CN102697491A - 心电图特征波形识别方法和系统 - Google Patents

Abstract

本发明公开了一种心电图特征波形识别方法和系统，所述系统包括：至少两个神经网络模块，每个神经网络模块的特征波形识别算法与其它神经网络模块的特征波形识别算法均不相同，神经网络模块对输入的心电图信号根据其特征波形识别算法进行运算，从运算出的信号中识别出特征波形进行输出；模糊逻辑模式识别模块，用于接收每个神经网络模块输出的特征波形，并根据为各特征波形设置的病史权重值，对各特征波形的优先级进行加权运算后，将特征波形与其加权后的优先级进行对应输出。由于采用了多种不同特征波形识别算法的神经网络进行特征波形识别，扩展了单一神经网络所能识别的特征波形，达到对心电图信号更为准确的分析归类的目的。

Description

心电图特征波形识别方法和系统

技术领域

本发明涉及医疗器械领域，尤其涉及一种辅助识别心电图的特征波形的方法和系统。

背景技术

模式识别技术被广泛应用于医疗领域，比如，对心电图信号进行模式识别，从中分析、归类出典型的特征波形，以便于医生依据分析、归类出的特征波形判断病人身体状况。

模式识别的主要方法有：1.统计模式识别；2.句法模式识别；3.模糊模式识别；4.逻辑推理法；5.神经网络法。其中，统计模式识别对结构复杂的模式抽取特征困难，不能反映模式的结构特征，难以描述模式的性质，难以从整体角度考虑识别问题。句法模式识别方法在运用时若存在干扰及噪声，则抽取特征基元困难，且易失误。模糊模式识别的准确合理的隶属度函数往往难以建立，限制了它的应用。逻辑推理法在样本有缺损，背景不清晰，规则不明确甚至有歧义时，效果不好。而神经网络法则可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题，因此，在对心电图信号进行分析与归类时更倾向于使用神经网络法。但是，在现有技术中，神经网络法仍然具有一些问题，其主要缺点是模型少，能识别的模式（即特征波形）不够多，因此，现有技术的神经网络法在对心电图信号进行分析归类时有可能出现不能识别出某些特征波形，而导致对心电图信号分析的准确性低。

发明内容

本发明实施例提供了一种心电图特征波形识别方法和系统，用以对心电图信号实现更为准确的分析归类。

根据本发明的一个方面，提供了一种心电图特征波形识别系统，包括：

至少两个神经网络模块，每个神经网络模块的特征波形识别算法与其它任一神经网络模块的特征波形识别算法均不相同，所述神经网络模块用于对输入的心电图信号根据其特征波形识别算法进行运算，从运算出的信号中识别出特征波形进行输出；

模糊逻辑模式识别模块，用于接收每个神经网络模块输出的特征波形，根据各特征波形与所述心电图信号之间的误差大小，分别计算各特征波形的优先级；并根据为各特征波形设置的病史权重值，对各特征波形的优先级进行加权运算后，将特征波形与其加权后的优先级进行对应输出。

其中，所述神经网络模块具体为两个；两个神经网络模块中的特征波形识别算法分别为：基于增量学习的特征波形识别算法、基于批量学习的特征波形识别算法。

所述病史权重值是根据病史情况设置的。

所述模糊逻辑模式识别模块根据为各特征波形设置的病史权重值，对各特征波形的优先级进行加权运算具体为：

所述模糊逻辑模式识别模块根据为各特征波形设置的病史权重值，确定模糊矩阵：所述模糊矩阵中的各行分别对应各特征波形，每行中的所有元素的值为该行对应的特征波形的病史权重值；使用所述模糊矩阵对各特征波形的优先级进行加权运算。

根据本发明的另一个方面，还提供了一种心电图特征波形识别方法，包括：

神经网络模块对输入的心电图信号根据其特征波形识别算法进行运算，从运算出的信号中识别出特征波形进行输出；其中，所述神经网络模块至少为两个，每个神经网络模块的特征波形识别算法与其它任一神经网络模块的特征波形识别算法均不相同；

模糊逻辑模式识别模块接收每个神经网络模块输出的特征波形，根据各特征波形与所述心电图信号之间的误差大小，分别计算各特征波形的优先级；并根据为各特征波形设置的病史权重值，对各特征波形的优先级进行加权运算后，将特征波形与其加权后的优先级进行对应输出。

其中，所述神经网络模块具体为两个；两个神经网络模块中的特征波形识别算法分别为：基于增量学习的特征波形识别算法、基于批量学习的特征波形算法。

较佳地，所述基于增量学习的特征波形识别算法的神经网络模块的训练方法为：

一个模拟学习期间通过假设初始迭代是n′-T，最终迭代是当前迭代n'来实现，其中，n′自然数，T是一个正整数常数，T+1是假设迭代区间长度，如果n′-T<0,那么初始迭代为0；

