一种基于动态模式识别的心电信号ST‑T段识别方法与流程
本发明属于医学特征识别技术领域，涉及一种基于动态模式识别的心电信号识别方法，更具体地，涉及一种针对心电ECG信号ST-T段数据的内在系统动态信息的提取和识别方法。
背景技术：
当今社会，由于心肌缺血导致的心肌梗塞等心血管疾病的发病率和死亡率日渐增高，医学识别技术的提高与新型医疗设备的发展一直以来都是医疗领域发展的重点。实际上，心肌缺血患者在发病早期阶段一般并没有明显的临床症状或者不适感很轻微，大部分患者不会主动就医，或者即使到医院就医，普通的常规心电图(ECG)诊断结果也体现不出早期缺血的异常。常规心电识别诊断精度不高、患者无临床征兆不会进行昂贵的精密检查以及医生识别心电信号经验不足等因素使得心肌缺血病情十分容易被患者和医生忽视。如果能在日常生活中对心电信号采用更为敏感的识别手段，就可以密切关注其先兆症状，能在心电图尚未发生显著变化时察觉到心肌缺血病症，使得这类患者在症状早期阶段得到更积极的干预治疗，从而挽救患者生命。
体表心电信号的采集以其低廉的医疗成本和可靠的安全性成为目前世界上最普及的心血管疾病监测方式，心电图机成为全球各类医疗机构心血管疾病诊断的基本医疗设备，ECG信号也以12导联和3导联的形式最为常见。临床上认为心电信号中各导联的ST-T段的偏移反应心脏机能的异常，对心肌缺血和心梗的预测及诊断有重要的参考价值。实际上，对许多患者而言，特别是ECG无明显改变的心肌缺血者和轻微的心梗患者，现有心电图技术对ST-T段检测的准确率其实不高，并且难以对ST-T段的微小改变敏感。分析其原因有：生物电信号本身微弱，存在各种干扰；以ST-T段对比等电位值的偏移量作为特征参数的选择依据，灵敏性和准确性并不能令人满意；对ST-T段没有统一的测试标准和公认的测试数据库，甚至其形态的起始点都没有严格统一的定量规定；大多数病患病情不稳定，使得检测信号呈现出明显的动态变化，不便于静态识别方法的判定。因此，心梗早期预测及检测是医学检测领域的工作者不断探讨的课题。
随着传感器技术、物联网技术和云服务器计算功能的不断完善，体表心电信号的采集也不再局限于医疗机构使用，更多穿戴式的健康监测设备打开了市场，走进了普通老百姓家庭。各种穿戴式智能设备的出现、智能手机等终端的应用以及云计算技术对大数据快速运算的支持，使得大量的个人用户可以自行进行ECG信号采集、利用智能手机等设备进行信号采集过程的实时监控和简单计算，并通过手机网络发送到指定机构。这样的方案已经被提出，但是常用ECG识别方法自行诊断的准确率实在有限，尤其是预测方面的能力欠缺，想得到更精确的诊断还是需要专业医师。相对于人口基数，我国心血管内科专业医师的数量实在太有限，并且这些医师都需要先完成自己的本职工作，由专业医生对穿戴式设备用户发送来的ECG诊断，完成心电监护的这个“闭环”过程是非常难以普及的，并且人工和经济成本也会大幅度增加。因此，心电信号识别需要更高准确率的自动化分析方法来替代人的工作。
基于ECG的ST-T段进行心肌缺血和心梗的检测，本质上可以看作是一个动态模式识别问题，也就可以运用动态模式识别的方法来处理医疗数据的识别问题，而动态模式识别本身是模式识别领域的一个难题。在对径向基函数(RBF)神经网络的持续激励特性研究的基础上，C.Wang等提出了确定学习理论。确定学习运用自适应控制和非线性动力学系统的概念和方法，通过选择局部RBF神经网络作为参数化的模型结构，证明了对于由非线性系统产生的周期轨迹或者更一般的回归轨迹，RBF神经网络中沿着回归轨迹的神经元的径向基函数构成的子向量可以满足部分持续激励(PE)条件。