【doc】基于径向基函数神经网络的心电图ST段形态识别

【doc】基于径向基函数神经网络的心电图ST段形态识别 基于径向基函数神经网络的心电图ST段形 态识别 生物物理第二十一卷 ACTABIOPHYSICASDICA 第六期二OO五年十二月 V01.21No.6Dec.2OO5 基于径向基函数神经网络的心电图ST段形态识别 刘海龙,唐奇伶 (华中科技大学生命科学与技术学院,生物医学光子学教育部重点实验室,武汉430074) 摘要:心电图的sT段是指QRS波的终点至T波的起点间的一个子波,其时间长度与心率有关,对sT段形 态的识别有助于分析sT段变化的原因和确定缺血的部位.将模糊逻辑系统与神经网络相结合,利用基于自适应 模糊系统的径向基函数神经网络对心电信号sT段的形态识别进行了研究该网络比BP网络学习进度快,具有 增量学习的能力,它能够识别学习外的新模式.研究取得了较好的识别结果. 关键词:径向基函数;模糊系统;神经网络;形态识别 中图分类号:R3l8.04 1引言 心电图(ECG)的ST段是指QRS波的终点 至T波的起点间的一个子波,其时间长度与心率 有关,约为50,120ms.正常时ST段接近等电位 线.从心肌除极/复极的过程和心肌细胞的动作电 位机理来看,sT段实际上是心肌按照先除极后复 极的顺序,在复极前的一段持续时间较长的非稳定 平衡态.当这种除/复极的顺序由于某种原因而被 破坏,或心脏有某种病态时,体表心电图中的ST 段就会发生诸如抬高,降低或者形成各种形态的相 应变化. 常见的几种ST段的形态如图1所示.就其形 态可以分为三种类型: 1)抬高型(II1I):多见于变异性心绞痛患 者. 2)水平伸直型与T波尖锐连接(图1G):前 壁或心尖部,心内膜损伤及低血钙等. 3)下降型(图1B,1C,1D,1E,1F,IH): 有连接点下降,水平型下降,凹型下降,凸型下降 及下降型下降之分.其中有的是生理性健康心脏的 表现,有的可能是冠状动脉机能不全的表现,也有 的是因为窦性心动过速.下垂型下降(如图1F) 多见于前侧壁心内膜下损伤或缺血,下斜型下降 (图1H)则是比较典型的心肌缺血型下降. 可见,对ST段形态的识别有助于分析ST段 变化的原因和确定缺血的部位.因此,在测量ST 段时,常从它的形态类型,上升下降的幅度以及与 前面的QRS波段和后面的T波段的连接点位置等 几个方面来确定ST段的特征参数[11. ' Fig.1VariousSTsegmentofECG,(A)Normal:(B)ST segmentloweringofhorizontype.(C)STsegment loweringofsaggingtype:(D)STsegmentloweringof arciformtype:(E)STsegmentloweringofsubsidence type;(F)STsegmentloweringofapproximateblood deficittype;(G)STsegmenthorizonandST—Tjointat acuteangle:(I-I)Ventriculussinisterfatnessandinjury; (I)STsegmentriseofvariantanginaandTwaverise 我们根据ST段的形态特征,采用基于自适应 模糊系统的径向基函数神经网络的新方法对sT段 模式识别进行了尝试,取得了较好的效果. 收稿日期:2004.11.19 通讯作者:刘海龙,电话:f027)87568016 E-mail:longbio@163.tom 458生物物理2005矩 2网络的基本原理 2.1径向基函数神经网络原理 径向基函数(radialbasisfunction,RBF)神 经网络由三层组成,其结构如图2所示.输入层节 点只传递输入信号到隐含层,隐含层节点由像高斯 函数那样的辐射状作用函数构成(如式(1)),输出 层节点是简单的线性函数(如式(2)). 脚) output ),I Fig.2Radialbasisfimctionneuralnetwork 隐含层节点中的基函数对输入信号将在局部产 生响应,当输入信号靠近基函数的中央范围时,隐 含层节点将产生较大的输出,这种网络具有局部逼 近的能力.但对于远离隐含层节点中心的输入样 本,网络输出趋于0.因此,RBF网络用于分类 时,每一类的判决区域也是局域性的,网络对于不 属于己知类别的新的样本能够作出有效的拒判,这 一 特点是RBF网络分类器区别于其他神经网络分 类器的显着特点.