CN201414795Y - 模糊心电图智能在线分析仪*** - Google Patents
模糊心电图智能在线分析仪*** Download PDFInfo
- Publication number
- CN201414795Y CN201414795Y CN2009201296939U CN200920129693U CN201414795Y CN 201414795 Y CN201414795 Y CN 201414795Y CN 2009201296939 U CN2009201296939 U CN 2009201296939U CN 200920129693 U CN200920129693 U CN 200920129693U CN 201414795 Y CN201414795 Y CN 201414795Y
- Authority
- CN
- China
- Prior art keywords
- electrocardiogram
- blurry
- analysis
- data
- intelligent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本实用新型公开了一种模糊心电图智能在线分析仪***,由在线数据接口、心电向量并行计算机、数据融合神经网络、心电间期向量多域分析仪、专家***、应用软件包和离线数据接口组成。本实用新型采用了MIMD并行计算机,通过对12导联心电向量进行多元神经网络分析、多传感器时间序列数据融合和心电向量多域分析,并把模糊心电图主图自动分析结论,以及包括血压、脉搏、血氧、呼吸、活动范围和活动内容等信息在内的模糊心电图附图信息综合形成包括12导联心电图在内的生命体征信号的时域分析、频域分析、各种心电间期离散度时域分析和各种心电间期变异性的小波分析的诊断报告。
Description
技术领域
本实用新型涉及医疗器械领域,特别是一种模糊心电图智能在线分析仪***。
背景技术
长时程的心电图分析源于1957年,美国实验物理学家Norman J.Holter博士首创了连续记录生物电技术(即Holter技术),可达24h以上的长时程型的动态心电图(简称为DCG,惯称为Holter);1961年推出了具有临床实用价值的动态心电图仪,当时的动态心电图仪只有1个监测导联(一通道);20世纪60~70年代监测导联增加到了2个,描记出二通道动态心电图;1987年监测导联增加到了3个(三通道),描记出三通道动态心电图;1992年美国Mortara设备公司制造出世界第一台12导联(十二通道)同步AECG(ambulatoryelectrocardiogram,简称AECG),但这种12导联AECG仪实际上连各种室早、束支阻滞、心肌梗死定位都无法打印出来确切的图形和报告;继之美国Mortara设备公司于1997年~2001年间先后推出第二代12导联AECG仪和遥测12导联AECG仪;之后,各国有雄厚高新技术研制能力的大公司不断推出了新的同步12导联AECG。显然,采用同步12导联最大的优点是能够提高对心律失常时P波的识别率和对基线漂移和干扰时对R波的识别率。因为在多导联体系中,P波、PR间期、ST段和T波等微小信号在某些导联是清晰的,振幅较大的,12导联显然比3导联选择余地大;同理,在存在基线漂移和干扰波形时,在12导联中找出一两个导联的R波波形是较平稳的心电图也相对容易些,因为R波在12导联消失或者同时出现某些干扰的概率也较3导联小得多。正像3导联AECG淘汰2导联AECG那样,不久的将来,12导联AECG将代替3导联AECG,这是势不可挡的趋势。但这种长时程装置始终为失真大、精度差、不能全自动分析等一系列问题所困扰,临床应用上表现有很大的局限性。例如,由于P波波幅低小,远不如R波高大清楚,这就造成了计算机自动识别困难,也无法真实地观察P波切迹,测定P波离散度,P波最大时限(Pmax)尚有一定难度或误差,因此其仅仅在心电条图上将P波起始点、QRS波群起始点、J点位置和T波起始点用四条竖线标识出来,除此之外,并不对大样本的心搏信号再作进一步的分析和诊断;又如,目前的所谓“同步12导联分析”,主要是由个人计算机(PC)或单指令流单数据流(SISD)服务器对某一个主导导联进行半自动分析,其余导联只是单纯的回放,以供心电图医生辅助诊断之用;再如,迄今为止的AECG的分析报告都是由心电图医生一人完成的,显然并无集体智慧的作用。
中国发明专利号ZL94112295.6《心电和脉搏信号自适应分析法及其装置》,由检测电极、传感器、信号采集、微机***和应用软件包组成。其在传统的数字信号处理技术的基础上,采用了自适应神经网络技术和子波技术。该发明的后半部分(微机***和应用软件包)虽可实现在线分析,但其构造的输入向量的节点为150个,隐层节点为50个,输出节点为6个,相当于输入量为150个心搏信号,其输出可分为6个聚类,这样推算其分析时间不足3分钟,是一个典型的短时程心电分析仪器,显然难以承载一天近10万个心搏信号的在线分析负荷量。
陈士良和本中请的发明人经过多年的研究,曾发明了心电频谱图检测仪(发明专利号为ZL01129553.8)。该发明虽然在高保真技术方面进行较大的探索和创新,不仅可以高保真地检测到P波、T波等微小心电信号,当然也可以保真地描记和复制包括QRS波群在内的整个心搏周期的时域信号,并且依靠存储技术的进步也可以解决好长时程的记录和分析问题,但心电频谱图检测仪是基于微型计算机的,并且只能进行事后的离线分析,无法进行实时的在线分析,因而仍有一定的局限性。
纵观以往,同时具有精密测量、长时程和实时智能分析的功能,一直是各种形形色色心电图仪的发展瓶颈,这也就是模糊心电图智能在线分析仪***的发明背景。
发明内容
本实用新型的目的在于提供一种模糊心电图智能在线分析仪***。它可以在线进行模糊心电图(即包括有12导联心电图、血压、脉搏、血氧、呼吸、活动范围和活动内容等信息在内的生命体征信号)的时域分析和频域分析,以及各种心电间期(包括R-R间期、P波、PR间期、QRS间期、ST段和T波)离散度时域分析和变异性小波分析。