这个部分PE条件可以使得沿着回归轨迹的神经元权值收敛到其真值或最优值，因而在沿着回归轨迹的局部区域实现对非线性系统动态的准确神经网络建模。这样，依靠非线性动态系统的状态信息，确定学习理论可以对非线性系统的未知动态进行局部准确建模。基于确定学习机制，C.Wang等进一步研究由非线性动力学系统产生的动态模式的辨识、表达和快速识别，通过确定学习所获得的动态模式内在的局部准确动力学知识，把随时间变化的动态模式以时不变且空间分布的方式有效地表达，再利用动态模式内在的动力学拓扑相似，给出用来表征动态模式之间相似性的定义。也就是原创性地提出了对动态模式的局部准确建模、对动态模式进行全息特征提取、以及对动态模式进行快速识别的一套新方法。确定学习理论可以将所训练模式的时间特性与其他动态特性结合，以非时间轴的全息特征形式在立体空间中进行表现，既是目前动态模式识别领域中的新方法，也是真正严格意义上完全不同于静态模式识别的动态特征提取方法。此方法所获得的动态模式特征能够进行存储和再利用，在实际工程应用中同样具有实践意义。在中国发明专利申请：一种基于确定学习理论的海量时态数据建模方法(申请号：201210560790.X)中，王聪等提出了一种针对离散非线性系统产生的海量时态数据建模的确定学习算法，将确定学习理论在时态数据建模领域进行了拓展。这为将动态模式识别引入实际工程应用中做了铺垫，但是在具体应用对象中，由于确定学习理论上对数据训练有一定的假设，这些假设的要求使得相应的动态模式识别方法还需要在数据筛选、高速计算和学习训练等方面进一步优化与创新。由于这套方法对周期、准周期和类周期数据的动态模式建模和识别都行之有效，并且对测试模式与训练模式的微小差异敏感，使它成为了生物医疗信号动态特征识别的良好工具。
技术实现要素：
本发明的目的是为了克服现有技术的缺点与不足，提供一种基于动态模式识别的心电信号ST-T段识别方法。由于心脏是持续跳动的，严格意义上每一次心博在体表的体现都不会完全一样，即使是正常情况都会存在及其微小的差异，对ECG心电信号各波段的识别本质上就可以看作是一个动态模式的辨识与识别问题。本发明将动态模式识别领域中的确定学习理论应用于对ECG的ST-T段的内在系统动态的局部准确建模和全息特征提取，并将所学习训练得到的系统动态知识进行存储并加以利用，构建模式库，用于心电信号的识别。本发明方法适用于心电信号日常监测和冠脉健康及心肌缺血病症的预测，为日常心脏保健提供新的依据。
本发明的目的通过如下技术方案实现：一种基于动态模式识别的心电信号ST-T段识别方法，包含如下步骤：
步骤一、用户端信号采集：
(1)心电ECG信号预处理：利用用户端的穿戴式心电数据采集设备获取心电图ECG信号的数值数据，用中值滤波器进行基线漂移矫正，再用小波变换滤除50Hz工频干扰和肌电干扰；
(2)心电信号质量评估：取肢体导联I为代表，检测每个周期内幅值最大的R波，以此计算心率，心率严重不齐的数据为质量评估不合格，在用户终端给予个人用户提示，请求重新采集数据。
(3)截取ST-T段数据预设训练集：对质量评估合格的数据，取肢体导联I、胸导联V2和V5作为预设训练导联，并截取出ST-T段在空间中进行归一化处理，处理后的数据作为训练集数据；
步骤二、将训练集数据通过网络发送至云服务器进行大规模快速计算：
(1)通过动态模式识别方法对数据内在系统动态进行训练并建立模式库；利用RBF神经网络实现对各训练集ST-T段数据内在系统动态的局部准确建模，所训练所得的动态知识以常值神经网络权值的形式进行存储，并由此建立模式库；