在前向迭代n'时，均方误差E_n'根据如下公式11计算得到：

$E_{n^{\&prime;}}=\frac{1}{2}{(d_{n^{\&prime;}}-y_{n^{\&prime;}})}^T(d_{n^{\&prime;}}-y_{n^{\&prime;}})$ (公式11)

上述公式11中d_n'是期望向量，y_n'是输出矢量；

通过如下公式12的后反馈迭代方法计算近似拉格朗日乘数

${\widehat{\mathrm{\&lambda;}}}_n=\frac{{\&PartialD;}^{+}{E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_n}=\frac{{\&PartialD;E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_n}+\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}{\widehat{\mathrm{\&lambda;}}}_{n+j}\frac{\&PartialD;{\hat{y}}_{n+j}}{\&PartialD;{\hat{y}}_n},$ n=n'-1,…,n'-T,(公式12)

上述公式12中，L是输出端子数目，

是近似输出矢量；

公式13-15被用于建立边界条件：

${\widehat{\mathrm{\&lambda;}}}_{n^{\&prime;}}=-(d_{n^{\&prime;}}-y_{n^{\&prime;}})$ (公式13)

${\widehat{\mathrm{\&lambda;}}}_{n^{\&prime;}+1},...,{\widehat{\mathrm{\&lambda;}}}_{n^{\&prime;}+L}=0$ (公式14)

$\frac{{\&PartialD;E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_{n^{\&prime;}-T}},\frac{{\&PartialD;E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_{n^{\&prime;}-T+1}}...,\frac{{\&PartialD;E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_{n^{\&prime;}-1}}=0$ (公式15)

根据公式16得到近似误差梯度：

$\frac{\widehat{{\&PartialD;}^{+}{E}_{n^{\&prime;}}}}{\&PartialD;w\left(n^{\&prime;}\right)}=\underset{n=n^{\&prime;}-T}{\overset{n^{\&prime;}}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}^{n^{\&prime;}-n}{\widehat{\mathrm{\&lambda;}}}_n\frac{\&PartialD;{\hat{y}}_n}{\&PartialD;w\left(n\right)},$ (公式16)

上述公式16中0<α<1是设定的指数形式权重系数；

根据公式17由第n'次迭代时的权重值计算得到第n'+1次迭代时的权重值w(n'+1)：

$w(n^{\&prime;}+1)=w\left(n^{\&prime;}\right)-\mathrm{\&eta;}\frac{\widehat{{\&PartialD;}^{+}{E}_{n^{\&prime;}}}}{\&PartialD;w\left(n^{\&prime;}\right)}$ (公式17)

上述公式17中η是设定的调整正数；

上述公式12中的

根据如下公式18、19、20确定：

$W_0=0.7\&times;s^{\frac{1}{r}}\&times;\mathrm{normr}(2\mathrm{rand}(s,r)-I(s,r))$ (公式18)

上述公式18中，W₀表示权重矩阵W的初始状态，s为网络隐含层数，r为神经网络模块的输入样本的个数。rand(s,r)为s行r列的均匀分布的随机数矩阵，I(s,r)为s行r列的全1矩阵，normr（）为矩阵的标准化归一矩阵；

根据如下公式19计算出隐节点输出：

$o_j=f(\underset{i}{\mathrm{\&Sigma;}}{w}_{\mathrm{ij}}\&times;x_i-q_j)$ (公式19)

上述公式19中，w_ij是神经网络模块的神经网络中连接第i个节点和第j个节点的权重值，i，j为小于等于神经网络总节点个数的整数；q_j为设定的第j个神经单元阈值；f为预定的非线形作用函数；

第k个输出节点在第n次迭代时的近似输出

为：

${\hat{y}}_{\mathrm{nk}}=f(\underset{j}{\mathrm{\&Sigma;}}{w}_{\mathrm{jk}}\&times;o_j-q_k)$ （公式20）

公式20中，k为小于等于输出层节点数目的正整数；第n次迭代时，各输出节点的近似输出

组成所述近似输出矢量

所述采用基于增量学习的特征波形识别算法的神经网络模块对输入的心电图信号根据其特征波形识别算法进行运算，从运算出的信号中识别出特征波形进行输出具体为：

所述采用基于增量学习的特征波形识别算法的神经网络模块根据其特征波形识别算法以及所述训练过程中确定的权重矩阵W，对输入的心电图信号进行运算，从运算出的信号中识别出特征波形进行输出；所述权重矩阵W中的元素为最后一次迭代得到的权重值。