本实用新型的上述目的是由如下技术方案来实现的:
一种模糊心电图智能在线分析仪***,包括有在线数据接口1、心电向量并行计算机***2、数据融合神经网络3、心电间期向量多域分析仪4、专家***5和离线数据接口6六大部件。其中,在线数据接口1所接收的输入信息包括受检者模糊心电图全图传感数据;离线数据接口6所接收的输入信息包括模糊心电图主图备份数据、Holter数字式记录器数据和Holter模拟式记录器数据;在线数据接口1和离线数据接口6分别与心电向量并行计算机***2相连;心电向量并行计算机***2与数据融合神经网络3、心电间期向量多域分析仪4、专家***5顺序相连;专家***5所发送的输出信息为包括12导联心电图、血压、脉搏、血氧、呼吸、活动范围和活动内容等信息在内的生命体征信号的时域分析、频域分析、各种心电间期(包括R-R间期、P波、PR间期、QRS间期、ST段和T波)离散度时域分析和各种心电间期(包括R-R间期、P波、PR间期、QRS间期、ST段和T波)变异性的小波分析的报告。
本实用新型的输入信息包括受检者模糊心电图全图传感数据、模糊心电图主图备份数据、Holter模拟式记录器数据和Holter模拟式记录器数据,输出信息为包括12导联心电图、血压、脉搏、血氧、呼吸、活动范围和活动内容等信息在内的生命体征信号的时域分析、频域分析、各种心电间期(包括R-R间期、P波、PR间期、QRS间期、ST段和T波)离散度时域分析和各种心电间期(包括R-R间期、P波、PR间期、QRS间期、ST段和T波)变异性的小波分析的报告。
附图说明
图1为本实用新型模糊心电图智能在线分析仪***的结构框图。
图2为本实用新型模糊心电图智能在线分析仪***的一实施例的结构框图。
图3为本实用新型模糊心电图智能在线分析仪***中输入***结构框图。
图4为本实用新型模糊心电图智能在线分析仪***中心电向量并行计算机的结构框图。
图5为本实用新型模糊心电图智能在线分析仪***中聚类分析算法的技术原理图。
图6为本实用新型模糊心电图智能在线分析仪***中模式识别算法的技术原理图。其中,图6(a)为模式识别示意图,图6(b)为三层Back P神经网络结构图,图6(c)为神经网络模型。
图7为本实用新型模糊心电图智能在线分析仪***中多传感器时间序列信息融合机的技术原理图。其中,图7(a)为多传感器时间序列的分布式融合结构,图7(b)聚类融合的神经网络实现。
具体实施方式
下面结合附图对本实用新型实施作进一步阐述:
图1所示为本实用新型的模糊心电图智能在线分析仪的结构框图。
本实用新型提供的模糊心电图智能在线分析仪***,包括:用于在线接收模糊心电图全图数据的模糊心电图在线数据接收器1、用于同时对多维心电向量分量进行实时分析的模糊心电图并行计算机***2、用于对12导联心电向量进行多传感器时间序列数据融合的数据融合神经网络3、用于对生命体征信号进行时域分析和频域分析、对各种心电间期(包括R-R间期、P波、PR间期、QRS间期、ST段和T波)进行离散度时域分析和变异性的小波分析的心电间期向量多域分析仪4、由人工智能和人脑智能复合形成的专家***5和用于离线接收模糊心电图全图数据和兼容接收各类动态心电图数据的离线数据接口6;所述的模糊心电图并行计算机***2使用了MIMD并行计算机,并且可以接收从在线心电图医生传递过来的知识流,用于各导联心电向量的分布式计算。
其工作原理是:
首先,由在线数据接口(1)或和离线数据接口6共同采集长达24h甚至更长时程的12导联心电分析数据,并送至模糊心电图并行计算机***2。模糊心电图并行计算机***2通过分别负责各个心电向量分析的MIMD并行计算机和运行加载在其上的心搏信号软检波器软件包、心搏信号聚类分析软件包、心搏信号模式识别软件包和心搏信号特征值软测量软件包,对12个导联并且每个导联每天近10个左右的心搏信号进行在线分析,分别得出各自导联每个心搏信号的为数不足100个的心律类别(例如窦性心搏、室上性心搏、室性心搏和伪差等)及其相关心电间期向量(例如R-R间期、P波、PR间期、QRS间期、ST段和T波等)的特征值,并送至数据融合神经网络3;
然后,数据融合神经网络3将12个导联的心电向量进行多传感器时间序列数据融合,将其综合成1个综合的时间序列心搏信号,并对每个心搏信号给出确诊的心律类别医学标识和相关心电间期特征值;
再后,心电向量多域分析仪4,根据心搏心电信号的医学标识,对室上性心律失常和室性心律失常(包括房性早搏、房颤、传导阻滞、预激综合征、室性早搏、室上性早搏)以及由此组合而成的成串的异位搏动事件(如成对室早、二联律、三联律、室速等)进行全面的时域分析和频域分析;而对“剔除坏点”后的窦性心搏信号进行各种心电间期(包括R-R间期、P波、PR间期、QRS间期、ST段和T波)离散度时域分析和各种心电间期(包括R-R间期、P波、PR间期、QRS间期、ST段和T波)变异性的小波分析;并将心电向量多域分析结论报送给专家***5。
最后,专家***5根据心电向量多域分析仪4报送来的心电向量多域分析结论、包括血压、脉搏、血氧、呼吸、活动范围和活动内容等信息在内的模糊心电图附图和医学专家远程会诊知识,经过知识获取机构、知识库、解释机构、全局数据库和推理机的反复推理,得出模糊心电图分析报告。
需要时,心电图医生可以通过离线数据接口6提取模糊心电图主图备份数据或各种类型动态心电图记录器数据,以供后续的神经网络和专家***作智能分析之用。
图2所示为本实用新型的模糊心电图智能在线分析仪的一实施例的结构框图。该实施例中包括:
1.心电向量并行计算机2,由心电分析宿主计算机HOST9、MIMD并行计算机10、心搏信号软检波器软件11、心搏信号聚类分析软件12、心搏信号模式识别软件13和心搏信号特征值软测量软件14六个功能单元组成。
1.1心电向量并行计算机构建方法参见图4。