(2)利用训练所得的常值神经网络构建动态估计器：模式库中每个模式数据的动态特征都已经以常值神经网络权值的形式存储，这些权值重新构建新的常值神经网络，并嵌入动态估计器中，每个模式对应了一个动态估计器；
(3)比较测试数据与模式库内各模式之间的内在系统动态差异，由最小残差原理实现对测试模式的准确识别：将被测的未知心电数据经过步骤一的(1)(2)(3)步处理后与模式库中已有模式进行动力学上的相似度计算性对比，生成一组对应的计算识别残差，残差值最小说明测试模式与此残差对应的估计器所代表的模式匹配；
(4)选取20％的最小残差进行识别结果修正：选取模式数量20％的最小残差，将其对应的病症模式与测试数据进行动力学对比分析，排除动力学上明显不同的情况，修正识别结果，并且当测试数据无法与模式库内已有模式匹配时，将此数据作为新的病症模式加入模式库，完善数据库记录；
步骤三、将识别结果发送至云终端和用户端：云终端供医疗数据存档以备专业医师查看和进一步诊断，用户端提供给个人用户心电识别结果。
上述方法中，步骤一中(1)所述用户端的穿戴式心电数据采集设备是指常规的采用Frank体表心电测量体系进行心电数据采集的设备，所采集的心电数据可以包含全面12导联：Ⅰ、Ⅱ、Ⅲ、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6，也可以是八导联ECG和三导联，但是都必须以胸导联为主。因为肢体导联是投影导联，在动态诊断中可以不用，但胸导联是直接导联，是分析心电特征的主要数据来源。
上述方法中，步骤一中(1)所述数值数据是智能型穿戴式设备所采集到的生理信号的主要表达形式，这些数据不同于临床中专业医师直接识别的心电图图纸，是可以用于复杂计算的数据格式。
上述方法中，步骤一中(1)所述预处理以使随后的操作充分稳定和可靠，由于动态模式识别需要保留信号所代表的动态系统内部的微小特征，此处的预处理不能过度，采用基本的基线漂移矫正和滤除工频、肌电干扰。在基线漂移矫正方法中，中值滤波器可以很好的持平基线同时还不影响信号动态特征，小波变换滤除50Hz工频干扰和肌电干扰也利于保留动力学特征。
上述方法中，步骤一中(2)所述心电信号质量评估是指针对不适合动态模式识别方法的严重心率不齐数据进行判别，提示个人用户重新采集质量合格的信号。此步骤是动态模式识别方法前期处理过程中的重要步骤，也是其他动态模式识别方法中未明确提出的步骤。个人用户往往缺乏专业知识，对于自行采集的生理数据无法识别其质量，质量不佳的数据发到云服务器上强行叠加计算后对识别结果有影响，且浪费计算资源，增加计算耗时。在训练模式之前对心电信号质量进行定量评估，有助于个人用户只将心电信号质量较好的数据发往医院，抛弃信号质量不好的数据，从而提高自动识别的效率和准确性。低质量心电信号容易导致错误提示、监护不力、评估不准确甚至错误识别。R波检测和R-R间期检测方法采用常规即可。
上述方法中，步骤一中(2)所述心率严重不齐的数据为质量评估不合格是指动态模式识别对周期、类周期和准周期数据适用，心电信号正是典型的周期信号，而心率严重不齐的数据在各波段间期时长也会严重不一致，影响周期性的体现，从而影响动态模式识别的结果。并且大部分严重的心率不齐在临床上已经能体现出如心慌心悸等明显病征，表示错过早期检测的最佳时间，对此类数据进行ST-T段识别意义不大，应该直接医院就医，并进行多次心电检测。
