] 本发明的方法，使用基于封装的特征选择框架，并且引入了 Memetic算法对心电 信号进行优化提取，其具有如下有益效果： 1、本发明无需定位基本波形以提取特征：一方面，其避免了因波形检测失准，而造成后 续机器学习算法性能下降，可更为有效地处理多变的实际心电信号；另一方面，可节省波形 检测所需的计算量，计算复杂度更低。
[0043] 2、本发明不依赖于预设的特征指标，对先验知识要求较低，且可自动抽取输入原 始心电信号中的特征信息。避免了人为设定提取指标导致的不合理性问题。
[0044] 3、Memetic算法可比现有方法更有效地解决复杂的大规模优化问题。通过将其用 于选择矢量的优化，可获得更具代表性的特征子集，从而显著提升后续分类/回归算法的 预测性能。此外，通过在适应值计算中加入稀疏代价函数，本方法可有效避免定域性问题， 提升算法泛化能力。
[0045] 应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可 以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保 护范围。
【主权项】
1. 一种基于脉搏回归模型的必电信号数据修正方法，其特征在于，包括步骤： A、 使用人工神经网络构造一回归模型，并利用采集到的脉搏信号数据W及必电信号数 据对回归模型进行训练得到训练后的回归模型； B、 将脉搏信号数据作为训练后的回归模型的网络输入，将输出作为估计的必电信号数 据，然后根据采集的必电信号数据与估计的必电信号数据的数值差异对必电信号数据进行 修正。2. 根据权利要求1所述的基于脉搏回归模型的必电信号数据修正方法，其特征在于， 所述步骤A具体包括： AU设采集获得的脉搏信号数据集为P =的，…，/y,必电信号数据集为E =化， &，…，句}，W为样本总数，信号维数为 A2、使用人工神经网络构造一回归模型； A3、初始化样本计数器n = 1 ; A4、将第n个脉搏信号样本/^。作为网络输入，对应必电信号样本&作为目标输出，用于 训练回归模型； A5、更新样本计数器n =/7+1，判断n是否大于尼若是则执行步骤A6,否则返回至步骤 A4； A6、将训练后的回归模型输出，用于后续必电信号的修正。3. 根据权利要求1所述的基于脉搏回归模型的必电信号数据修正方法，其特征在于， 所述步骤B具体包括： B1、初始化周期计数器/?? = 0; B2、获取当前周期的脉搏信号数据为A = bi，公2，…，化]，必电信号数据为&= [61， 62，…，e。]; B3、将A作为回归模型的网络输入，计算出其对应输出为&'= [61'，62'，…，e。']， 并作为估计的必电信号数据； 64、 初始化维度计数器^/ = 0 ; 65、 计算采集的必电信号数据&与估计的必电信号数据&'在第^/维上的数值差异 f ; B6、判断f是否大于预设阔值《，若是则执行步骤B7,否则执行步骤B8; B7、若曲=0,则修正e打为：； 若曲〉0,且I 如J〉I 6,' 则修正6,为其中，64。1为上一周期采集的必电信号数据&1在第^/维上的信号值，变量€. = I & f。= I -64。11分别为当前采集的必电信号数据及估计的必电信号数据在 第^/维上数值，与上一周期采集的必电信号数据之间的差值； 68、更新维度计数器^/ =^/+1，判断^/是否大于化若是则执行步骤89，否则执行步骤85 ; B9、更新周期计数器，判断是否大于M，若是则修正完成，否则返回步骤B2继 续修正下一周期的必电信号数据。4. 根据权利要求2所述的基于脉搏回归模型的必电信号数据修正方法，其特征在于， 所述人工神经网络为单隐层前馈网络或深度学习网络。5. 根据权利要求2所述的基于脉搏回归模型的必电信号数据修正方法，其特征在于， 当采用单隐层前馈网络构造回归模型时，则所述步骤A4中，使用反向传播算法进行参数优 化，当采用深度学习网络构造回归模型时，则所述步骤A4中，使用找式自编码器构造网络 模型。