所述病史权重值是根据病史和健康情况设置的。

所述根据为各特征波形设置的病史权重值，对各特征波形的优先级进行加权运算，具体包括：

根据为各特征波形设置的病史权重值，确定模糊矩阵：所述模糊矩阵中的各行分别对应各特征波形，每行中的所有元素的值为该行对应的特征波形的病史权重值；

使用所述模糊矩阵对各特征波形的优先级进行加权运算。

本发明实施例由于采用了多种不同特征波形识别算法的神经网络进行特征波形识别，这样，就扩展了单一神经网络所能识别的特征波形；也就是说，心电图特征波形识别系统可以不同的算法、方法、角度来识别特征波形，达到对心电图信号更为准确分析归类的目的，从而可以为医生尽可能地提供心电图的特征波形，以此为依据判断病人身体状况。

进一步，本发明实施例中根据各特征波形与所述心电图信号之间的差别，来确定各特征波形的优先级以供医生获知各特征波形的参考可靠性的程度，为心电图的分析提供更高的准确性。

进一步，本发明实施例的模糊逻辑模式识别模块通过为各特征波形设置病史权重值，表明各特征波形所对应的疾病或与之相关的状况在病史中出现的几率；从而在使用设置的病史权重值对各特征波形的优先级进行加权运算后，得到各特征波形的加权后的优先级，更进一步可以反映出现在该特征波形出现的几率，从而为心电图的分析提供更高的准确性。将各特征波形及其加权后的优先级对应输出显示到显示器上供医生参考，医生可以对加权后的优先级较高的特征波形会优先进行分析、考虑，更有助于医生对心电图的分析。

附图说明

图1为本发明实施例的心电图特征波形识别系统结构框图；

图2为本发明实施例的心电图特征波形识别方法流程图；

图3为本发明实施例的心电图特征波形识别系统结构框图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。

本申请使用的“模块”、“系统”等术语旨在包括与计算机相关的实体，例如但不限于硬件、固件、软硬件组合、软件或者执行中的软件。例如，模块可以是，但并不仅限于：处理器上运行的进程、处理器、对象、可执行程序、执行的线程、程序和/或计算机。举例来说，计算设备上运行的应用程序和此计算设备都可以是模块。一个或多个模块可以位于执行中的一个进程和/或线程内。

本发明的发明人对现有技术的神经网络法进行分析，发现训练神经网络的方法不同，则训练出的神经网络能够识别的模式也不相同。现有技术的神经网络法进行模式识别时，能识别的模式有限，应用于对心电图信号分析时分析准确性低。针对现有技术的神经网络法，本发明的主要思路是在对心电图信号进行分析时，采用多种神经网络，各神经网络基于不同的训练方法得到；综合这些神经网络所识别出的模式，也就是综合这些神经网络归类出的特征波形，从而扩展了单一神经网络的模式识别局限性，从而提高对心电图信号分析的准确性。

下面结合附图详细说明本发明实施例的具体技术方案。本发明实施例提供的心电图特征波形识别系统，如图1所示，包括：模糊逻辑模式识别模块101以及至少两个神经网络模块102。

其中，每个神经网络模块102内的特征波形识别算法与其它任一神经网络模块102的特征波形识别算法均不相同。也就是说，在心电图特征波形识别系统中包括多种特征波形识别算法的神经网络模块。心电图特征波形识别系统进行心电图特征波形识别的方法，具体流程如图2所示，包括如下步骤：

S201：在心电图特征波形识别系统中经过训练的各神经网络模块102接收输入的心电图信号。

心电图特征波形识别系统中的各神经网络模块102都接收心电图信号，并对之进行运算。

S202：每个神经网络模块102根据其特征波形识别算法对输入的心电图信号进行运算，得到运算出的信号。

不同的神经网络模块102具有不同的特征波形识别算法，各神经网络模块102分别根据各自所采用的特征波形识别算法对输入的心电图信号进行运算，分别得到运算出的信号。

S203：每个神经网络模块102从运算出的信号中识别出特征波形进行输出。

每个神经网络模块102在根据其所采用的特征波形识别算法对输入的心电图信号进行运算，得到运算出的信号后，再从运算出的信号中识别出与某些预定的特征波形相匹配的信号波形作为识别出的特征波形进行输出。

这样，就扩展了单一神经网络所能识别的特征波形，可以不同的算法、方法、角度来识别特征波形，更多地为医生尽可能地提供心电图的特征波形，以此为依据判断病人身体状况。

事实上，心电图信号往往是周期性信号，神经网络模块102根据其采用的特征波形识别算法对心电图信号进行实时运算，得到的运算出的信号也会是周期性的，再对周期性的运算出的信号进行分析，从中识别出与某些预定的特征波形相匹配的信号波形作为识别出的特征波形进行输出，则输出的特征波形也是周期性。譬如，在一个心电图信号周期内，神经网络模块102识别出两个特征波形并进行了输出，那么在下一个心电图信号周期内，神经网络模块102还会继续识别并输出这两个特征波形。