与BP网络相比,在训练样本不 是很多时,它的局部特性使训练速度比BP网络快 1,2个数量级.最常用的基函数是高斯函数: R)=expl一l,i=12",m(1)L'ViJ yk=),k=l,2,…(2) =l 其中r/,为输入层神经元数,m为隐含层神经元数, P为输出神经元数;X是r/,维输入向量;C是第 个基函数的中心,与X具有相同维数的向量;ori2 称之为形状参数,又称为规划因子,它决定了该基 函数围绕中心点的宽度,它的作用是衡量在多大范 围内可以认为输入样本与典型相似;II_cII是向 量X—C的欧氏范数,它表示X和C之间的距离, R)在C处有唯一的最大值,随着IIll的增 大,)迅速衰减到零. 为了得到更加平滑的界模糊数值,可在普通的 径向基网络输出后加上一个求加权平均值的过程. 此网络可称为广义径向基网络(或泛化回归网络). 归一化后的输出为: 1 ) Yk=,k=l,2,…(3) 脚) =l 连接权的学习修正可通过使网络输出Yk与目标输 出的误差平方和最小来求线性输出层的权值. 2.2模糊逻辑系统 模糊逻辑系统实质是利用模糊规则进行推理和 决策的专家系统.一个模糊系统由模糊产生器,知 识库,模糊推理机和去模糊化器四部分组成[2],如 图3所示. Fig.3Fuzzylogicsystem 2.3基于自适应模糊系统的径向基函数神经网络 人工神经网络善于对网络参数进行自适应学 习,并具有并行处理泛化能力.但常规的多层前馈 神经网络分类器,网络输出单元固定不变,使得分 类器只能识别学过的类型,而不能识别一个新的模 式类,即不具备增量学习能力.模糊逻辑模仿人脑 问 的逻辑思维,用于处理模型未知或不精确的控制题[3].我们将模糊逻辑和神经网络结合成一个系 统,通过神经网络实现模糊逻辑推理功能,使网络 的权值具有明确的模糊逻辑意义,根据模糊推理规 则来构造网络结构,同时利用神经网络的学习能力 进行复杂的模糊推理,提高运算速度,达到对权值 自动寻优的目的.从而获得以神经网络及模糊逻 辑各自的优点弥补对方不足的效果. 径向基函数神经网络的输出都是在每组输入值 作用下的结果,其值为一组0-1之间的数,等价 于模糊系统中从前提到结论的所有模糊规则数.每 增加一个径向基层的神经元,相当于增加了一条模 糊规则,从而可以达到在线调整模糊规则的目的圈. 3试验方法 对己滤除了干扰的ST段形态进行识别,难点 第6期基于径向基函数神经网络的心电图sT段形态识别459 主要在于其形态的多样性,难以用数学表达式精确 描述.神经网络是解决常规方法不易建模,且 有容错功能这类问题的有力工具.神经网络与模糊 系统的结合更增强其学习能力和泛化能力[63.对ST 段的形态分类,采用基于模糊系统的径向基函数神 经网络,是非常合适的.图4为ST段形态识别的 系统框图. Filtering ;nAIECGsegment Findspike OfORS Basedfuzzysystem radialbasicfunction RRintervalneuralnetwork ExtractionofLr ECGsegment'——】Shapedentifv ?JDiagnosisIsegm,entlanalysis Standardizationof ECGsegment So~ingofDiagnosis Pre—processingSTsegmentresult Fig.4SystemblockdiagramofshapeidentifyofSTsegment 3.1ST段的预处理 ST段是S点到T波开始之间的一段时间,但 由于准确的快速确定每个心博的S点位置是有一 定困难的,而R波峰值位置很容易被准确地检测, 这样我们在截取ST段时就以R波峰值处作为参考 位置点,向后推80,150ms,因为这个区间肯定 包含ST段各点电压值,并能够反映出每次心博的 心肌缺血型的ST段对时间的平均累积程度. 3.1.1QRS波寻峰 本文使用Hamilton和Tompkins提出的ECG 信号R峰检测算法[12】.先通过一个高通和低通滤波 器除去与非QRS复合波的高频和低频成分.低通 滤波器由如下差分方程实现: ),(n=2y2—(凡6 +x(nT-12n 式中是采样周期,凡是任意整数.高通滤波器由 下面的差分方程实现: y(n73=y(nT-73/32+x(nT-16l7 +x(nT-3273/32 这两个滤波器组成了一个带通滤波器.