上述方法中，步骤一中(3)所述取肢体导联I、胸导联V2和V5作为预设训练导联是因为胸导联V2和V5负责心脏前壁和后侧壁的监测，对于动态模式识别这是合理的诊断依据的来源，另外配备肢体导联I为同监测体系数据的辅助，能够体现出动态模式识别的数据多样性，同时在不影响识别结果的前提下合理减少计算量。
上述方法中，步骤一中(3)所述截取ST-T段是因为ST-T段包含了心肌缺血和心梗早期症状的主要动态。具体截取操作是：以肢体导联I为截取标准，选取在整个心电周期中用最高点R波定位，使用最大函数方法搜索到R波后，沿后寻找J波，也就是ST-T段的起点，再根据面积法推断ST-T段。此步骤中ST-T段的截取方法对所有处理数据统一即可。
上述方法中，步骤一中(3)所述归一化是指对截取到的ST-T段数据进行单位球内的归一化，具体操作是：肢体导联I、胸导联V2和V5的三维ST-T段数据可以用X＝[xX,xY,xZ]T∈R3表示，其范数为计算最大范数||X||max，将ST-T段所有数据点坐标除以该范数，获得新的数据点位置，即实现归一化。为表达方便，归一化后的数据仍然用矩阵X＝[xX,xY,xZ]T∈R3表达。
上述方法中，步骤二中(1)所述动态模式识别选用的是确定训练理论中对非线性系统局部准确神经网络逼近的系统辨识方法，具体解释为：沿着任何周期或回归轨迹的、由径向基函数构成的子向量可以满足部分持续激励条件，这个部分持续激励条件的满足可以使得在由非线性系统产生的周期或回归轨迹的局部区域内实现对非线性系统动态的准确神经网络逼近，即实现非线性系统的局部准确神经网络辨识。此方法解决了持续激励条件的满足及预先验证这一难题，而心电信号本身的强周期性就能使得持续激励条件满足。
上述方法中，步骤二中(1)所述训练是指动态知识获得的过程，动态神经网络辨识器的形式如下：
其中，ai是设计常数，满足0＜|ai|＜1；为神经网络辨识器的状态；xi(k)为所训练的模式数据的第i维数据，本发明中i＝X,Y,Z，具体分别是指肢体导联I、胸导联V2和V5的ST-T段数据；为状态误差；X(k)＝[xX(k),xY(k),xZ(k)]T∈R3在训练阶段是k时刻的训练数据；是动态RBF神经网络，是用来近似训练数据内在动态；S(X(k))＝[s1(||X(k)-ξ1||),…,sN(||X(k)-ξN||)]T是高斯型径向基函数；N＞1是神经网络结点数目；ξj(j＝1,…,N)是神经元中心点，RBF神经网络权值的调节律i＝X,Y,Z按中国发明专利申请：一种基于确定训练理论的海量时态数据建模方法(申请号：201210560790.X)中给出的形式即可。其中，动态RBF神经网络的权值的初始值
上述方法中，步骤二中(1)所述局部准确建模是对训练数据内在动态进行局部准确建模，其内在动态记为fi，则fi建模时可由如下公式表示：
其中，εi1是逼近误差，所述局部准确建模是指通过RBF神经网络对指沿着系统动态轨迹的内部动态被逼近，而远离系统动态轨迹的内部动态不被逼近。此训练过程涉及大量数据计算，需要高性能计算硬件的支撑，因此在云服务器上计算为最优设计。
上述方法中，步骤二中(1)所述常值神经网络权值是指在一段时间内权值收敛至最优值，选取收敛的部分权值取数值平均，获取相应的神经网络常值权值使fi由常值神经网络进行局部准确逼近，即：
其中，εi2是逼近误差。
上述方法中，步骤二中(1)所述以常值神经网络权值进行存储是指常值神经网络是时不变的和空间分布的，即有效的信息只存贮在靠近内在系统动态轨迹的神经元上，而远离轨迹的神经元没有存贮信息，常值神经网络只逼近沿系统动态轨迹的内部动态，远离轨迹的内部动态没有被逼近。