1.2心搏信号软检波器软件11,包括心电信号的一维数集分割算法、心电信号的波形辨识算法和心搏周期信号的划类算法三个程序包。
(1)心电信号的一维数集分割算法
●对滤波后的信号计算每一点的一阶差分或二阶差分;
●再根据一阶或二阶差分得出单调升、单调减或平坦段的区间的时间坐标;
●使用微分阈值相结合的方法以确定该波的上升支(下降支)或水平支的位置、性质及形态。
(2)心电信号的波形辨识算法
●将两个相邻的一维数集区间合并成一个波形;
●通过人机对话确认人工合成的波形的合理性;
●再利用窗口和幅度阈值法定位该波的拐点(波顶或波谷)、起点和终点。
●提取该波的特征值,将每个模式的特征参数用一组符号表示。
(3)心搏周期信号的划类算法
●利用窗口+幅度阈值法定位前后相邻的两个R波峰(或S波谷);
●根据QRS波斜率变化快速的特征,计算机首先初步确定QRS波的起点,随后判断QRS的终点。
●利用模板匹配法、曲线拟合(零面积对称变换)、优化计算和联想记忆的方法,确定QRS波群的形态、性质和分界点位置;
●确定了QRS波群后,计算机按照国际上公认的波形定义再进一步判别QRS波群内各成分(Q、R、S、R’、S’等波)的分界点位置。
●再在上述测量的基础上,测定该R-R间期中的ST-T的形态、性质和分界点位置;
●使用阈值法检查检查本R-R间期中除去已知波形(QRS波群和ST-T波)之外的中小波(波、段和等电位线)的个数;
●确定上一心搏信号的Ta波、U波和本心搏信号的P波、I等电位线的分界点位置及特征参数;
●根据本心搏信号的所有波、段、间期的特征参数,用模糊C-means分类和分级Bp模型进行智能推断,并做相应的医学标识;
●如果是现有心搏信号信号库没有的心电信号,应通过人机对话对新模板予以确认,并补充记录在库中。
1.3心搏信号聚类分析算法参见图5。
1.4心搏信号模式识别算法参见图6。
1.5心搏信号特征值包括心率、P波、Ta波、P-R间期、PR段、QRS波群、ST段、T波、Q-T间期、U波、J点、L点、I段、K段、平均心电轴等完整参数(可多达数百项),其指标定义及测量原理为公知。这些参数被专家***的诊断分类程序(模板)用来对心电图进行解释。
2.数据融合神经网络3,由ART-2网络、二进制编码网络和BP网络所级联形成。多导联心搏信号数据融合方法参见图5。
3.心电向量多域分析仪4,由窦性心律间期离散度分析器15,窦性心律间期变异性小波分析器16、心律失常时域分析器17和心律失常频域分析器18四个功能单元组成。
3.1窦性心律间期离散度分析器15,对心搏信号特征值包括心率、P波、Ta波、P-R间期、PR段、QRS波群、ST段、T波、Q-T间期、U波、J点、L点、I段、K段、平均心电轴等完整参数进行离散度分析。这些参数被专家***的诊断分类程序(模板)用来对心电图进行解释。
3.2窦性心律间期变异性小波分析器16,是基于Matlab小波工具箱(小波包变换)实现信号的降噪、信号的压缩、样本的估计等信号处理;小波变换(CWT)是一种能根据非平稳信号主频的变化而“自适应”改变窗函数的数学变换。是一种窗口大小(即窗口面积)固定但其形状可变的时频局部化“自适应”分析方法:在低频部分有较高的频率分辨力和较低的时间分辨力,而在高频部分具有较高的时间分辨力和较低的频率分辨力。因此,小波变换被誉为“数学显微镜”。包括以下三个步骤:
(1)将信号分解到小波域;
(2)对小波系数作用阈值或掩码;
(3)重建小波系数,得到处理后的信号。
3.3心律失常时域分析器17,对观测信号在时间域和幅值域里进行分析,简称波形分析。通过波形分析,可以得出观测信号的各种特性或关系(例如,信号的起始时间与持续时间、波形的时间滞后、波形的畸变以及波形与波形之间的相似程度等时域特征。
3.4心律失常频域分析器18,观测信号在频率域内进行分析(即频谱分析),分析的结果可以得到幅值谱、相位谱、功率谱和互谱密度等。谱分析是以傅立叶技术和傅立叶积分为数学基础的。频谱分析以及与之有关的相关分析、滤波分析和信号识别问题,是数据处理中的一个十分重要的环节。为了从波形或时间序列中提取有用的信息,抑制和滤除噪声,首先应分析有用信号(信息)和干扰的频率成份;然后,根据信息的物理性质或动力学特征、频谱关系和相关函数,修正观察到的数据和波形,从而取得反映客观规律的信息。
4.专家***5,由计算机专家***7和医学专家远程会诊***8两个功能单元组成。
4.1计算机专家***7,包括过程接口19、知识获取机构20、知识库21、解释机构22、全局数据库23、推理机24和人机接口25七个模块;
(1)过程接口19,包括与过程的输入接口和与被控对象的输出接口。它完成专家***与实时过程间的双向信息变换,增删数据库和知识库的内容,将推理的结果以控制策略的形式送到被控过程中。
(2)知识获取机构20,负责建立、修改与扩充知识库,以及对知识库的一致性、完整性等进行维护。其具有知识变换手段,能够把与专家的对话内容变换成知识库中的内部知识,或用以修改知识库中已有的知识。
(3)知识库21,用于存取和管理问题求解需要的专家知识和经验,包括事实、可行操作与规则等。知识库具有知识存储、检索、编辑、增删、修改和扩充等功能。
(4)解释机构22,负责对求解过程作出说明和解释,回答用户提出的问题,对用户输出推理的结果。解释机构的工作通常要用到数据库中推理过程的中间结果、中间假设和记录,以及知识库中的知识。***的透明性主要决定于解释机构的性能。
(5)推理机23,是专家***的组织控制机构,在它的控制和管理下,使整个专家***能够以逻辑方式协调地工作。它在一定的推理策略下,根据数据库的当前状态,按照类似专家水平的问题求解方法,调用知识库中与当前问题有关的知识进行分析、判断和决策,推出新的事实或结论,或者执行某个操作。
(6)全局数据库24,它是问题求解过程中符号或数据的集合,有时也统称为事实。它用于存放所需的原始数据和推理过程中产生的中间信息(数据),包括原始信息、推理的中间假设和中间结果、推理过程的记录等。过程中的实时信息通过过程接口装置(包括硬件和软件)送入数据库,实时地增加和删改数据库的内容。黑板是沟通***中各个部件的全局工作区。它以全局性的数据结构形式,组织问题求解数据,处理知识源之间的通信。