S204：模糊逻辑模式识别模块101接收各神经网络模块102输出的特征波形。

S205：模糊逻辑模式识别模块101将接收的各特征波形与原始的心电图信号进行比较，根据各特征波形与所述心电图信号之间的误差，分别计算各特征波形的优先级。

虽然多个神经网络模块102可以更多地识别出特征波形，但是由于经过训练的神经网络模块受到自身算法的限制，可能会在特征波形识别过程中识别出与原始心电图信号相差很大的特征波形，而这种特征波形反映心电图真实情况的可靠性就很低。那么，医生如果直接根据这些特征波形进行心电图的判断可能会出现误判。因此，根据各特征波形与所述心电图信号之间的差别，来确定各特征波形的优先级以供医生获知各特征波形的参考可靠性的程度，为心电图的分析提供更高的准确性。如何判定特征波形与心电图信号之间的差别，并依据差别来确定各特征波形的优先级为本领域技术人员所熟知的，此处不再赘述。

由于心电图信号为周期性的，因此，神经网络模块102也会周期性输出特征波形。模糊逻辑模式识别模块101则具体是针对心电图信号的一个周期内接收的各特征波形与原始的心电图信号进行比较，根据各特征波形与所述心电图信号之间的误差，分别计算各特征波形的优先级。

S206：模糊逻辑模式识别模块101根据为各特征波形设置的病史权重值，对各特征波形的优先级进行加权运算后，将特征波形与其加权后的优先级进行对应输出。

对于多个神经网络模块102识别出的特征波形，虽然在上述步骤S205中根据各特征波形与所述心电图信号之间的差别，来确定各特征波形的优先级可以为心电图的分析提供更高的准确性；但是，在实际情况中，当前的身体状态往往与其之前的病史是有相关系的，如果参考其之前的病史，会更进一步为心电图的分析提供更高的准确性。

因此，可以通过模糊逻辑模式识别模块101为各特征波形设置病史权重值，表明各特征波形所对应的疾病或与之相关的状况在病史中出现的几率。具体地，所述病史权重值可以是根据病史和健康情况设置的。使用设置的病史权重值对各特征波形的优先级进行加权运算后，得到各特征波形的加权后的优先级，更进一步可以反映出病史中该特征波形出现的几率。将各特征波形及其加权后的优先级对应输出显示到显示器上，以供医生参考。而医生对加权后的优先级较高的特征波形会优先进行分析、考虑，从而为心电图的分析提供更高的准确性。为便于计算分析，设置的病史权重值可以是归一化后的值。

例如，多个神经网络模块102识别得到按优先级排序的4个特征波形a、b、c、d。特征波形a、b、c、d根据误差大小计算出的优先级分别为：0.4、0.3、0.25、0.05。从而构成优先级矩阵A：[0.4 0.3 0.25 0.05]。

如果根据病人的健康情况和病史，b、d特征波形出现的几率为a、c的4倍，那么，针对特征波形a、b、c、d分别设置归一化的病史权重值为：0.1、0.4、0.1、0.4。根据为各特征波形设置的病史权重值，对各特征波形的优先级进行加权运算具体可以为：

先构建模糊矩阵B，模糊矩阵B中的各行分别对应各特征波形，每行中的所有元素的值为该行对应的特征波形的病史权重值。例如，针对上述特征波形a、b、c、d分别设置归一化的病史权重值为：0.1、0.4、0.1、0.4，所构建的模糊矩阵B为：

$\left[\begin{array}{cccc}0.1& 0.1& 0.1& 0.1\\ 0.4& 0.4& 0.4& 0.4\\ 0.1& 0.1& 0.1& 0.1\\ 0.4& 0.4& 0.4& 0.4\end{array}\right]$

使用模糊矩阵B对各特征波形的优先级进行加权运算，得到各特征波形的加权后的优先级：C=B*A=[0.16 0.48 0.1 0.08]，矩阵C中各元素即分别为特征波形a、b、c、d的加权后的优先级。从矩阵C中可以看出，特征波形b加权后的优先级最高，则医生可以根据其加权后的优先级优先考虑、分析该特征波形。

较佳地，心电图特征波形识别系统中多个神经网络模块具体可以是两个，如图3所示，其中一个是采用基于增量学习的特征波形识别算法的神经网络模块，本文称之为增量学习神经网络模块；另一个是采用基于批量学习的特征波形识别算法的神经网络模块，本文称之为批量学习神经网络模块。

