具有复值权重的混沌神经网络及其在心电图分类中的应用

摘要

本发明涉及信号处理技术领域，具体地涉及一种具有复值权重的混沌神经网络及其在心电图分类中的应用，首先提出了一种具有复值参数的复Logistic混沌映射，并对其分岔图、Lyapunov指数和混沌吸引子进行了分析；其次，利用CLCM的遍历性和一个新的神经元函数来优化CNN的权值；然后利用MIT‑BIH数据库对该方法进行了验证；通过带通滤波和双阈值处理，将心电信号处理成波形更单一、更突出的信号，作为所设计的CNN的输入，结果表明，具有复数权重的CNN对心电图分类的准确性有一定的提高。本发明复数权重混沌神经网络具有防止网络陷入局部极小的能力，提高了心电图的识别精度，具有较高的识别准确率。

说明书

技术领域

本发明涉及信号处理技术领域，具体地涉及一种具有复值权重的混沌神经网络及其在心电图分类中的应用。

背景技术

心电图在心律失常、心肌缺血、室性早搏等疾病的诊断中起着重要作用。然而，心电图异常种类繁多，变异的可能性很大。同一种疾病的图像截然不同。准确诊断需要医生有丰富的知识积累和临床经验。长期以来，医生们从事大量的心电图诊断工作，容易因疲劳而导致误诊。因此，心电自动识别一直是人工智能领域的研究热点，极大地促进了医疗保健的进步和发展。

现有心电信号模式识别方法通常基于传统的神经网络，如使用有向无环图卷积神经网络进行心跳分类，可以从卷积神经网络的不同层自动提取多尺度特征；采用深度神经网络对动态心电图中的心律失常进行检测和分类，通过准确测试或首先考虑最紧急的情况，可以降低心电图分析中的误诊率，但上述识别方法容易陷入局部极小值。为克服局部极小值的缺点，产生了混沌神经网络(chaotic neural network,CNN)。CNN可以更好地模拟和再现真实的大脑结构和功能，它为探索人脑加工机制，特别是思维和意识问题提供了坚实的基础。因此，对混沌神经网络的研究将在工程和脑科学中有广泛的实际应用。但现有混沌神经网络识别准确率不佳，难以达到更加精准的识别效果。

发明内容

本发明的目的在于克服现有技术存在的缺点，提出设计一种具有复值权重的混沌神经网络及其在心电图分类中的应用，具有复值权重的混沌神经网络具有防止网络陷入局部极小的能力，其在心电图分类中的应用提高了对electrocardiogram(ECG)分类的准确性。

本发明解决其技术问题所采取的技术方案是：

一种具有复值权重的混沌神经网络，采用复值Logistic混沌映射(CLCM)，CLCM将Logistic映射的变量从实域扩展到复域，增加了混沌系统的遍历性，CLCM数学模型定义为：

其中w

将w

当b

进一步的，所述具有复值权重的混沌神经网络在Sigmoid函数中引入陡度因子函数，产生一个新的激励函数模型作为所有神经元的函数，新神经元函数的方程如下所示：

其中f是正弦函数的频率，η和β都是正参数，η表示初始相位，ε(t)是陡度因子函数(ε(t)>0)。

选择以下示例函数：

并采用两层前向网络结构和20个隐藏单元进行仿真，最大迭代次数为800次，设置η＝1.8，损失函数如下所示：

E＝(y-f(x))

其中y表示预测值，f(x)表示实际输出值。

随着损失函数的不断衰减，网络通过从双周期分岔到一个固定点的连续混沌分岔过程逐渐趋于稳定平衡点，具有复数权重的混沌神经网络的混沌遍历搜索机制具有防止网络陷入局部极小的能力。