这种算 法增强了QRS复合波,并抑制了ECG的其它成 分.ECG信号中由于QRS波的变化率最大,通过 微分的方法获取QRS波的斜率,差分方程如下: y(-=[2x(.73协(n3—473]/8 然后对每点ECG信号进行平方,将所有值变 为正数,并且非线性地放大了微分处理器的输出. 通过对查找平方后ECG信号的最大值,可以检测 到R峰的位置. 3.1.2ECG片段化 通过QRS波峰值检测,可找出R峰的准确位 置和心率,将R.R间期之间的数据称作帧.每人 的心率不同,不同的受试者的心电图的幅度会有很 大差异,须对心率和波幅进行"归一化"处理【7】. 训练神经网络的ST段样本的心率为60次/min. 幅度按如下方式归一化: (n) 式中,Xi和Y分别是归一化前后的第i帧数据, AH和A厶是第帧数据的最大值和最小值.经过 幅度归一化后,每一帧信号的最高幅值为l,最低 为0. 图5A是一个采样频率为360Hz,心率为 66次/min的正常心电图.图5B,5C是心电信号 片段截取及标准化图. 生物物理2005年 (日) > g pointpoint Fig.5InterceptionandstandardizationofECGsegment.(A)OriginalECGsignal;(B)Interce ptedECG segment;(C)StandardizedR-Rsegment 3.2神经网络设计 选取R点至后推150ms这段ST作为RBF网 络输入.输入神经元的个数为54(采样频率360Hz, 以60次/min的心率标准化).输出层神经元的个 数由训练时已知的类别数决定,隐含层神经元个数 等于输出神经元个数.因此采用初始设置为54x9x 9的网络结构. 为了充分利用已知的样本,加快学习过程,我 们采用子网结构,即将已知模式组成的多输入单输 出.一个RBF网络就是一个子网络,只负责识别 已知模式类别中的一个模式,如果一个新的样本输 入组合网络,所有的RBF子网络均拒识,这时可 在分类器中增加一个输出节点,即增加一个RBF 子网络,以后再遇上这一类型的样本就由该子网络 负责识别.子网结构如图6所示,样本的理想输出 为1.如果存在多个类满足条件,按最大值原则, 将划分到具有最大y值的那一类中. Fig.6Subnetworkstructuraldiagram 3.3学习与识别 参数向量修正方法:基于训练模式,学习算法 按照误差函数的负梯度下降方法,不断地更新网络 参数,第个训练模式的误差参数,可以定义 为: 1 En(tk一) 二 其中k为最大值的输出神经元. 按照基于AFSI的RBF的结构,参数更新修 正规则,第k个元素的输出: ? l=l:丝【2 ), l=1 一 普一熹簧等)等(4) ?一篑一篑酱器 = (t~--yk)_丝Ro=l2一,(5) ?一OE:一:-yk)ln(6) d,d=yOud,z 1)学习过程算法如下: 第1步:用一个小的随机数初始化权值W, 形状参数初始值取or抛=0.25; 第2步:将训练样本X分别作为径向基函数 网络的中心c,,每个样本对应的子网络期望信输出 第6期基于径向基函数神经网络的心电图ST段形态识别 t/--l; 第3步:用第i个输入模式估计Iyi-tiI,Yi和 ti分别为第i个样本的子网络输出值和期望值; 第4步:如果I一tI>,为误差界,转向 第5步,否则转向第6步; 第5步:按照上式(6)给出的修正方法调节权 矢量,然后转向第3步; 第6步:输入新的训练样本,然后转向第2 步. 2)识别过程算法如下: 隐含层节点个数i=9,设定有效半径; 第l步:输入待识别模式; 第2步:用个输入模式估计IYk—tI,= max(yl2,…,),tk=l,Yk和t分别为第个样本的 网络输出值和期望值; (A) 第3步:如果Iyk-tI>e,e为误差界取,则 转向第4步,否则转向第7步; 第4步:如果有一个隐含层节点使训练样本落 入在超球体日内,则转向第5步,否则,产生新 的隐含层节点,转向第6步.新的隐含层节点的参 数按下述方法确定: 设i=i+l:中心向量c为训练样本的输入;形 状参数尸D; 第5步:应用上式(4),(5),(6)给出的修正方 法调节参数向量; 第6步:转向第2步; 第7步:等待新的数据样本,然后转向第l 步. 3)学习过程与识别过程算法图分别如图 7A,7B所示: Fig.7Algorithmflowprocessdiagram.(A)Learningflowprocessdiagram; (B)Identificationflowprocessdiagram 462生物物理2005芷 4结果与讨论 本文是在MIT/BIH数据库中选取了9种具有 代表性的ST段作为仿真试验,如图8所示.