在增量学习神经网络模块和批量学习神经网络模块被应用到心电图特征波形识别系统中进行特征波形识别之前，先需要进行学习训练。

批量学习神经网络模块的训练方法为：

一个学习训练期间是从初始值(n=0)到学习期间终点(n=n_e)的离散序列的迭代循环，n_e整数。批量学习训练在一个学习期间结束后升级权重，并以此循环。在如下公式1中，是批量学习神经网络模块在一个学习训练期间根据输入迭代出的输出值；

是期望状态量即预定的特征波形，那么误差E可根据如下公式1计算得到：

$E=\underset{n=0}{\overset{n_e}{\mathrm{\&Sigma;}}}\frac{1}{2}{(d_n-y_n)}^T(d_n-y_n)$ (公式1)

上述公式1中的T为矩阵转置运算符。拉格朗日乘数可根据误差E对输出值的有序偏导数计算得到，即根据如下公式2计算拉格朗日乘数λ_n：

${\mathrm{\&lambda;}}_n=\frac{{\&PartialD;}^{+}E}{{\&PartialD;y}_n},$ (公式2)

${\mathrm{\&lambda;}}_n=\frac{\&PartialD;E}{{\&PartialD;y}_n}+\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{n+j}\frac{{\&PartialD;y}_{n+j}}{{\&PartialD;y}_n},$ n＝n_e-1,…,0,    (公式3)

其中L是输出数目，其初始状态根据如下公式4确定：

${\mathrm{\&lambda;}}_{n_e}=\frac{\&PartialD;E}{{\&PartialD;y}_{n_e}},{\mathrm{\&lambda;}}_{n_e+1},...,{\mathrm{\&lambda;}}_{n_e+L}=0$ (公式4)

通过拉格朗日乘数，根据如下公式5计算误差对权重的有序偏导数：

$\frac{{\&PartialD;}^{+}E}{\&PartialD;w\left(i\right)}=\underset{n=0}{\overset{n_e}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_n\frac{\&PartialD;y_n}{\&PartialD;w_n\left(i\right)}$ (公式5)

项目

是第n次迭代时的输出对权重的偏导数。标志i代表权重矢量已被升级的次数；i的初始值为0。至此，可以利用如下公式6所示的梯度下降法升级权重：

$w(i+1)=w\left(i\right)-\mathrm{\&eta;}\frac{{\&PartialD;}^{+}E}{\&PartialD;w\left(i\right)}$ (公式6)

公式6中η是设定的学习系数。

批量学习神经网络模块在学习训练期间通过输出值和期望状态量，计算出误差E、拉格朗日乘数，进而计算出误差梯度，利用误差梯度升级批量学习神经网络模块中的权重。在批量学习神经网络模块学习训练结束后，将得到权重矩阵W，权重矩阵W中的元素即为最后一次迭代得到的权重值w(i+1)。批量学习神经网络模块在应用到心电图特征波形识别系统后，将根据这些权重值进行特征波形识别，输出识别的特征波形。批量学习神经网络模块如何根据其特征波形识别算法以及上述训练过程中确定的权重矩阵W对输入的心电图信号进行运算后，从中识别出特征波形为本领域技术人员所熟知的技术，此处不再赘述。

增量学习神经网络模块的训练方法中，当前迭代n'的权重升级只取决于系统在迭代{0,…,n′-1,n'}的状态，而在每一次迭代过程中权重都会发生改变，所以拉格朗日乘数不能被精确计算；又因为每次迭代需要升级，所以不可能精确计算误差梯度，从而也就无法精确计算增量学习神经网络模块中的权重值。因此，考虑到每一次迭代过程中权重都会发生改变，本发明实施例的增量学习神经网络模块在学习训练过程中采用近似方法计算近似拉格朗日乘数，应用误差偏导数的近似值升级权重，从而可以较快得到增量学习神经网络模块中的权重值，并且得到的权重值也较为准确。本发明实施例的增量学习神经网络模块的学习训练方法如下：

本发明实施例的增量学习神经网络模块的学习训练基于模拟学习期间概念，一个模拟学习期间通过假设初始迭代是n′-T，最终迭代是当前迭代n'来实现。其中，n′是自然数，T是一个正整数常数，T+1是假设迭代区间长度。如果n′-T<0,那么初始迭代为0。

在前向迭代n'时，均方误差E_n'根据如下公式11计算得到：

$E_{n^{\&prime;}}=\frac{1}{2}{(d_{n^{\&prime;}}-y_{n^{\&prime;}})}^T(d_{n^{\&prime;}}-y_{n^{\&prime;}})$ (公式11)