(7)人机接口25,是用户与***的信息传递纽带,负责用户到专家***、专家***到用户的双向信息转换,即信息的计算机内部形式和人可以接受的形式之间的转换。
4.2医学专家远程会诊***8,包括Web Bruwser26、Web Server27和专家会诊决策软件28三个模块。本实用新型所述的Web Bruwser26和Web Server27的原理为公知;本实用新型所述的专家会诊远程决策方法是基于Internet的。专家***ES的人机接口与Web Server相接,实现ES与医学专家群之间的大量交互;浏览器与服务器的交互主要通过表单(Form)来进行,表单本身有相当强的交互性,可以提供若干种主要的图形交互方式,如文本框、单选按钮、复选按钮、下拉列表等,医学专家群可以据此交互知识。医学专家群向ES所传授的知识是有专家会诊决策软件通过恰当的决策模型完成的。
5.模糊心电图在线数据接口1和离线数据接口6的工作原理参见图3。
图3所示为本实用新型的模糊心电图智能在线分析仪的输入***的结构框图,输入***包括有在线数据接口1和离线数据接口6两个部分。
在线数据接口1,由有线调制解调器35、MTK多媒体移动通信芯片36和模糊心电图双工器37三个功能单元组成,有线调制解调器35和MTK多媒体移动通信芯片36分别与模糊心电图双工器37相连;有线传感的模糊心电图调制信号由有线MODEM负责解调,而无线传感的模糊心电图调制信号由MTK多媒体移动通信芯片负责解调;由于二者在同一时间点上只有一个可能有信号,那么以单片计算机制成的模糊心电图双工器就只需对其作一个简单的数据融合就可以合成一幅完整的模糊心电图全图,并送至心电分析宿主计算机。
离线数据接口6,由模糊心电图离线数据接口29、数字式记录器转换电路30、模拟式记录器转换电路31、A/D变换器32、单片计算机33和12导联扩展软件34六个功能单元组成。其中,模糊心电图离线数据接口29是一个USB接口,与单片计算机33直接相连,单片计算机33将其接收的备份模糊心电图不需作任何转换直接发给心电分析宿主计算机HOST7;数字式记录器转换电路30由D/A转换器和放大器组成,将数字式记录器所记录的心电数据转换成恰当电平的心电信号后,送至A/D放大器;而模拟式记录器转换电路31则是由放大器和有源滤波器组成,将模拟式记录器所记录的心电信号进行调理后,送至A/D变换器;A/D变换器重新对经过D/A转换或信号调理后的心电信号重新进行A/D变换,并送至单片计算机33;单片计算机33再运行加载在其上的12导联扩展软件34将3导联心电数据扩展为12导联心电数据后,将“规范化”的Holter数字式/模拟式记录器的心电信号发给心电分析宿主计算机HOST9。
图4所示为本实用新型的心电向量并行计算机的结构框图。
现有的MIMD(多指令流多数据流)并行计算机分为5种类型:向量并行处理机(PVP)、对称所处理机(SMP)、大规模并行处理机(MPP)、分布共享存储器多处理机(DSM)和工作站集群(COW),其原理为公知。
具体到图4中,本实用新型所述的心电向量并行计算机的结点有结点卡和结点芯片两种单元形式。结点卡单元主要是用通用的单片计算机(P/C)、本地存储器(LM)和网络接口(NIC)所组成;而结点芯片单元是商品化的专用芯片(MB)。这两种被组合应用可以同时满足12个心电导联信号的并行计算要求。
图5所示为本实用新型的聚类分析算法的技术原理图。
聚类分析的基本原理是在没有先验知识的情况下(即所采用的样本并不知其所属类别),基于“物以类聚,人以群分”的观点,根据模式间的相似性测度(如模式间向量的距离、模式向量间的夹角等)来划分类别。自适应谐振理论(Adaptive Resonance Theory,简称ART)网络的聚类功能的原理如下:
ART网络由输入层F1(底层)、输出层F2(顶层)、两层之间的连接权值以及自稳学习机构组成。设F1层含有N个神经元。F2含有M个。
设输入观察向量是一个N维向量X:X=[x1,x2,…,xN]T(它的每一个分量xi作用在对应的第i个神经元上),网络的输出是一个M维向量:Y=[y1,y2,…,yN]T。本实用新型中,N对应着一天以上逾10万个心搏信号,而M对应着一天心搏信号可能被划分成的数百个聚合类(聚类)。
步骤1输入向量归一化过程
F1层在观察向量X作用下,输出是N维向量:S=[s1,s2,…,sN]T
S的各个分量si可用下列公式计算:
F1层的作用是使任何观察输入向量归一化,而且F1层属短期记忆层(short time memory,STM)。
步骤2在F1和F2之间,由向量S计算出一个M维向量T:T=[t1,t2,…,tN]T
T的各个分量按下式计算:
虽然在每输入一次观察向量时,各权重系数wji会有微调,但其变化相对于F1、F2而言缓慢得多,所以可以认定它们保存的是***长期记忆(long time memory,LTM)内容。
步骤3对各权重系数wji进行学习与训练
在竞争学习开始以前,首先对LTM中的各个权重系数置随机初值wji(0),然后依次送入观察向量X(k),k=1,2,…,其中变量k表示观察向量送入神经网络的时序编号。每送进一个输入观察向量,就可以算出相应的输出向量Y(k),随即按下列公式将各个权重系数调整成一组新的数值:
wji(k+1)=wji(k)+a{si(k)-wji(k)}yj(k),
i=1~N,j=1~M
式中,α是步长,通常为一个小正数值。
步骤4竞争学习机制过程
F2层的作用是由向量T计算出向量Y其计算遵循“竞争选择运算”规则,即若tL=max{tj,j=1~M}
在t1~tM中,有一个最大的分量tL,它对应的输出端L为竞争获胜端口,只有获胜端口输出yL定为1,而所有其余端口的输出皆定为0。可见,只有竞争获胜者才有机会进行学习,所以称之为竞争学习机制。