进一步的，本发明结合CLCM的遍历性与共轭梯度方法，提出混沌神经网络的学习算，包括：

步骤1、设置一个正数M，设置范围集合I＝[-M,M]，拟定W

步骤2、设

步骤3、如果函数

步骤4、如果W

进一步的，本发明所述具有复值权重的混沌神经网络在心电图分类中的应用，具体包括：

(1)数字滤波

首先，通过去基线、去噪声和信号分割步骤对心电信号进行预处理；数字滤波采用经典数字滤波方法；

(2)自适应阈值

为了使心拍波形模式更加单一，经过带通滤波后，接着对图形进行双斜率处理，即分别在点的左侧和右侧的某个取值范围内找寻最大平均斜率与最小平均斜率，然后分别将左边的最大斜率减去右边的最小斜率，右边的最大斜率减去左边的最小斜率，再求得两者的最大；取这个找寻斜率的取值范围是左右两边的0.015s～0.060s的位置，设定成经验参数，双阈值能够很好地随着信号变化，进而正确检测出QRS波的位置；

(3)心拍截取和心拍分类

在定位心拍时，忽略遗漏检测的心拍，而错误检出的心拍和正确检出的心拍都截出，混沌神经网络的学习算法具有鲁棒性，较为少量的错误检测心拍数不会对结果造成太大的影响；经过自适应阈值处理后的心拍信号，向左统计含有L1个点，向右统计含有L2个点，即截取的每个心拍长度为L1+L2个点，在工作空间分类为4个变量，分别为“正常(N)”、“左束支阻滞(LBBB)”、“右束支阻滞(RBBB)”、“室性早搏(PVC)”。

本发明首先提出了一种具有复值参数的复Logistic混沌映射，即复Logistic混沌映射(complex Logistic chaotic map,CLCM)，并对其分岔图、Lyapunov指数和混沌吸引子进行了分析。其次，利用CLCM的遍历性和一个新的神经元函数来优化CNN的权值。然后利用MIT-BIH数据库对该方法进行了验证。通过带通滤波和双阈值处理，将心电信号处理成波形更单一、更突出的信号，作为所设计的CNN的输入，具有复数权重的CNN对electrocardiogram(ECG)分类的准确性有一定的提高。

本发明的技术效果：

与现有技术相比，本发明的一种具有复值权重的混沌神经网络及其在心电图分类中的应用，具有以下优点：

(1)本发明提出了一种复值Logistic混沌映射，即复复杂场中的Logistic混沌映射(complex Logistic chaotic map，CLCM)，具有防止网络陷入局部极小的能力；详细分析了它的分岔图、Lyapunov指数和混沌吸引子，然后采用CLCM计算权值，以提高所提出的复值权混沌神经网络的全局优化能力。

(2)本发明在Sigmoid函数中引入陡度因子函数，使激励函数表现出非单调行为和更为混沌的动力学特性，提高了复值权CNN的全局寻优能力。

(3)本发明在MIT-BIH心电分类数据库的基础上，采用复数加权混沌神经网络等分类方法进行了仿真实验，结果表明，复数权重混沌神经网络提高了心电图的识别精度，具有较高的识别准确率。

附图说明

图1为本发明变量随参数b变化的分岔图；

图2为本发明Lyapunov指数图；

图3为本发明3D-CLCM吸引子图；

图4为本发明权重和损失函数的时间演化图；

图5为本发明学习算法的流程图；

图6为本发明CLCM权重反馈结构图；

图7为本发明心电信号处理流程图；

图8为本发明滤波前后103号信号波形图；

图9为本发明采用双斜率处理处理后的波形图；

图10为本发明采用滑动窗口积分处理后的波形图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面结合说明书附图，对本发明实施例中的技术方案进行清楚、完整地描述。

实施例1：

本实施例涉及的一种具有复值权重的混沌神经网络，采用复值Logistic混沌映射(CLCM)，CLCM将Logistic映射的变量从实域扩展到复域，增加了混沌系统的遍历性，CLCM数学模型定义为：