公式11中d_n'是期望向量，y_n'是输出矢量。

对于实时学习应用，因为权重在每一次迭代都发生改变，所以拉格朗日乘数不能被精确计算，因此，可以通过如下公式12的后反馈迭代方法计算近似拉格朗日乘数

${\widehat{\mathrm{\&lambda;}}}_n=\frac{{\&PartialD;}^{+}{E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_n}=\frac{{\&PartialD;E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_n}+\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}{\widehat{\mathrm{\&lambda;}}}_{n+j}\frac{\&PartialD;{\hat{y}}_{n+j}}{\&PartialD;{\hat{y}}_n},$ n=n'-1,…,n'-T,    (公式12)

公式12中，L是输出端子数目，

是近似输出。

下列公式13-15被用于建立边界条件：

${\widehat{\mathrm{\&lambda;}}}_{n^{\&prime;}}=-(d_{n^{\&prime;}}-y_{n^{\&prime;}})$ (公式13)

${\widehat{\mathrm{\&lambda;}}}_{n^{\&prime;}+1},...,{\widehat{\mathrm{\&lambda;}}}_{n^{\&prime;}+L}=0$ (公式14)

$\frac{{\&PartialD;E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_{n^{\&prime;}-T}},\frac{{\&PartialD;E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_{n^{\&prime;}-T+1}}...,\frac{{\&PartialD;E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_{n^{\&prime;}-1}}=0$ (公式15)

因为每次迭代都要升级，所以不可能精确计算误差梯度。替代方法是应用误差偏导数的近似值升级权重。用长度T+1的模拟学习期间计算误差偏导数将产生一个真实偏导数的近似值。那么，权重可以用下列近似误差梯度公式16升级，即根据公式16得到近似误差梯度：

$\frac{\widehat{{\&PartialD;}^{+}{E}_{n^{\&prime;}}}}{\&PartialD;w\left(n^{\&prime;}\right)}=\underset{n=n^{\&prime;}-T}{\overset{n^{\&prime;}}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}^{n^{\&prime;}-n}{\widehat{\mathrm{\&lambda;}}}_n\frac{\&PartialD;{\hat{y}}_n}{\&PartialD;w\left(n\right)},$ (公式16)

公式16中0<α<1是设定的指数形式权重系数；

表示近似误差梯度。

至此，根据如下公式17可以得到增量学习模式在迭代n'的权重升级，即公式17中可以根据第n'次迭代时的权重值计算得到第n′+1次迭代时的权重值w(n'+1)：

$w(n^{\&prime;}+1)=w\left(n^{\&prime;}\right)-\mathrm{\&eta;}\frac{\widehat{{\&PartialD;}^{+}{E}_{n^{\&prime;}}}}{\&PartialD;w\left(n^{\&prime;}\right)}$ (公式17)

公式17中η是设定的调整正数。

上述公式12中的

根据如下公式18、19、20确定：

$W_0=0.7\&times;s^{\frac{1}{r}}\&times;\mathrm{normr}(2\mathrm{rand}(s,r)-I(s,r))$ (公式18)

上述公式18中，W₀表示权重矩阵W的初始状态，s为网络隐含层数，r为神经网络模块的输入样本的个数。网络隐含层数是神经网络模块的多层结构中隐层的数目，网络最优结构（包括层数）是根据遗传算法等结构优化方法得到的。网络隐含层数的计算方法为本领域技术人员所熟知的，此处不再赘述。rand(s,r)为s行r列的均匀分布的随机数矩阵，I(s,r)为s行r列的全1矩阵，norm r（）为矩阵的标准化归一矩阵；

根据如下公式19计算出隐节点输出：

$o_j=f(\underset{i}{\mathrm{\&Sigma;}}{w}_{\mathrm{ij}}\&times;x_i-q_j)$ (公式19)

上述公式19中，w_ij是神经网络模块的神经网络中连接第i个节点和第j个节点的权重值，i，j为小于等于神经网络总节点个数的整数。即在一次迭代过程中，如第n'次迭代过程中，w_ij是权重矩阵W中的神经网络中连接第i个节点和第j个节点的权重值。q_j为设定的第j个神经单元阈值；f为预定的非线形作用函数；

第k个输出节点在第n次迭代时的近似输出

为：

${\hat{y}}_{\mathrm{nk}}=f(\underset{j}{\mathrm{\&Sigma;}}{w}_{\mathrm{jk}}\&times;o_j-q_k)$ （公式20）

公式20中，k为小于等于输出层节点数目的正整数；第n次迭代时，各输出节点组成近似输出矢量

增量学习神经网络模块通过上述的学习训练方法后得到增量学习神经网络模块的权重矩阵W，权重矩阵W中的元素即为最后一次迭代得到的w(n'+1)权重值。增量学习神经网络模块在应用到心电图特征波形识别系统后，将根据这些权重矩阵W中的权重值进行特征波形识别，输出识别的特征波形。即增量学习神经网络模块根据其特征波形识别算法以及上述训练过程中确定的权重矩阵W，对输入的心电图信号进行运算，从运算出的信号中识别出特征波形进行输出。增量学习神经网络模块如何根据其特征波形识别算法及其权重矩阵W对输入的心电图信号进行运算，从运算出的信号中识别出特征波形为本领域技术人员所熟知的技术，此处不再赘述。