上述方法中，步骤二中(1)所述建立模式库是指经过前述步骤对各种正常以及不同程度病症数据进行处理后，训练完所有备选病症数据，建立起用于病症检测的包含有大量正常模式与病态模式的模式库。并且，当有全新的被测数据无法与模式库内已有模式匹配时，此数据将将作为新的病症模式重新进行训练后加入模式库，用以完善模式类型。
上述方法中，步骤二中(2)所述权值重新构建新的常值神经网络，并嵌入动态估计器中，每个模式对应了一个动态估计器是指利用训练过程所得的常值神经网络权值构造一组动态估计器，将每个动态估计器的状态分别与测试数据进行比较，并且将它们之间的差值作为残差。此事的残差的组数与模式库内的模式数量一致。动态估计器形式如下：
其中，bi是设计常数，满足0＜bi＜1；为动态估计器的状态；h表示第h个动态估计器，h＝1,…,M，M为模式库中的模式数量；xi(k)为测试数据的第i维数据；X(k)＝[xX(k),xY(k),xZ(k)]T∈R3在识别阶段是k时刻的模式数据；是通过确定学习获得的常数RBF神经网络，当动态估计器对应的病症模式出现时，常数RBF神经网络能快速回忆已经训练到的知识，提供该模式的内部动态信息。动态估计器的状态与测试数据的同时刻数据之间的误差即为残差，此时的残差是多维数据。此识别过程涉及大量数据计算，需要高性能计算硬件的支撑，因此在云服务器上计算为最优设计。
上述方法中，步骤二中(3)所述相似度计算性对比是动态估计器的状态与测试数据的同时刻数据之间的误差求取平均L1范数：
其中，Tc表示心动周期。为表述简洁，一般将残差的平均L1范数直接称为动态模式识别方法的残差。
上述方法中，步骤二中(4)所述选取20％最小残差是本发明在多次数据实验中根据结果统计所得经验拟定的比例，其中的最小残差是相对概念，指残差值由小到大排序的最前20％的残差，代表了这一类模式与其他80％的模式相比与测试数据更相似。20％的比例对于人类心电信号的识别结果修正有效。这个修正过程的计算量会随着模式库数量的增大而增大，因此在云服务器上完成为最优设计。
上述方法中，步骤二中(4)所述完善数据库记录是指经过识别之后，也可能出现已有模式库中没有病症模式与被测病症数据相匹配的情况，即最小残差不在小阈值范围，则认为有新的病症模式出现，这时应再次训练此类病症数据，并将其视为新模式加入模式库，以丰富模式库。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明能够克服心电信号微弱、信号干扰消除得不完善所造成的检测误差和记录分析设备引入的失真等因素的影响，实现对心电信号ST-T段数据在局部区域内的准确建模，是对心电动态的全息表达。
2、本发明能够克服动态模式识别过程中应用确定学习理论时，持续激励条件不能保证对所有模式都满足的缺陷，通过前期质量评估确保了低质量数据不进入训练过程，既确保持续激励条件的满足，又减小了不必要的计算量。
3、本发明能够克服目前心电图ST-T段诊断大多只用ST段抬高或压低的幅度和T波的形态变化为判别的参考所引起的灵敏性和准确性不高的问题，通过对心电信号ST-T段这类典型的动态模式信号的内在系统动态进行局部区域内的准确建模，由训练过程产生各类心电信号模式，以用于测试信号的动态模式识别，能较为敏感地反映不同信号之间的差异，为心肌缺血的早期预测及诊断提供一种新方法。
4、本发明能够在ECG尚未发生明显改变或ST-T段改变微小的情况下，对心电信号进行识别，可作为相关病症诊断的重要参考依据，还可用于日常心血管疾病治疗后续的监测。