其中 A,H作为学习过程已知的8种典型模式,每种分 别选一人,每人分别截取l0帧进行网络训练,因此 网络的初始结构为54x8x8.I作为识别过程中新的 类型.在识别过程中,我们从以上选取的9种 ECG中分别选lO人的心电信号,每人一帧 ST片段进行辨识. Fig.8NineSTsegmentinMIT/BIHdatabase 本文采用MATLAB6.1编程.经过反复试验,帧sT段进行TN试,其辨识结果如表I所示: 取误差界e=O.001,e=0.2,有效半径ri=3.对90 Table1ShapeidentifyresultofSTsegment 从表1可以看出其识别结果比较令人满意,其 中误差界e与有效半径r的选取是非常重要的,误 差界e确定参数的调整程度,有效半径,确定在多 大范围可认为是同一类.然而这两个阈值的选取, 并没有固定公式,它只能根据经验反复试验,调 试,才能找到一个令人满意的值. 参考文献: [1]杨军.心电图ST段测量的神经网络方法.北京生物医学工 程,2002,2l(2):lO6,108 张乃尧,阎平凡.神经网络与模糊控制.北京:清华大学出版 社.1998 刘增良.模糊技术与神经网络技术选编(5).北京:北京航 空航天大学出版社,2001 王长琼,孙国正.一种组合径向基函数网络结构的分类方法. 武汉交通科技大学,1998,22(1):47~50 王蕴红,刘国岁,王一丁.一种用于雷达目标识别的新型径向 基函数网络.现代雷达,1998,20(1):16~21 WeiQ.KennethSMFtmg.Adaptivefilteringofevoked 第6期基于径向基函数神经网络的心电图ST段形态识别463 potentialswithradial—basis—functionneuralnetworkprefilter. IEEETramORBME,2002,49:225~232 [7】KwangBC,WangBH.Radialbasisfunctionbasedadaptive fuzzysystems.Proceedingsof1995IEEEInternationalcon— fe,e,1995,1:247~252 SHAPEmENT?rYOFELECTROCARDIOGRAMSTSEGMENTBASEDON RADIALBASISFUNCTIONMANUALNEURALNETWORK LIUHai—long,TANGJi—ling (SchoolofLScienceandTechnology,HuazhongUniversityofScienceandTechnology,The KeyLaboratoryofBiomedical Photonics.MinistryofEducation,Wuhan430o74,China) Abstract:TheshapeidentifyofelectrocardiogramSTsegmentwithradialbasicfunctionneur al networkwithadaptivefuzzysystemwasstudied.ThenetworkhasfasterlearningspeedthanB Pnetwork. Ithasthecapabilityofincrementallearning.Itcanindentifyanewpatternoverlearning.Theef fectof. identifywasbetter. First,thearticleintroducedsimplybasicprincipleofradialbasisfunctionneuralnetworkandf uzzy logicsystemandthentheauthorsdesignedradialbasisfunctionneuralnetworkbasedonadaptivefuzzy systemanditsleafingalgorithmbycombinefuzzylogicalsystemwithneuralnetwork.Lastlythetest resultanddiscussiononclassificationofelectrocardiogramSTsegmentweregiven. KeyWords:Radialbasicfunction:Fuzzysystem:Neuralnetwork:Shapeidentify