本发明实施例由于采用了多种不同特征波形识别算法的神经网络进行特征波形识别，扩展了单一神经网络所能识别的特征波形。也就是说，心电图特征波形识别系统可以不同的算法、方法、角度来识别特征波形，达到对心电图信号实现更为准确的分析归类的目的，从而可以为医生尽可能地提供心电图的特征波形，以此为依据判断病人身体状况。

进一步，本发明实施例中根据各特征波形与所述心电图信号之间的差别，来确定各特征波形的优先级以供医生获知各特征波形的参考可靠性的程度，为心电图的分析提供更高的准确性。

进一步，本发明实施例的模糊逻辑模式识别模块通过为各特征波形设置病史权重值，表明各特征波形所对应的疾病或与之相关的状况在病史中出现的几率；从而在使用设置的病史权重值对各特征波形的优先级进行加权运算后，得到各特征波形的加权后的优先级，更进一步可以反映出病史中该特征波形出现的几率，从而为心电图的分析提供更高的准确性。将各特征波形及其加权后的优先级对应输出显示到显示器上供医生参考，医生可以对加权后的优先级较高的特征波形会优先进行分析、考虑，更有助于医生对心电图的分析。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读取存储介质中，如：ROM/RAM、磁碟、光盘等。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种心电图特征波形识别系统，包括：

至少两个神经网络模块，每个神经网络模块的特征波形识别算法与其它任一神经网络模块的特征波形识别算法均不相同，所述神经网络模块用于对输入的心电图信号根据其特征波形识别算法进行运算，从运算出的信号中识别出特征波形进行输出；

模糊逻辑模式识别模块，用于接收每个神经网络模块输出的特征波形，根据各特征波形与所述心电图信号之间的差别，分别计算各特征波形的优先级；并根据为各特征波形设置的病史权重值，对各特征波形的优先级进行加权运算后，将特征波形与其加权后的优先级进行对应输出。

2.如权利要求1所述的系统，其特征在于，所述神经网络模块具体为两个；两个神经网络模块中的特征波形识别算法分别为：基于增量学习的特征波形识别算法、基于批量学习的特征波形识别算法。

3.如权利要求2所述的系统，其特征在于，所述病史权重值是根据病史情况设置的。

4.如权利要求3所述的系统，其特征在于，

所述模糊逻辑模式识别模块根据为各特征波形设置的病史权重值，对各特征波形的优先级进行加权运算具体为：

所述模糊逻辑模式识别模块根据为各特征波形设置的病史权重值，确定模糊矩阵：所述模糊矩阵中的各行分别对应各特征波形，每行中的所有元素的值为该行对应的特征波形的病史权重值；使用所述模糊矩阵对各特征波形的优先级进行加权运算。

5.一种心电图特征波形识别方法，包括：

神经网络模块对输入的心电图信号根据其特征波形识别算法进行运算，从运算出的信号中识别出特征波形进行输出；其中，所述神经网络模块至少为两个，每个神经网络模块的特征波形识别算法与其它任一神经网络模块的特征波形识别算法均不相同；

模糊逻辑模式识别模块接收每个神经网络模块输出的特征波形，根据各特征波形与所述心电图信号之间的差别，分别计算各特征波形的优先级；并根据为各特征波形设置的病史权重值，对各特征波形的优先级进行加权运算后，将特征波形与其加权后的优先级进行对应输出。

6.如权利要求5所述的方法，其特征在于，所述神经网络模块具体为两个；两个神经网络模块中的特征波形识别算法分别为：基于增量学习的特征波形识别算法、基于批量学习的特征波形算法。

7.如权利要求6所述的方法，其特征在于，所述基于增量学习的特征波形识别算法的神经网络模块的训练方法为：

一个模拟学习期间通过假设初始迭代是n′-T，最终迭代是当前迭代n'来实现，其中，n′自然数，T是一个正整数常数，T+1是假设迭代区间长度，如果n′-T<0,那么初始迭代为0；

在前向迭代n'时，均方误差E_n'根据如下公式11计算得到：

$E_{n^{\&prime;}}=\frac{1}{2}{(d_{n^{\&prime;}}-y_{n^{\&prime;}})}^T(d_{n^{\&prime;}}-y_{n^{\&prime;}})$ (公式11)

