[發(fā)明專利]心電圖特征波形識別方法和系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201210213062.1
• 申請日: 2012-06-26
• 公開（公告）號: CN102697491A
• 公開（公告）日: 2012-10-03
• 發(fā)明（設計）人: 陳永健
• 申請（專利權）人: 海信集團有限公司
• 主分類號: A61B5/0402
• 分類號: A61B5/0402
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 黃啟行;方曉明

技術領域

本發(fā)明涉及醫(yī)療器械領域，尤其涉及一種輔助識別心電圖的特征波形的方法和系統(tǒng)。

背景技術

模式識別技術被廣泛應用于醫(yī)療領域，比如，對心電圖信號進行模式識別，從中分析、歸類出典型的特征波形，以便于醫(yī)生依據(jù)分析、歸類出的特征波形判斷病人身體狀況。

模式識別的主要方法有：1.統(tǒng)計模式識別；2.句法模式識別；3.模糊模式識別；4.邏輯推理法；5.神經(jīng)網(wǎng)絡法。其中，統(tǒng)計模式識別對結構復雜的模式抽取特征困難，不能反映模式的結構特征，難以描述模式的性質(zhì)，難以從整體角度考慮識別問題。句法模式識別方法在運用時若存在干擾及噪聲，則抽取特征基元困難，且易失誤。模糊模式識別的準確合理的隸屬度函數(shù)往往難以建立，限制了它的應用。邏輯推理法在樣本有缺損，背景不清晰，規(guī)則不明確甚至有歧義時，效果不好。而神經(jīng)網(wǎng)絡法則可處理一些環(huán)境信息十分復雜，背景知識不清楚，推理規(guī)則不明確的問題，因此，在對心電圖信號進行分析與歸類時更傾向于使用神經(jīng)網(wǎng)絡法。但是，在現(xiàn)有技術中，神經(jīng)網(wǎng)絡法仍然具有一些問題，其主要缺點是模型少，能識別的模式（即特征波形）不夠多，因此，現(xiàn)有技術的神經(jīng)網(wǎng)絡法在對心電圖信號進行分析歸類時有可能出現(xiàn)不能識別出某些特征波形，而導致對心電圖信號分析的準確性低。

發(fā)明內(nèi)容

本發(fā)明實施例提供了一種心電圖特征波形識別方法和系統(tǒng)，用以對心電圖信號實現(xiàn)更為準確的分析歸類。

根據(jù)本發(fā)明的一個方面，提供了一種心電圖特征波形識別系統(tǒng)，包括：

至少兩個神經(jīng)網(wǎng)絡模塊，每個神經(jīng)網(wǎng)絡模塊的特征波形識別算法與其它任一神經(jīng)網(wǎng)絡模塊的特征波形識別算法均不相同，所述神經(jīng)網(wǎng)絡模塊用于對輸入的心電圖信號根據(jù)其特征波形識別算法進行運算，從運算出的信號中識別出特征波形進行輸出；

模糊邏輯模式識別模塊，用于接收每個神經(jīng)網(wǎng)絡模塊輸出的特征波形，根據(jù)各特征波形與所述心電圖信號之間的誤差大小，分別計算各特征波形的優(yōu)先級；并根據(jù)為各特征波形設置的病史權重值，對各特征波形的優(yōu)先級進行加權運算后，將特征波形與其加權后的優(yōu)先級進行對應輸出。

其中，所述神經(jīng)網(wǎng)絡模塊具體為兩個；兩個神經(jīng)網(wǎng)絡模塊中的特征波形識別算法分別為：基于增量學習的特征波形識別算法、基于批量學習的特征波形識別算法。

所述病史權重值是根據(jù)病史情況設置的。

所述模糊邏輯模式識別模塊根據(jù)為各特征波形設置的病史權重值，對各特征波形的優(yōu)先級進行加權運算具體為：

所述模糊邏輯模式識別模塊根據(jù)為各特征波形設置的病史權重值，確定模糊矩陣：所述模糊矩陣中的各行分別對應各特征波形，每行中的所有元素的值為該行對應的特征波形的病史權重值；使用所述模糊矩陣對各特征波形的優(yōu)先級進行加權運算。

根據(jù)本發(fā)明的另一個方面，還提供了一種心電圖特征波形識別方法，包括：

神經(jīng)網(wǎng)絡模塊對輸入的心電圖信號根據(jù)其特征波形識別算法進行運算，從運算出的信號中識別出特征波形進行輸出；其中，所述神經(jīng)網(wǎng)絡模塊至少為兩個，每個神經(jīng)網(wǎng)絡模塊的特征波形識別算法與其它任一神經(jīng)網(wǎng)絡模塊的特征波形識別算法均不相同；

模糊邏輯模式識別模塊接收每個神經(jīng)網(wǎng)絡模塊輸出的特征波形，根據(jù)各特征波形與所述心電圖信號之間的誤差大小，分別計算各特征波形的優(yōu)先級；并根據(jù)為各特征波形設置的病史權重值，對各特征波形的優(yōu)先級進行加權運算后，將特征波形與其加權后的優(yōu)先級進行對應輸出。

其中，所述神經(jīng)網(wǎng)絡模塊具體為兩個；兩個神經(jīng)網(wǎng)絡模塊中的特征波形識別算法分別為：基于增量學習的特征波形識別算法、基于批量學習的特征波形算法。

較佳地，所述基于增量學習的特征波形識別算法的神經(jīng)網(wǎng)絡模塊的訓練方法為：

一個模擬學習期間通過假設初始迭代是n′-T，最終迭代是當前迭代n'來實現(xiàn)，其中，n′自然數(shù)，T是一個正整數(shù)常數(shù)，T+1是假設迭代區(qū)間長度，如果n′-T<0,那么初始迭代為0；

在前向迭代n'時，均方誤差E_n'根據(jù)如下公式11計算得到：