其中w

将W

分岔图描述了从分岔到混沌的过程，对分析混沌特性具有重要意义；令b

图2显示了当b

与一维Logistic映射相比，本发明CLCM具有更多的变量和参数，其混沌区间为-1.3＜b

本发明在Sigmoid函数中引入陡度因子函数，产生一个新的激励函数模型作为所有神经元的函数，新神经元函数的方程如下所示：

其中f是正弦函数的频率，η和β都是正参数，η表示初始相位，ε(t)是陡度因子函数(ε(t)>0)。

选择以下示例函数：

并采用两层前向网络结构和20个隐藏单元进行仿真，最大迭代次数为800次，设置η＝1.8，损失函数如下所示：

E＝(y-f(x))

其中y表示预测值，f(x)表示实际输出值。

权重和损失函数的时间演化图如图4所示，图4(a)是单个权重的时间演化图，图4(b)是所有神经元的损失函数。可以看出，随着损失函数的不断衰减，网络通过从双周期分岔到一个固定点的连续混沌分岔过程逐渐趋于稳定平衡点。由于神经网络不能根据自身的演化行为反复遍历所有可能的状态，因此存在局部极小值的局限性。混沌搜索的遍历性有助于克服一般随机算法中分布遍历性的局限性，避免网络陷入局部极小。因此，具有复数权重的混沌神经网络的混沌遍历搜索机制具有防止网络陷入局部极小的能力。

如图5和图6所示，本发明结合CLCM的遍历性与共轭梯度方法，提出具有复值权重的混沌遍历性搜索方法，包括：

步骤1、设置一个较大的正数M，设置范围集合I＝[-M,M]，拟定W

步骤2、设

步骤3、如果函数

步骤4、如果W

实施例2：

本实施例涉及一种具有复值权重的混沌神经网络在心电图分类中的应用。

心电图领域最常用的数据库是MIT-BIH心律失常数据库，它包含48条记录，持续时间为30分钟，共有64.8万个采样点，共有109500次心跳，其中异常心跳约占30％。

QRS波在每种心跳的每一个频带中都是最明显、最尖锐的，比其他波段更容易被检测到，被称为QRS波的“奇点”峰值点(或波谷点)，显示陡坡变化和不可导点。根据这一特点，可以采用多种处理方法进行检测，如滤波法、小波变换法等。对数据进行预处理后，截取心跳信号，完成混沌神经网络的训练和测试，从而实现心跳信号的基本识别和分类。

如图7所示，心电图信号经过四个处理流程：数字滤波、自适应阈值、心拍截取和心拍分类：

(1)数字滤波

首先，通过去基线、去噪声和信号分割三个简单的步骤对心电信号进行预处理：心电滤波算法一般要求计算量小，实时性好；同时，心电滤波算法能够尽可能地滤除干扰，为准确分析提供良好的数据。

数字滤波方法大致可分为三类，即经典数字滤波方法(如小波变换、带通滤波)、自适应滤波方法(如数学形态学)和现代高科技滤波方法(如神经网络)。仿真中采用了经典数字滤波方法。

数据库中以103号信号为例。信号经过40阶有限脉冲响应(FIR)带通滤波，通带为15～25Hz，大致相当于QRS波的频带。滤波前后103号信号的波形如图8所示。可以看出，经过滤波后，P波和T波明显减弱，同时消除了大量噪声，QRS波特征更加明显。

(2)自适应阈值

为了使心拍波形模式更加单一，经过带通滤波后，接着对图形进行“双斜率”处理，即分别在点的左侧和右侧的某个取值范围内找寻最大平均斜率与最小平均斜率，然后分别将左边的最大斜率减去右边的最小斜率，右边的最大斜率减去左边的最小斜率，再求得两者的最大。取这个找寻斜率的取值范围是左右两边的0.015s～0.060s的位置，设定成经验参数。经过处理，得到处理前后的波形如图9所示。由此可得，双阈值能够很好地随着信号变化，进而正确检测出QRS波的位置。

