基于深度神经网络的心电图智能诊断方法

摘要

本发明的基于深度神经网络的心电图智能诊断方法，包括：a).信号归一化处理；b).确定训练样本空间；c).确定验证样本空间；d).确定神经网络结构；e).确定激活函数和目标函数；f).训练神经网络；g).心电图信号的自动分析。本发明的基于深度神经网络的心电图智能诊断方法，以MIT-BIH心率失常数据库中的数据为样本，采用Logistic函数作为神经元的激活函数、交叉熵成本函数为目标函数对神经网络进行训练，对心电图信号分析时，利用训练出的神经网络即可得出分析结果，即使诊断医生不具有十分丰富的临床经验，也可获取精确的诊断结果，无需耗费心脏专家大量的精力，减轻医生负担。

主权项

一种基于深度神经网络的心电图智能诊断方法，其特征在于，通过以下步骤来实现：a).信号归一化处理，在MIT‑BIH心率失常数据库中，选取数据库中具有更高信噪比的预处理之后的信号作为训练神经网络使用，利用公式(1)对选取的信号进行归一化处理：$S^{\prime }=\frac{S-Min\left(X\right)}{Max\left(X\right)-Min\left(X\right)}---\left(1\right)$其中，S为原始信号，S′为归一化之后的信号，Min(X)为对样本空间进行作用，返回样本空间内数值最小的信号；Max(X)为对样本空间进行作用，返回样本空间内数值最大的信号；b).确定训练样本空间X，心电图信号经过公式(1)的归一化处理后，所有信号数值S∈[0,1]，之后将每个信号序列按顺序划分为长度为10000的输入向量x，舍弃长度不足10000的信号组，最后得到满足输入要求的训练样本空间X:X＝{x_i|x_i∈[0,1]^m,i＝1,2,...,m＝10000}；每个训练样本x_i对应的心电图异常种类向量y_i为：$y_i=\left[\begin{array}{c}{p}_1\\ .\\ .\\ .\\ p_j\\ .\\ .\\ .\\ p_{10}\end{array}\right],j=1,2,\mathrm{...},10,$其中，10项心电异常种类如下表所示：所有的y_i就形成了训练样本空间X对应的期望输出空间Y；c).确定验证样本空间，采用与步骤a)和b)相同的方法，确定出检验用的验证样本空间X′和对应的验证样本期望输出空间Y′；d).确定神经网络结构，设L1、Ln分别为神经网络的输入层、输出层，L1至Ln之间的隐藏层分别为L2、L3、…、L(n‑1)；L1、L2、…、Ln层中的神经元数目依次递减，并设其分别为n1、n2、…、nn；n1＜n2＜…＜nn；e).确定激活函数和目标函数，选择如公式(3)所示的Logistic函数作为神经元的激活函数；$\sigma \left(Z\right)=\frac{1}{1+e^Z}---\left(3\right)$选择如公式(4)所示的交叉熵成本函数为目标函数；$C(x,w,b)=-\frac{1}{n}\underset{x}{\Sigma }[y\ln a+(1-y)ln(1-a)]---\left(4\right)$其中，x为输入心电图信号向量，w为神经网络权值，b为神经网络偏置项，n为训练样本的样本容量，y为x对应的心电图异常向量，a为神经网络输出向量；f).训练神经网络，从训练样本空间X中选取n个训练样本，在训练过程中采用随机梯度下降法计算梯度，采用步骤c)中确定出的验证样本空间X′和对应的验证样本期望输出空间Y′进行检验，当正确率超过98％时终止训练，此时得到权值w和偏置项b确定的神经网络；获取如公式(5)所示的心电图异常种类与心电图信号存在的函数关系式：y＝Γ(x；w,b)    (5)；g).心电图信号的自动分析，假设有一待分析心电图信号，格式化之后的序列为将带入公式(7)即可得到分析结果