bp神经网络 多组数据_基于改进BP神经网络的心电信号分类方法

心电图是心脏电活动在人体体表的反映，是检测和诊断心脏疾病的重要依据。早期心脏疾病诊断主要凭借医生丰富的经验，长时间诊断中可能存在误检或错检。随着计算机技术的快速发展，实现心电信号自动分析成为研究的热点^[1]。

心电信号分类的本质是模式识别。常用的心电信号分类方法有支持向量机(Support Vector Machines，SVM)^[2-3]、人工神经网络(Artificial Neural Networks，ANN)^[4-5]、线性判别(Linear Discriminant，LD)和采用逻辑回归的储层计算(Reservoir Computing with Logistic Regression，RC)^[6]，其中，采用最广泛的分类方法是人工神经网络。BP神经网络是一种按误差逆传播算法训练的多层前馈神经网络，具有自组织、自学习、自适应的能力，且原理简单、易于实现，是目前应用最广泛的神经网络模型之一。但是BP神经网络存在学习过程收敛速度慢、学习效率低和学习过程易陷于局部极小等局限。针对BP神经网络的缺陷，许多学者提出了优化BP网络的学习算法，常见的有遗传算法^[7-8]、粒子群算法等^[9-10]。本文结合BP神经网络的结构和学习规则，采用附加动量-自适应学习速率调整算法优化BP神经网络，并将其用于心电信号分类检测中。

基于心电信号分类的样本集主要来源于心电信号的形态特征和波形特征。在研究中常用的形态特征有P波振幅、QRS波振幅、T波振幅、PR间期、QRS间期、ST间期、RR间期等，这些特征可以通过特征点定位算法获得，但是目前只有QRS波定位检测算法比较成熟，其他的特征点定位算法的精度和准确度仍有待提高^[11]。因此，采用心电信号形态特征实现心电信号自动检测难度较大。在心电信号分类中，虽然采用波形特征不会丢失重要的特征信息，但是直接将整个心拍作为特征集，可能会遭遇“维数灾难”问题。所以，在分类之前需要对心电样本降维，常用的降维方法有主成分分析法(Principal Component Analysis，PCA)、拉普拉斯特征映射(Laplacian Eigenmaps，LE)、小波变换(Wavelet Transform，WT)等。本文选择心电信号的波形特征作为样本集，并采用PCA对样本降维处理。

1 改进的BP神经网络算法

BP网络是一种多层前馈神经网络，由输入层、隐含层和输出层组成。层与层之间有两种信号在流通：一种是工作信号，它是施加输入信号后向前传播直到在输出端产生实际输出的信号，是输入和权值的函数；另一种是误差信号，误差信号是网络实际输出与期望输出间的差值，它由输出端开始逐层向后传播。图1是一个典型的3层BP神经网络的结构图，其中x_j表示输入层第j个节点的输入，j=1，…，M；w_i，j表示隐含层第i个节点到输入层第j个节点之间的权值；θ_i表示隐含层第i个节点的阈值；φ表示隐含层的激励函数；w_k，i表示输出层第k个节点到隐含层第i个节点之间的权值，i=1，…，q；a_k表示输出层第k个节点的阈值，k=1，…，L；Ψ表示输出层的激励函数；O_k表示输出层第k个节点的输出。