设竞争获胜者的编号为L(输出端L为竞争获胜端口),与它有关的各权重系数的调整策略是使得各wLi,i=1~N,与规一化输入向量S(k)的各分量si(k)趋于一致。我们记获胜端的连接权值向量为:
WL=[wL1,wL2,…,wLN]T
在F2层的竞争选择运算中,由于y1(k)~yM(k)之中只有一项等于1,而其他各项均为0,因而只有与该非零项相应的权重系数才作调整。也就是说,只改变与竞争得胜者有关的各个权重系数,而其他所有的权重系数皆维持不变。竞争学习对权值的调整就是使得向量WL趋向于向量S(k)。由于|S(k)|=1,所以调整的结果最后也是使得|WL|趋向于1。
步骤5由输出向量Y(k)产生一个由顶向底的N维向量Z(k):
Z(k)=[z1,z2,…,zN]T
式中,各分量zi(k)按下式计算:
式中,wij *是由顶向底的权重系数。
由于只有一个端口(编号为L)获胜,故式(2.73)诸yj(k)中只有yL(k)为1,其他均为0,故该式可写成:
式中各个由顶向底的权重系数wiL *(k)是在时序k以前的各次学习中“记忆”下来的,在进行调整时也只作微小的变化,故它是属于LTM。这样,对于获胜端L,有N个由顶向底的权重系数,它们构成了第L号由顶向底的权重向量:
由上式知,
步骤6比较相似度
聚类准则是度量同一类模式间的相似性和不同模式的差异性的方法。聚类准则决定了聚类尺寸大小。为了判断本次(即第k次)输入规一化向量S(k)与过去L输出端获胜时的归一化输入向量S是否相似,需要比较向量S(k)与Z(k)的相似度。两个向量的相似度可以用它们之间的夹角来衡量,而此夹角又由S(k)与Z(k)的归一化点积η来决定,η的计算公式是:
η越接近于1,则两个向量的相似度越高。
步骤7根据S(k)与Z(k)的相似度量值η的不同,神经网络可以采取不同的运行策略:
①η接近于1(或高于某个阈值),表明两个向量的相似度很高,这时可以调整权重系数。
②η低于某个阈值(表明两个向量的相似度不够高),并且在过去的学习中F2层的M个输出端只有P个被占用(P<M),这时应摒弃第一次选择的优胜输出yL,再由所余的各个yi中选出一个优胜者,并回到前面进行新一轮的竞争选择运算(搜索优胜者的竞争显然只能在这P个被占用的输出端中进行,而且被摒弃的前优胜者L应被排除在外)。一旦在这些输出端中找到了一个优胜者(即它的由顶向底向量S(k)与Z(k)足够相似),或是已将P个端口都搜遍了,仍找不到足够相似者,则新开辟一个输出端口作为新的一类。类别数从P加至(P+1),则都可以调整权重系数。
步骤8调整权重系数
设优胜的或新开辟的输出端的编号为L,那么被调整的权重系数是:由底向顶的wLi(k)和由顶向底的wiL *(k),i=1~N,系数调整的计算公式为:
式中,a是步长,其值通常为一个很小的正整数。
由上述算法可以看出,只有当新的输入向量与已有存入记忆中的某个老的向量足够相似时,两者才能互相融合,即对有关的权重系数进行调整,从而使长期记忆得以改变。
由上述过程可以看出,通过竞争学习和自稳学习,不同客体的观察向量都能找到各自相应的获胜输出分量,因而根据获胜者的编号L就能自然地对它们进行分类。这种通过学习来完成分类的过程就是一种聚类。
图6所示为模式识别算法的技术原理图。
模式是人们认识外部事物的基本单元。模式X定义为具有某些特性或属性而彼此又不完全相同的xi的全体所描述的客体,写成集合的形式为:
X={x1,x2,…,xi,…,xd}
所有可能的模式X组成了模式空间x,X∈x。集合x可以是有限的,也可以是无限的。
模式类是具有某些共同特性的模式的集合。所有可能的模式类bj的集合构成了类别空间B:
B={b1,b2,…,bj,…,bp}
类别空间也称为分类空间或结果输出空间,它是有限集合。显然,它的维数小于模式空间的维数。
模式识别是对某些事物(统称模式)的特征、特性,进行分析、分类及判别的过程,是使用机器(计算机)自动地(或人尽量少地干预)把待识模式分配到各自的模式类中去,形成从模式空间到类别空间的映射Θ:
图6(a)概略地表示了模式识别的示意图。实际上,模式识别过程中还包含许多步骤,例如对采集的模式进行预处理、特征提取/选择、分类判决等,视采用不同的模式识别方法而定,这里均概括在映射θ中。
本实用新型的人工神经网络采用较为成熟的误差反向传播前馈网络,即Back P网络(简称BP网络)。一个三层Back P神经网络如图6(b)所示。神经元基本模型如图6(c)所示,是一个多输入单输出的非线性阈值器件。
假定x1,x2,…,xn表示某一神经元的n个输入,Wij表示第j个神经元与第i个神经元之间的连接强度,其值称为权值;Ai表示第i个神经元的输入总和,称激活函数;yi表示第i个神经元的输出;θi表示第i个神经元的阈值。这样,第i个神经元的输出可描述为
yi=f(Ai)
式中:f(Ai)表示神经元输入输出关系的函数。常用的作用函数可归结为三种形式:阈值型、S型和伪线型。由于BP网络的基本处理单元(输入层除外)为非线性输入输出关系,通常选S型作用函数。
BP网络学习算法描述为如下步骤:
(1)初始化网络及给定理想学习样本。如设置网络的初始权值、学习因子η和修正参数α以及理想输出模式d等。
(2)由传感器阵列提供网络的输入模式,按下列权值修正公式训练网络,直到满足误差要求为止。
BP算法的权值修正公式表示如下:
Wji(t+1)=Wji(t)+ηδpjOpj
式中:Wji——第j个神经元到第i个神经元之间的连接强度,称为权值;
Wji(t+1)——第(t+1)次权值修正值;
Wji(t)——第t次权值修正值;
dpj——单元j的理想输出;
Opj——单元j的输出总和;
apj——单元j的输入总和;
δpj——单元j权值修正量;
fi(api)——作用函数f(apj)的导数。
(3)对于给定的训练模式输入,由下列公式计算网络的输出模式,并与理想输出比较,即求(dpj-Opj)。
式中:Opi——第p个训练样本,单元i的输出总和;
api——第p个训练样本,单元i的输入总和。