由于滤波或斜率计算的因素，每一步得到的波形幅度越来越小，但幅度太小不利于检测。这里使用滑动窗口积分。该方法增加了绝对振幅并进一步平滑了波形。滑动窗口的宽度设置为17个采样点，这是一个经验参数。积分后，波形幅度显著增大。因此，波形更加单一，QRS波的变化更加突出。处理后的波形如图10所示。

(3)心拍截取和心拍分类

在定位心拍时，一般会出现错检以及漏检，可以忽略遗漏检测的心拍，而错误检出的心拍和正确检出的心拍都截出。混沌神经网络的学习算法具有鲁棒性，较为少量的错误检测心拍数不会对结果造成太大的影响。经过自适应阈值处理后的心拍信号，向左统计含有100个点，向右统计含有150个点，即截取的每个心拍长度为250个点，在工作空间可以找到4个变量，分别为“正常(N)”，“左束支阻滞(LBBB)”，“右束支阻滞(RBBB)”，“室性早搏(PVC)”。

在本实验中，首先采用带通滤波和双阈值处理对数据进行处理，然后将20000个心跳信号随机分为训练集和测试集。通过randperm函数随机打乱样本索引实现训练集和测试集的随机选取，然后截取14000个索引对应的样本作为训练集，剩余的作为测试集。

表1心电图识别结果

ECG样本的识别结果如表一所示，以“Conf_Mat”表示的预测结果的样本分布如表二所示。“Conf_Mat”是“混淆矩阵”的缩写，用于表示分类结果的样本分布。

表2混淆矩阵

在工作区中打开名为“Conf_Mat”的矩阵，如表2所示。类别1、2、3和4分别代表N、PVC、RBBB和LBBB。对角线是每个类别正确预测的数量，其余是错误预测的数量。

例如，在表示为(2,4)的第2行和第4列中，9次早搏被错误地识别为左束支传导阻滞，这是所有错误中的最大值。这是因为早搏和左束支传导阻滞的表现可能更相似。(4,3)中的数字是0，这意味着没有一个左束支传导阻滞被错误地识别为右束支传导阻滞。这表明它们之间的差异更大，更容易识别。通过分析混淆矩阵，可以更仔细地分析分类器的性能和样本分布。

ECG分类标准为总体准确率Se、平均阳性检出率P

Se＝TP/(TP+FN)×100％

P

式中，TP代表该类别被正确分类的个数；FN代表该类被错分为其他类的个数；FP表示不属于该类却被分类器分为该类的心拍个数。

根据上述指标，将本方法与其他方法实现的心率分类精度进行比较，如表3所示，本方法的总体精度为99.10％，是所有方法中最好的。同时，常规卷积神经网络的准确率为98.26％，BP神经网络的准确率为97.97％，支持向量机的准确率为96.69％，具有实值Logistic混沌映射的混沌神经网络的准确率为98.85％。

值得注意的是，混沌神经网络无论是实值Logistic混沌映射还是复数Logistic混沌映射，都可以克服神经网络容易陷入局部极小值的问题，从而提高心率分类的能力。然而，复混沌系统的动力学行为比实混沌系统更为复杂。复混沌系统的实部和虚部相互独立，提高了混沌映射的遍历性。因此，复杂混沌系统提高了心电信号的识别率，具有较高的识别精度。

表3本发明提出的混沌神经网络和已知文献结果对比

本发明提出了复值Logistic混沌，并利用其遍历性选择权重；然后采用共轭梯度法确定搜索方向。此外，在Sigmoid激励函数中引入了陡度因子函数，使激励函数具有非单调性，有效地提高了CNN的全局搜索能力。本发明将该方法应用于心跳模式识别，取得了良好的效果，识别率高达99.10％，四种心电节拍的识别指标均较高且稳定，其中，该模型的平均阳性检出率为99.09％，综合指数为99.09％。

与其他几种心跳分类方法相比，该方法显著提高了整体识别准确率、平均阳性检出率和综合指数。结果表明，本发明具有复值权重的混沌神经网络模型具有较好的遍历性和全局寻优能力，适合于心拍识别。