5、本发明所提方法是将采集处理过的数据进行训练后生成的模板和待识别数据发到云服务器上，依靠云服务器的硬件计算能力进行动态模式识别，再将计算结果发回患者，这样既能够减少用户终端设备硬件计算能力和数据存储能力不足的缺陷，将模式库内已训练模式更久保存在云端，不断的丰富数据库的模式数量，也能大大克服将数据发到人工诊断而引起的诊断不及时等缺陷。
附图说明
图1是本发明实施例的流程图；
图2是实施例中P267数据的ECG三导联；
图3是实施例中训练集归一化后的三维ST-T数据；
图4是实施例中测试数据与模式库中各模式的残差比较图；
图5a是实施例中测试数据P267的三维ST-T数据训练结果的10秒完整空间显示；
图5b是实施例中测试数据P267的三维ST-T数据训练结果在XY面上的投影；
图5c是实施例中测试数据P267的三维ST-T数据训练结果在XZ面上的投影；
图5d是实施例中测试数据P267的三维ST-T数据训练结果在YZ面上的投影；
图6a是实施例中识别结果修正中第二匹配模式的内在动态特征的10秒完整空间显示；
图6b是实施例中识别结果修正中第二匹配模式的内在动态特征在XY面上的投影；
图6c是实施例中识别结果修正中第二匹配模式的内在动态特征在XZ面上的投影；
图6d是实施例中识别结果修正中第二匹配模式的内在动态特征在YZ面上的投影。
具体实施方式
下面结合实施例及附图，对本发明的具体实施方式作进一步详细说明，但本发明的实施和保护范围不限于此。
本发明的具体实施例中所使用的正常和心肌梗塞数据来源于PTB(Physikalisch-Technische Bundesanstalt)心电数据库。PTB心电数据库是由MIT提供的公开的为医学研究所用的标准心电数据库，下载地址为：http://www.physionet.org/cgi-bin/atm/ATM。PTB数据库包括来自290个病例的549条记录，每条记录包括15个同步的信号(由常规12导联心电图ECG数据和3个导联的心电向量图VCG数据组成)，信号增益为2000，采样率为1000Hz，存储精度为16bit。每条记录的头文件(.hea文件)中详细记载了病例的临床摘要，记录的数据时长有10s\30s\60s可选。PTB心电数据库中数据包含种类繁多的噪声，有的记录中噪声幅度较大，甚至超过心电信号的波峰，掩盖了正常周期的R波。这类信号的噪声滤除问题很难良好解决，这很可能是采集数据过程中难以预料的大干扰造成的。在实施例中我们认为这类数据是需要重新采集的。
本发明的具体实施例选取PTB数据库中的10s类数据共43例病例作为模式建立模式库，选取PTB数据库内编号为P267的病例的另外一段10s记录作为测试数据，说明本发明方法对ST-T段识别的有效性。一种基于动态模式识别的心电信号ST-T段识别方法的整体流程如图1所示。
采用一种基于动态模式识别的心电信号ST-T段识别方法步骤如下：
步骤一、用户端信号采集：
(1)心电ECG信号预处理：利用用户端的穿戴式心电数据采集设备获取心电图ECG信号的数值数据，用中值滤波器进行基线漂移矫正，再用小波变换滤除50Hz工频干扰和肌电干扰。
数值数据并非临床心电图中常见的图纸或图片格式的数据，但是可以通过计算机工作站以心电图形式表现。由于干扰的影响和心电信号本身微弱的特性，心电信号往往埋藏在噪声中，因此很容易造成信息丢失或产生虚假信息，所以要对信号进行预处理来降低噪声、增强信息。本实施例中仅进行两项基本滤波：矫正基线、滤除50Hz工频干扰和肌电干扰。篇幅所限，本实施例中经过数据预处理之后的ECG在说明书附图中仅展示后续步骤中会用到的Ⅰ、V2和V5三个导联，如图2所示为P267前部分数据的Ⅰ、V2和V5三个导联数据。
