理結(jié)構(gòu)高效地實(shí)現(xiàn)。
5.根據(jù)權(quán)利要求1所述的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法，其特征在于，所述的盲基漂干擾抑制模塊，是利用心電信號(hào)和基漂信號(hào)由不同源產(chǎn)生，具有統(tǒng)計(jì)獨(dú)立的原則，通過基于負(fù)熵極大Fast ICA技術(shù)分解為若干獨(dú)立成份，從而實(shí)現(xiàn)心電信號(hào)的呼吸基漂干擾抑制。
6.根據(jù)權(quán)利要求5所述的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法，其特征在于，所述的基于負(fù)熵極大Fast ICA技術(shù)，其中，F(xiàn)ast ICA為盲源分離的一種算法，將觀測(cè)信號(hào)根據(jù)統(tǒng)計(jì)獨(dú)立的原則通過牛頓迭代優(yōu)化算法分解為若干獨(dú)立成份，從而實(shí)現(xiàn)心電信號(hào)的干擾抑制。
7.根據(jù)權(quán)利要求1所述的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法，其特征在于，所述的量子簡單遞歸神經(jīng)網(wǎng)絡(luò)，是將簡單遞歸反饋網(wǎng)絡(luò)，引入多量子能級(jí)傳遞函數(shù)，使產(chǎn)生的量子躍遷神經(jīng)網(wǎng)絡(luò)具備映射動(dòng)態(tài)特征的功能和泛化能力，實(shí)現(xiàn)心電圖智能檢測(cè)。
8.根據(jù)權(quán)利要求7所述的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法，其特征在于，所述的簡單遞歸神經(jīng)網(wǎng)絡(luò)由45個(gè)神經(jīng)元組成的輸入層、91個(gè)神經(jīng)元組成的隱含層、2個(gè)神經(jīng)元組成的輸出層和一個(gè)用來記憶隱含層前一時(shí)刻輸出值的承接層組成，承接層選取的神經(jīng)元數(shù)同隱含層，具有動(dòng)態(tài)記憶功能和適應(yīng)時(shí)變特性的能力。
9.根據(jù)權(quán)利要求7所述的基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法，其特征在于，所述的多量子能級(jí)傳遞函數(shù)是一系列具有量子間隔偏移的Sigmoid型函數(shù)之和。
全文摘要
一種基于量子簡單遞歸神經(jīng)網(wǎng)絡(luò)心電圖智能檢測(cè)法，包括有以下步驟將心電信號(hào)送入自適應(yīng)工頻干擾抑制模塊，進(jìn)行工頻干擾抑制；將上一步驟輸出的兩路心電信號(hào)送入盲基漂干擾抑制模塊，去除呼吸基漂干擾；將上一步驟輸出的心電信號(hào)送入量子簡單遞歸神經(jīng)網(wǎng)絡(luò)，進(jìn)行心電圖智能檢測(cè)輸出。自適應(yīng)工頻干擾抑制模塊，是由兩組相同的自適應(yīng)工頻干擾抑制單元組成，同時(shí)對(duì)兩路采集的心電信號(hào)分別進(jìn)行工頻干擾抑制。自適應(yīng)工頻干擾抑制單元，是采用基于QR分解最小二乘算法自適應(yīng)陷波技術(shù)的心電圖工頻干擾抑制法，自動(dòng)抑制工頻干擾。本發(fā)明不僅能夠?qū)崿F(xiàn)心電圖智能檢測(cè)，而且能夠去除落到心電信號(hào)有效頻帶內(nèi)的工頻和呼吸基漂干擾，有效解決數(shù)字濾波方法清除頻譜混迭干擾的難題。
文檔編號(hào)A61B5/0402GK101385645SQ20081015232
公開日2009年3月18日 申請(qǐng)日期2008年10月14日 優(yōu)先權(quán)日2008年10月14日
發(fā)明者王淑艷 申請(qǐng)人:中國民航大學(xué)