基于小波神经网络的心电信号识别

基于小波神经网络的心电信号识别

小波变换的频率与时间辨率小波理论的一个重要结果是，所有信号都可以展开为函数=通过l（r）的比率和时间差，函数公式如下所示。ψ被定义为母小波或基小波，ψa,b被称作为小波，参数a,b分别被定义为尺度和位移参数。设x(t)∈L2(R)，则x(t)的小波变换定义为：小波变换通常被认为正比于频率带宽的带通滤波器组对信号进行处理。当a值较小时，时轴上观察范围小，在频域上相当于用较高频率作分辨率较高的分析，即用高频小波做细致观察，当a值较大时，时轴上考虑范围大，在频域上相当于用低频小波做概貌分析，因此小波变换具有较好的低频频谱辨析率和高频的时间辨析率。小波理论已经广泛的应用于各个领域，在信号的分类中，一种是通过小波变换提取信号的特征值输入到某种神经网络中，另一种就是直接应用小波神经网络对信号分类。1网络分类结果的描述典型的小波神经网络相当于具有一个隐含层的简单的神经网络结构。小波系数部分被称作小波节点，小波函数作为信号的小波变换。小波神经网络的第一层部分相当于对输入信号进行特征提取，第二部分相当于神经网络的分类。增加了一层感知机的小波神经网络如图1，即增加了图中O1层，与常规的小波神经网络相比分类性能得到了显著提高。在本文的研究中，选择Morlet小波作为母小波，Morlet小波的表达式为其中Ω选择5.33。网络分类的输出结果表示为：其中输入向量为x(n),采样时间为t,每个输入向量的样点数为N，小波节点数为h,隐含层节点个数为j,输出层节点个数为k。σ(z)为S型函数网络输出误差采用最小方差计算，定义为:M为要识别的输入数据样本数，dk为期望输出值。网络输出误差是通过反向传播梯度下降法寻找最小误差，连接权的导数通过下面式子得到E小波节点的导数通过如下算法得到：连接权和小波节点通过以下规则来调整:其中η为学习速率，µ为BP学习算法中的动量系数。2数据来源及处理小波神经网络在实验中用于区分心电信号的正常心跳和室性期前收缩。偶发性室性期前收缩，一般无临床重要意义。频繁出现的室性期前收缩其临床意义应视心脏基础疾病情况而定。1971年Lown及wo1f二氏曾对220位心肌梗塞后1—24个月的病人进行连续12小时的监测。据此资料,按“危险性”对患者所发生的室性早搏出现的形式进行分级。根据室性早搏的频繁程度和形态分为以下6级：0级：无期前收缩。I级：偶发，每小时少于30次或每分钟少于1次。II级：频发，每小时多于30次或每分钟多于6次。III级：多源性室性期前收缩。IVA级：成对的室性期前收缩，反复出现。IVB级：成串的室性期前收缩(三个或三个以上室性期前收缩)反复出现。v级：期前收缩的R波落在前一个窦性激动的T波上。Lown及wolf的文章发表后曾为不少心脏病学者所引用，认为分级越高，预后越差，“猝死”的机会越多。因此自动识别和分类室性期前收缩对于心脏病人的监测是至关重要的.本文使用的数据来至MIT-BIHArrhythemiaDatabase(mitdb)。选择要分析的记录是记录106,106是一个典型的室性期前收缩病人的心电图，信号的采样率为360Hz。数据的选取方法是根据文献。选取的ECG信号段相当于对要分析的信号加上持续时间为250ms的时间窗,QRS联合体之前的100ms,之后的150ms，即R波顶点之前36点，之后54点。输入信号被标准化到区间[-1,1]，输入到网络中的数据如图2所示。网络节点的选取：本文选取的小波节点数为15，隐含层为14,网络的输出节点选取2ㄢ小波神经网络的最后的分类性能在很大程度上依赖于连接权的初始化值。因此选择适当的初始化方法显得尤为重要，小波节点的初始化参考文献的方法，并对该方法有所改进。本文采用的小波尺度L为4，最小尺度的小波数H1=2L-1为8ㄢ1.位移的初始化采用其中：HL=HL-1/2,...,H2=H1/2,T取1在此位移初始值依次选取为2.尺度参数的初始化，ahn=T(n)-1，其中n为第n个小波节点。3.连接权whj,vjk初始化为[-1,1]区间内的随机值。实验选取了20个样本训练网络,其中8个正常心电数据,12个室前收缩心电数据,包含连续室前收缩的第一个第二个以及第三个异位心跳的心电数据。取η=0.9,µ=0.2，最大允许均方误差为0.002时，网络误差曲线如图3所示。从可以看出网络收敛速度很快。3结果3.1正常心功能分类通常分类结果的表达为，TP(truepositive)表征正常的心跳被正确的分类成正常的心跳，TN(truenegative)表征室前收缩被分类成室前收缩，FP(falsepositive)表征室前收缩被错误的分类成正常心跳，FN(falsenegative)表征正常心跳被错误的分类成室前收缩。另外灵敏性sensitivity(SE)和特异性specificity(SP)被定义为SE=TN/(TN+FP),SP=TP/(TP+FN)，具体的分类结果如表1所示。3.2隐蔽层节点的选取隐含层节点个数的选取,是通过反复实验得到的。隐含层节点的选取对网络收敛性的影响如图4所示。基本上，隐含层节点个数接近小波节点数的时候，网络的分类效果更好。4提高了心电阻自动分类的准确性本文通过改进小波神经网络的初始化方法，使网络收敛速度加快，将该初始化方法具体应用到增加了一层感