(2)心电信号质量评估：取肢体导联I为代表，检测每个周期内幅值最大的R波，以此计算心率，心率严重不齐的数据为质量评估不合格，在用户终端给予个人用户提示，请求重新采集数据。此实施例中的43例数据的心率水平都为非严重不齐，因此都为质量评估合格数据。R波识别和R-R间期计算则根据研究重点和统计样本不同存在多种方法，使用何种变换法则并不影响本实施例的最终识别结果。
(3)截取ST-T段数据预设训练集：对质量评估合格的数据，取肢体导联I、胸导联V2和V5作为预设训练导联，并截取出ST-T段在空间中进行归一化处理，处理后的数据作为训练集数据。具体截取ST-T段方法和归一化处理方法如步骤说明所述，为表达方便简洁，处理后的肢体导联I、胸导联V2和V5的三维ST-T段数据用X＝[xX,xY,xZ]T∈R3表示。图3是实施例中训练集归一化后的三维ST-T数据。
步骤二、将训练集数据通过网络发送至云服务器进行大规模快速计算：
(1)通过动态模式识别方法对数据内在系统动态进行训练并建立模式库；利用RBF神经网络实现对各训练集ST-T段数据内在系统动态的局部准确建模，所训练所得的动态知识以常值神经网络权值的形式进行存储，并由此建立模式库。
对每个模式而言，通过确定学习，利用RBF神经网络实现对各种模式ST-T段动态的局部准确建模，即对数据内在动态进行局部准确神经网络辨识。动态神经网络辨识器的形式如下：
其中，aX，aY，aZ是设计常数，满足0＜|aX|＜1，0＜|aY|＜1，0＜|aZ|＜1；为神经网络辨识器的状态；xX(k)，xY(k)，xZ(k)为训练集内的训练数据；为状态误差；
X(k)＝[xX(k),xY(k),xZ(k)]T∈R3在训练过程中是k时刻训练数据；是动态RBF神经网络，用来近似ST-T段的内在动态；S(X(k))＝[s1(||X(k)-ξ1||),…,sN(||X(k)-ξN||)]T是高斯型径向基函数；N＝24389是神经网络结点数目；ξj(j＝1,…,N)是神经元中心点。RBF神经网络权值的调节律如步骤说明中所述。动态RBF神经网络的权值的初始值
训练数据内在动态记为fX，fY，fZ，则fX，fY，fZ可由如下公式表示：
其中，εX1，εY1，εZ1是逼近误差，所述局部准确建模是指通过RBF神经网络对指沿着系统动态轨迹的内部动态被逼近，而远离系统动态轨迹的内部动态不被逼近。常值神经网络权值是指在一段时间内权值收敛至最优值，选取收敛的部分权值取数值平均，获取相应的神经网络常值权值使fX，fY，fZ由常值神经网络进行局部准确逼近：
其中，εX2，εY2，εZ2是逼近误差。常值神经网络是时不变的和空间分布的，即有效的信息只存贮在靠近内在系统动态轨迹的神经元上，而远离轨迹的神经元没有存贮信息，常值神经网络只逼近沿系统动态轨迹的内部动态，远离轨迹的内部动态没有被逼近。
对PTB数据库中选取的43个模式数据采用以上方法进行训练，直至训练完所有备选病症数据，建立起用于病症检测的模式库。
(2)利用训练所得的常值神经网络构建动态估计器：模式库中每个模式数据的动态特征都已经以常值神经网络权值的形式存储，这些权值重新构建新的常值神经网络，并嵌入动态估计器中，每个模式对应了一个动态估计器。
测试数据P267进行处理后与模式库中已有模式进行动力学上的相似度对比，即利用训练过程中得到的常值神经网络权值构造一组动态估计器，将每个动态估计器的状态分别与测试数据的三维ST-T段数据进行比较，并且将它们之间的差值作为残差。动态估计器形式如下：