6. -种基于脉搏回归模型的必电信号数据修正系统，其特征在于，包括： 回归模型创建模块，用于使用人工神经网络构造一回归模型，并利用采集到的脉搏信 号数据W及必电信号数据对回归模型进行训练得到训练后的回归模型； 必电信号数据修正模块，用于将脉搏信号数据作为训练后的回归模型的网络输入，将 输出作为估计的必电信号数据，然后根据采集的必电信号数据与估计的必电信号数据的数 值差异对必电信号数据进行修正。7. 根据权利要求6所述的基于脉搏回归模型的必电信号数据修正系统，其特征在于， 所述回归模型创建模块包括： 设置单元，用于设采集获得的脉搏信号数据集为P = IA，A，…，/y,必电信号数据 集为E =化，&，…，句}，W为样本总数，信号维数为 回归模型构造单元，用于使用人工神经网络构造一回归模型； 样本计数器初始化单元，用于初始化样本计数器n = 1; 回归模型训练单元，用于将第n个脉搏信号样本/^。作为网络输入，对应必电信号样本 i?。作为目标输出，用于训练回归模型； 样本计数器更新单元，用于更新样本计数器n =/7+1，判断n是否大于尼若是则执行回 归模型输出单元，否则返回至回归模型训练单元； 回归模型输出单元，用于将训练后的回归模型输出，用于后续必电信号的修正。8. 根据权利要求6所述的基于脉搏回归模型的必电信号数据修正系统，其特征在于， 所述必电信号数据修正模块包括： 周期计数器初始化单元，用于初始化周期计数器= 0; 数据获取单元，用于获取当前周期的脉搏信号数据为A = bi，公2，…，aJ，必电信号 数据为 &= [61，62，…，6。]; 输出单元，用于将A作为回归模型的网络输入，计算出其对应输出为&'= [e/，62'， …，e。']，并作为估计的必电信号数据； 维度计数器初始化单元，用于初始化维度计数器y = 0 ; 数值差异计算单元，用于计算采集的必电信号数据&与估计的必电信号数据在第 维上的数值差异f ;判断单元，用于判断f是否大于预设阔值《，若是则执行第一修正单元，否则执行第 二修正单元； 第一修正单元，用于若W = 0,则修正6V为： 第二修正单元，用于若曲〉0,且I ^lI〉I 6,' -6,,"l|，则修正6,为：其中，64。1为上一周期采集的必电信号数据&1在第^/维上的信号值，变量€. = I & f。= I -64。11分别为当前采集的必电信号数据及估计的必电信号数据在 第^/维上数值，与上一周期采集的必电信号数据之间的差值； 维度计数器更新单元，用于更新维度计数器y =y+l，判断y是否大于化若是则执行步 骤周期计数器更新单元，否则执行数值差异计算单元； 周期计数器更新单元，用于更新周期计数器/?? = 判断是否大于M，若是则修正完 成，否则返回数据获取单元继续修正下一周期的必电信号数据。9. 根据权利要求7所述的基于脉搏回归模型的必电信号数据修正系统，其特征在于， 所述人工神经网络为单隐层前馈网络或深度学习网络。10. 根据权利要求7所述的基于脉搏回归模型的必电信号数据修正系统，其特征在于， 当采用单隐层前馈网络构造回归模型时，则所述回归模型训练单元中，使用反向传播算法 进行参数优化，当采用深度学习网络构造回归模型时，则所述回归模型训练单元中，使用找 式自编码器构造网络模型。
【专利摘要】本发明公开一种基于脉搏回归模型的心电信号数据修正方法及系统，其中，方法包括步骤：使用人工神经网络构造一回归模型，并利用采集到的脉搏信号数据以及心电信号数据对回归模型进行训练得到训练后的回归模型；将脉搏信号数据作为训练后的回归模型的网络输入，将输出作为估计的心电信号数据，然后根据采集的心电信号数据与估计的心电信号数据的数值差异对心电信号数据进行修正。本发明运算速度远高于多数现有方法。
【IPC分类】G06F19/00, G06N3/00
【公开号】CN105590011
【申请号】CN201410556338
【发明人】戴鹏, 沈劲鹏
【申请人】深圳市迈迪加科技发展有限公司
【公开日】2016年5月18日
【申请日】2014年10月20日