PDF《基于 BP神经网络的心电图 ST段的模式识别》

2 3 尺度下提取R波峰. 而S 波是高频低幅的, 能量主 要集中在小尺度上, 故选择在S =

2 2 尺度下提取S 波. P 波、 T 波 表现为低频缓变部分, 在时域通常因叠加有较多的低幅高频干 扰而影响定位的准确性, 在S =

2 0 和S =

2 5 等较大尺度上可以避 开此类噪声, 故选择S =

2 a 在尺度下提取T 波.根据信号奇异点 与其小波变换的对应关系, Q R S 波对应尺度S =

2 , 上小波变换 的一个模极大值对, 也就是一个正极大值点和负极小值点, 且 R波峰与该模极大值对的零交叉点有较稳定的时移. 下面仅说 明S 波波峰及T波起点的定位方法.在S =

2 2 尺度下, 采用与R 尽. 自 局 阅号・82-94636.元'

年一275模式识 别 中文核心期刊 《 微计算机信息》 ( 测控自动化)

2 0

0 7 年第2

3 卷第 , 一,期波对应的零交叉点后的第一个向下波峰作为S 波波峰位置. 在S=2'

尺度下, 以R波后出现的第一个模极大值对的零交叉点作 为T 波波峰的位置.设T o n 为T 波的起点, 从T o n 到T 波的波 峰, 可以近似看成是斜坡函数. T o n 点的定位可利用前面T 波波 峰提取时已经找到的模极小值点,其对应于T波上升沿的中 点.设中点到T 波波峰的距离为T a , 从T 波上升沿中点再向前 搜寻距离 T a 得到T o n 点.图2 是使用小波变换标定好的一个 心动周期的特征点.

3 利用B P神经网络模式识别方法 模式识别是把一种研究对象根据其某些特征进行识别并 分类. 具体的说, 就是从不相关的细节背景中, 抽取数据有意义 的特征或属性, 根据这些特征和属性对数据进行分类, 把其特 征或属性相同的数据归属同一类. 神经网络模式识别方法是近 年来兴起的模式识别领域的一个新的研究方向. 人工神经网络 是在人类对其大脑神经网络认识理解的基础上人工构造的能 够实现某种功能的神经网络. 它是理论化的人脑神经网络的数 学模型, 是基于大脑神经网络结构和功能而建立的一种信息处 理系统.B P神经网络, 是神经网络分类器中最普遍、 最通用的 形式. 如果给定一个表示输人模式的由一系列特征组成的输人 矢量, 我们就可以利用这个具有固有鉴别能力的网络作为强识 别器来使用.

3 .

1 B P网络的结构及学习规则 多层 B P网络有输人节点、 输出节点、 一层或多层隐节点. 我们把神经网络应用于模式识别问题分为两个截然不同的阶 段.在网络训练阶段, 如图3 为调整网络权值以表现问题域. 分类中 的误差 B P 神经网络的算法过程大致如下: (

1 ) 初始化网络及学习参数, 如设置网络初始权矩阵、 学习 因子等. (

2 ) 提供训练模式, 训练网络, 直到满足 学习 要求. (

3 ) 前向 传播过程: 对给定训练模式输入, 计算网络的输出 模式, 并与期望模式比 较, 若有误差, 则执行(

4 ) ;

否则, 返回 (

2 ) a ( '

)后向 传播过程: a 计算同一层单元的误差;

b 修正权值和 A值;

c 返回 ( (

2 ) a

3 .

2 输人节点的确定 根据以上的 讨论, 用已 经提取的心电图S T 段波形的 离散值 作为输人节点, 即为1

2 个. S T 段的正常、 水平压低及抬高三类, 每类10个样本, 送人网络训练.每种类型用5 组数据进行测试.

3 . 3网络的层数 在设计中, 应当尽量尽可能的减少网络的规模, 以便减少 网络的训练时间.理论上已经证明, 至少一个隐含层和一个线 性输出层的网络, 能够逼近任何有理函数.增加层数可以进一 步降低误差, 提高精度, 但同时使网络复杂化, 从而增加了网络 权值的训练时间. 而误差精度的提高也可以通过增加隐含层中 的神经元数目 来获得, 其训练效果也比增加层数更容易观察和 调整.所以一般情况下, 应优先考虑增加隐含层中的神经元数 目. 单层网络精度不高, 不能发挥出非线性激活函数的特长. 所 以本仿真网络采用两层结构.