若误差不满足要求,则执行步骤(4)修正后向误差传播权值和阈值,否则返回步骤(2)修正权值。
(4)后向误差传播过程:
①计算同一层单元的误差δpj;
②修正权值Wji和阈值θpj。
(5)网络的均方根(RMS)误差
通常,用网络的均方根(RMS)误差来定量地反映学习的性能。其定义为
式中:ypj——第j个单元的实际输出;
dpj——第j个单元的理想输出;
m——表示训练集内模式对的个数;
n——表示网络输出层单元个数。
一般地,当网络的均方根ERMS低于0.1时,则表明对给定训练集的学习已满足要求了。也就是说,此时已经完成了将维数大的模式空间识别并归纳为类别空间的过程(映射Θ:x→B)。
图7所示为多传感器时间序列信息融合机的技术原理图。给出了一个ART-2网络、二进制编码网络和BP网络结合的多传感器时间序列信息融合方案。
步骤1:采用一个ART-2网络对输入向量X进行一次融合
设有α个信息源,每个信息源提供N组数据,ART-2的输入节点数应为一个α×N维向量,它包含了每一个心搏信号的所有信息。各传感器信息组成一个总的输入模式:
式中输入向量X表示了一个模式窗口中某一传感器输出的数值及其变化形态,且较符合人对仪表的观察方式。
而该ART-2的输出节点数应为:
相应的ART-2由底至顶和由顶至底的权值矩阵W和W*的维数分别为:
这样,一次融合结果得到了每一个心搏信号的特征信息,即每一个ART-2的输出端口表示了传感器模式窗口时间序列的一个类别(该类别数即为Mi)。
步骤2:采用二进制编码网络对一次融合的结果进行编码
用二进制网络对全部α个ART-2的输出原型编码时,二进制网络的输入、输出数分别为:
在分布式融合中,用二进制表示Mi时,二进制的位数为:
Li=IntMax(log2Mi)
式中:IntMax(·)为向大取整函数。
可见,当采用二进制对一次融合的结果进行编码时,二次融合中神经网络的输入、输出节点数(它们决定了权值矩阵的维数)都将大大降低,网络结构和融合过程可以得到进一步简化。
步骤3:采用BP网络进行二次融合
一次融合结果提炼出了每一个心搏信号的特征信息,再将这些特征信息进行二次融合就可得到心搏信号的类别,因而得到整个***的全貌。
由于自组织分类及无教师监督实时学习的要求已在一次融合中完成,故二次融合可以采用更为简单一些的神经网络(如BP网络)。BP网络输入节点数即为L,而输出数应能表示出***的运行行为类别数S,其值视具体***而定。在用二进制编码表示时,BP网络的输出端口数为:
P=IntMax(log2S)
发明优点
本实用新型科技意义较大,具有如下有益效果:
1.实时性:本实用新型可以对通过精密测量所获得的模糊心电图进行长达24h甚至以上时程的自适应在线分析,而既不再是对长时程心电信号的离线分析,也不再是短时程心电信号的在线分析。
2.全面性:本实用新型不仅可以在线同步进行12导联心电图的动态分析,而且分析内容还包括有血压、脉搏、血氧、呼吸、活动范围和活动内容等信息在内的生命体征信号的时域分析和频域分析,以及各种心电间期(包括R-R间期、P波、PR间期、QRS间期、ST段和T波)离散度时域分析和变异性小波分析,这是迄今为止的所有心电图仪和动态血压仪都无法企及的。
3.并行性:本实用新型使用MISD并行计算机对12个导联分量同时进行心搏信号的软检波、聚类分析、模式识别和特征值测量,根本改变目前的所谓“同步12导联分析”由个人计算机(PC)或单指令流单数据流(SISD)服务器对某一个主导导联进行半自动分析,其余导联只是单纯的回放的应用现状。
4.智能性:本实用新型提高P波分析功能、切换功能、增益功能,以及多元神经网络***等,以模拟人脑的机制,采用多元化并存方式建立自适应***,结合模式识别方法,对输入的心电信息进行特征性提取和分析,能提高对复杂性心律失常的判定,对微小心电信息,如P波,ST段测量更为灵敏、可信。本实用新型还实现人工智能与人的智能的有机结合,其对模糊心电图主图数据是计算机专家根据神经网络和小波分析的结构“自己”进行思考并进行全自动分析,而在出具模糊心电图分析报告时又巧妙地嵌入人的经验和智能,能够方便、早期、准确地进行心血管疾病的自适应分析和诊断。
5.兼容性:本实用新型一是可以在线融合模糊心电图无线传感数据和有线传感数据,二是可以模糊心电图备份数据可以补充因实时接收而可能缺失的心电数据,三是可以向下兼容各种类型三通道Holter记录器数据,对其进行恢复后并重新采样,并扩展成12导联心电图分析数据。
以上所述为本实用新型及其和较佳实例的具体阐述,然其并非用以限定本实用新型精神与发明实体仅止于上述说明内容和实施例,对于本行的技术人员在此基础上可以做出各种改进和变换。是以,在不脱离本实用新型精神与范围内所作的修改,均应包括在本实用新型的权利要求范围内。
Claims (9)
1.一种模糊心电图智能在线分析仪***,其特征在于:包括用于在线接收从模糊心电图全图数据的模糊心电图在线数据接收器(1)、用于同时对多维心电向量分量进行实时分析的模糊心电图并行计算机***(2)、用于对12导联心电向量进行多传感器时间序列数据融合的数据融合神经网络(3)、用于对生命体征信号进行时域分析和频域分析、对各种心电间期进行离散度时域分析和变异性的小波分析的心电间期向量多域分析仪(4)、由人工智能和人脑智能复合形成的专家***(5)和用于离线接收模糊心电图全图数据和兼容接收各类动态心电图数据的离线数据接口(6);所述的模糊心电图并行计算机***(2)使用了MIMD并行计算机,并且可以接收从在线心电图医生传递过来的的知识流,用于各导联心电向量的分布式计算。
2.据权利要求1所述的模糊心电图智能在线分析仪***,其特征在于,所述模糊心电图并行计算机***(2)中包括有MIMD并行计算机(10),其结点包括有单元计算机P/C、本地存储器LM和网络接口NIC,可以有结点卡和结点芯片两种应用形式。
3.根据权利要求1所述的模糊心电图智能在线分析仪***,其特征在于,所述数据融合神经网络(3)是实现了ART-2算法和BP网络算法相结合、其输入向量传感器数目等于心电导联数目且其输出向量维度等于心搏信号中间期数目的多传感器时间序列心电信息融合机。
