基于神经网络的心电信号分类识别.pdf

"基于神经网络的心电信号分类识别" 心电信号是心脏活动时心肌激动产生的生物电信号，是反映心脏健康情况的依据。用计算机对心电信号进行分类识别具有重要的应用价值。本文采用RBF神经网络对心电信号的波形进行分类识别，并实验证明该网络能够实现心电信号的自动分类识别。 1. RBF神经网络原理 RBF（Radial-Basis Function）网络，使用径向基函数作为隐含层单元的基，构成隐含层空间，它是一种三层前向网络，由输入层、隐含层和输出层组成，能够逼近任意非线性函数，解决了局部最小值的问题。 RBF神经网络的输入层由信号源节点组成。隐藏层只有一个隐含层，节点激活函数为径向基函数。输出层是对输入模式的响应。 2. 心电信号特征提取 心电信号是心脏活动时心肌激动产生的生物电信号，是反映心脏健康情况的依据。因此心电数据的特征提取是心电信号自动分类识别的核心。心电信号的特征参数主要有心率、QRS波、P波、T波幅度与时限、RR间期等等。 本文采用的心电数据源于麻省理工学院的MIT-BIH数据库。每组数据采样频率为360Hz、长为30min，包括正常与异常心拍，且每个心拍的类型均做出了注释。本文采用MIT-BIH数据库中的注释时间对R波峰定位，分别选取两侧61个数据点表示一个QRS波的信息。 为了降低数据的冗余度，同时将QRS波的有效信息保留下来，我们需要提取QRS波的特征参数。小波变换具有良好的时域和频域局部化特性，能有效地从信号中提取信息。双正交小波解除了线性相位和正交性要求的矛盾，通常采用一个函数进行分解，用另一个函数进行重构。 本文采用中心电数据特征值，由双正交小波进行2尺度的小波变换提取。QRS波特征如图3所示。 在完成QRS波特征参数的提取后，为了提高分类识别率可以增加其他的特征辅助分类识别。在病态心搏中除了QRS波异于正常QRS波外，RR波之间的时间间隔也是一个重要的信息，相邻R波出现的位置明显提前或滞后即RR波之间的时间间隔明显大于或小于正常心搏间的问隔，如图4所示。 因此，本文将R波与RR波间期作为心电信号的特征参数，以提高分类识别率。 3. 实验结果 本文采用MIT-BIH数据库中的前24组数据作为训练样本，送入RBF神经网络进行训练。待网络误差达到设定值时，完成训练。然后，将后24组数据作为识别样本，送入网络进行分类识别。实验结果表明，该网络能够实现心电信号的自动分类识别，分类准确率较高。 本文提出了一种基于RBF神经网络的心电信号分类识别方法，通过心电信号特征提取和RBF神经网络分类识别，能够实现心电信号的自动分类识别，提高了心电信号分类识别的准确率和效率。