上述公式11中d_n'是期望向量，y_n'是输出矢量；

通过如下公式12的后反馈迭代方法计算近似拉格朗日乘数

${\widehat{\mathrm{\&lambda;}}}_n=\frac{{\&PartialD;}^{+}{E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_n}=\frac{{\&PartialD;E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_n}+\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}{\widehat{\mathrm{\&lambda;}}}_{n+j}\frac{\&PartialD;{\hat{y}}_{n+j}}{\&PartialD;{\hat{y}}_n},$ n=n'-1,…,n'-T,(公式12)

上述公式12中，L是输出端子数目，

是近似输出矢量；

公式13-15被用于建立边界条件：

${\widehat{\mathrm{\&lambda;}}}_{n^{\&prime;}}=-(d_{n^{\&prime;}}-y_{n^{\&prime;}})$ (公式13)

${\widehat{\mathrm{\&lambda;}}}_{n^{\&prime;}+1},...,{\widehat{\mathrm{\&lambda;}}}_{n^{\&prime;}+L}=0$ (公式14)

$\frac{{\&PartialD;E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_{n^{\&prime;}-T}},\frac{{\&PartialD;E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_{n^{\&prime;}-T+1}}...,\frac{{\&PartialD;E}_{n^{\&prime;}}}{\&PartialD;{\hat{y}}_{n^{\&prime;}-1}}=0$ (公式15)

根据公式16得到近似误差梯度：

$\frac{\widehat{{\&PartialD;}^{+}{E}_{n^{\&prime;}}}}{\&PartialD;w\left(n^{\&prime;}\right)}=\underset{n=n^{\&prime;}-T}{\overset{n^{\&prime;}}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}^{n^{\&prime;}-n}{\widehat{\mathrm{\&lambda;}}}_n\frac{\&PartialD;{\hat{y}}_n}{\&PartialD;w\left(n\right)},$ (公式16)

上述公式16中0<α<1是设定的指数形式权重系数；

根据公式17由第n'次迭代时的权重值计算得到第n'+1次迭代时的权重值w(n'+1)：

$w(n^{\&prime;}+1)=w\left(n^{\&prime;}\right)-\mathrm{\&eta;}\frac{\widehat{{\&PartialD;}^{+}{E}_{n^{\&prime;}}}}{\&PartialD;w\left(n^{\&prime;}\right)}$ (公式17)

上述公式17中η是设定的调整正数；

上述公式12中的

根据如下公式18、19、20确定：

$W_0=0.7\&times;s^{\frac{1}{r}}\&times;\mathrm{normr}(2\mathrm{rand}(s,r)-I(s,r))$ (公式18)

上述公式18中，W₀表示权重矩阵W的初始状态，s为网络隐含层数，r为神经网络模块的输入样本的个数。rand(s,r)为s行r列的均匀分布的随机数矩阵，I(s,r)为s行r列的全1矩阵，normr（）为矩阵的标准化归一矩阵；

根据如下公式19计算出隐节点输出：

$o_j=f(\underset{i}{\mathrm{\&Sigma;}}{w}_{\mathrm{ij}}\&times;x_i-q_j)$ (公式19)

上述公式19中，w_ij是神经网络模块的神经网络中连接第i个节点和第j个节点的权重值，i，j为小于等于神经网络总节点个数的整数；q_j为设定的第j个神经单元阈值；f为预定的非线形作用函数；

第k个输出节点在第n次迭代时的近似输出为：

${\hat{y}}_{\mathrm{nk}}=f(\underset{j}{\mathrm{\&Sigma;}}{w}_{\mathrm{jk}}\&times;o_j-q_k)$ （公式20）

公式20中，k为小于等于输出层节点数目的正整数；第n次迭代时，各输出节点的近似输出

组成所述近似输出矢量

8.如权利要求7所述的方法，其特征在于，所述采用基于增量学习的特征波形识别算法的神经网络模块对输入的心电图信号根据其特征波形识别算法进行运算，从运算出的信号中识别出特征波形进行输出具体为：

所述采用基于增量学习的特征波形识别算法的神经网络模块根据其特征波形识别算法以及所述训练过程中确定的权重矩阵W，对输入的心电图信号进行运算，从运算出的信号中识别出特征波形进行输出；所述权重矩阵W中的元素为最后一次迭代得到的权重值。

9.如权利要求7所述的方法，其特征在于，所述病史权重值是根据病史和健康情况设置的。

10.如权利要求7所述的方法，其特征在于，所述根据为各特征波形设置的病史权重值，对各特征波形的优先级进行加权运算，具体包括：

根据为各特征波形设置的病史权重值，确定模糊矩阵：所述模糊矩阵中的各行分别对应各特征波形，每行中的所有元素的值为该行对应的特征波形的病史权重值；

使用所述模糊矩阵对各特征波形的优先级进行加权运算。

Images