4.根据权利要求1所述的模糊心电图智能在线分析仪***,其特征在于,所述心电间期向量多域分析仪(4),包括心律正常间期离散度分析器(15)、心律正常间期变异性小波分析器(16)、心律失常时域分析器(17)、心律失常频域分析器(18)在内的组合阵列。
5.根据权利要求1所述的模糊心电图智能在线分析仪***,其特征在于,所述专家***(5)由计算机专家***(7)和医学专家远程会诊***(8)组成。
6.根据权利要求1所述的模糊心电图智能在线分析仪***,其特征在于,所述离线数据接口(6)还包括有一个用于从模糊心电图智能计测传感器读取离线数据的接口。
7.根据权利要求1所述的模糊心电图智能在线分析仪***,其特征在于,所述的在线数据接口(6)还可以兼容数字式/模拟式记录器数据资料。
8.根据权利要求3所述的模糊心电图智能在线分析仪***,其特征在于,所述MIMD并行计算机(10)的结点上组合加载了心搏信号软检波器(11)、聚类分析软件模块(12)、模式识别软件模块(13)和特征值软测量器(14)。
9.根据权利要求6所述的模糊心电图智能在线分析仪***,其特征在于,所述医学专家远程会诊***(8)是基于Web的远程决策知识***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009201296939U CN201414795Y (zh) | 2009-02-06 | 2009-02-06 | 模糊心电图智能在线分析仪*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009201296939U CN201414795Y (zh) | 2009-02-06 | 2009-02-06 | 模糊心电图智能在线分析仪*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN201414795Y true CN201414795Y (zh) | 2010-03-03 |
Family
ID=41791205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009201296939U Expired - Fee Related CN201414795Y (zh) | 2009-02-06 | 2009-02-06 | 模糊心电图智能在线分析仪*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN201414795Y (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101785670A (zh) * | 2009-01-22 | 2010-07-28 | 陈跃军 | 模糊心电图智能在线分析仪*** |
CN102697491A (zh) * | 2012-06-26 | 2012-10-03 | 海信集团有限公司 | 心电图特征波形识别方法和*** |
CN109662689A (zh) * | 2019-03-07 | 2019-04-23 | 姜炜炜 | 一种医院基于心电图的健康预警*** |
CN109953755A (zh) * | 2019-03-15 | 2019-07-02 | 度特斯(大连)实业有限公司 | 一种心电向量数据特征的提取方法及装置 |
CN111523646A (zh) * | 2020-04-23 | 2020-08-11 | 国家开放大学 | 基于物联网的远程教育学习中心智慧感知网络及管理方法 |
-
2009
- 2009-02-06 CN CN2009201296939U patent/CN201414795Y/zh not_active Expired - Fee Related
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101785670A (zh) * | 2009-01-22 | 2010-07-28 | 陈跃军 | 模糊心电图智能在线分析仪*** |
CN102697491A (zh) * | 2012-06-26 | 2012-10-03 | 海信集团有限公司 | 心电图特征波形识别方法和*** |
CN102697491B (zh) * | 2012-06-26 | 2015-01-21 | 海信集团有限公司 | 心电图特征波形识别方法和*** |
CN109662689A (zh) * | 2019-03-07 | 2019-04-23 | 姜炜炜 | 一种医院基于心电图的健康预警*** |
CN109662689B (zh) * | 2019-03-07 | 2021-07-27 | 姜炜炜 | 一种医院基于心电图的健康预警*** |
CN109953755A (zh) * | 2019-03-15 | 2019-07-02 | 度特斯(大连)实业有限公司 | 一种心电向量数据特征的提取方法及装置 |
CN111523646A (zh) * | 2020-04-23 | 2020-08-11 | 国家开放大学 | 基于物联网的远程教育学习中心智慧感知网络及管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101785670A (zh) | 模糊心电图智能在线分析仪*** | |
Atal et al. | Arrhythmia classification with ECG signals based on the optimization-enabled deep convolutional neural network | |