其中，bX，bY，bZ是设计常数，且满足0＜bX＜1，0＜bY＜1，0＜bZ＜1；为动态估计器的状态；h表示第h个动态估计器，h＝1,…,43，43为本实施例中模式库内的模式数量；X(k)＝[xX(k),xY(k),xZ(k)]T∈R3在识别阶段是k时刻的测试数据；是通过确定训练获得的常数RBF神经网络，当动态估计器对应的病症模式出现时，常数RBF神经网络能快速回忆已经训练到的知识，提供该模式的内部动态信息。动态估计器的状态与未知的被测病例的k时刻数据之间的误差即为残差。
(3)比较测试数据与模式库内各模式之间的内在系统动态差异，由最小残差原理实现对测试模式的准确识别：将被测的未知心电数据经过步骤一的(1)(2)(3)步处理后与模式库中已有模式进行动力学上的相似度计算性对比，生成一组对应的计算识别残差，残差值最小说明测试模式与此残差对应的估计器所代表的模式匹配。
求取三维残差的平均L1范数如下：
其中，Tc表示心动周期。为表述简洁，一般将残差的平均L1范数直接称为动态模式识别方法的残差。本实施例中被测数据P257与模式库中的43个模式生成了一组包含43个残差平均L1范数曲线的比较图，由于计算精度较高，导致此图横坐标时间轴较长，故只示意曲线平缓能明显反应值的差异的一段，如图4所示。由此图可明显看到纵坐标值最小的残差为识别过程中产生的最小残差
(4)选取20％的最小残差进行识别结果修正：根据统计原理，选取模式数量20％的最小残差，将其对应的病症模式与测试数据进行动力学对比分析，排除动力学上明显不同的情况，修正识别结果，并且当测试数据无法与模式库内已有模式匹配时，将此数据作为新的病症模式加入模式库，完善数据库记录。
由于生物信息的个体差异性太多，难以以统一的阈值限定残差所代表的相似性，而由于ST-T段改变较小的情况在早期病症中太常见，这些微小改变动态模式识别所获取的残差值可能存在很相近的情况，也就是最小残差不一定代表最相似，所以根据统计学规律选取20％的残差最小数据进行进一步比较和归纳，对直接计算的识别结果进行修正。本实施例中43例总模式的20％是9例，可选取9个最小残差进行识别结果修正。9个最匹配模式分别是：第一匹配P267、第二匹配P200、第三匹配P166、第四匹配P100、第五匹配P337、第六匹配P065、第七匹配P126、第八匹配P103、第九匹配P187，即图6残差比较图中数值最小的九条残差曲线对应的模式。
再将其对应的病症模式与被测数据进行动力学对比分析：第一匹配P267为其模式本身不同时间测量所得数据，为最匹配，也说明本方法的计算识别结果很准确。第一匹配数据其动力学特征在空间及平面上的投影如图5a-5d所示。第二匹配模式的动态特征与P267之间的差异确实明显与第一匹配，故第一匹配的识别结果是准确的。第二匹配数据其动力学特征在空间及平面上的投影如图6a-6d所示。其余匹配的比较分析方法一致，不再一一赘述。
步骤三、将识别结果发送至云终端和用户端：云终端供医疗数据存档以备专业医师查看和进一步诊断，用户端提供给个人用户心电识别结果。检测结果分析之后，当被测数据无法与模式库内已有模式匹配时，此被测数据将被作为新的病症模式重新进行训练后加入模式库，并待专业医师进行医学标注后完善数据库记录，以丰富模式库病症。
实施例验证了本发明方法的有效性和识别结果的可靠性，本发明的ST-T段识别结果可作为心血管疾病诊断的重要参考，为此患者的日常健康评估和进一步病症诊断提供依据。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！