Liu et al. | Arrhythmia classification of LSTM autoencoder based on time series anomaly detection | |
EP3692900B1 (en) | Artificial intelligence self-learning-based static electrocardiography analysis method and apparatus | |
CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
JP7091451B2 (ja) | 人工知能自己学習に基づく心電図自動解析方法、その解析方法の実行に用いられる装置、コンピュータプログラム製品及びコンピュータ読み取り可能な記憶媒体 | |
Zheng et al. | A novel hybrid energy fraction and entropy-based approach for systolic heart murmurs identification | |
Li et al. | Interpretability analysis of heartbeat classification based on heartbeat activity’s global sequence features and BiLSTM-attention neural network | |
CN1816303B (zh) | 用于分类心动描记数据的方法 | |
CN111297349A (zh) | 一种基于机器学习的心律分类*** | |
CN106725426A (zh) | 一种心电信号分类的方法及*** | |
Cao et al. | ML-Net: Multi-channel lightweight network for detecting myocardial infarction | |
Emanet | ECG beat classification by using discrete wavelet transform and Random Forest algorithm | |
CN111067503A (zh) | 一种基于心率变异性的睡眠分期方法 | |
CN201414795Y (zh) | 模糊心电图智能在线分析仪*** | |
CN113901893B (zh) | 基于多重级联深度神经网络的心电信号的识别与分类方法 | |
CN113095302A (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
Homaeinezhad et al. | Discrete wavelet-based fuzzy network architecture for ECG rhythm-type recognition: feature extraction and clustering-oriented tuning of fuzzy inference system | |
CN115813401A (zh) | 一种基于动态学习的心电图分类方法及*** | |
JP2023104885A (ja) | グラフ畳み込みに基づく心電図心拍数マルチタイプの予測方法 | |
Dang et al. | A deep biometric recognition and diagnosis network with residual learning for arrhythmia screening using electrocardiogram recordings | |
Yang et al. | Self-organizing visualization and pattern matching of vectorcardiographic QRS waveforms | |
Saraswat et al. | Classification of ECG signals using cross-recurrence quantification analysis and probabilistic neural network classifier for ventricular tachycardia patients | |
Jiang et al. | A deep neural network based on multi-model and multi-scale for arrhythmia classification | |
Irfan et al. | Deep learning based classification for healthcare data analysis system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
DD01 | Delivery of document by public notice |
Addressee: Chen Yuejun Document name: Notification to Pay the Fees |
|
DD01 | Delivery of document by public notice |
Addressee: Chen Yuejun Document name: Notification to Pay the Fees |
|
DD01 | Delivery of document by public notice |
Addressee: Chen Yuejun Document name: Notification of Termination of Patent Right |
|
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100303 Termination date: 20130206 |