[發(fā)明專利]一種基于深度神經(jīng)網(wǎng)絡(luò)的心沖擊信號深瓶頸特征提取方法

有效

• 申請?zhí)枺?/td>: 201810017515.0
• 申請日: 2018-01-09
• 公開（公告）號: CN108256457B
• 公開（公告）日: 2021-06-04
• 發(fā)明（設(shè)計）人: 蔣芳芳;劉星航;劉海濱;張長帥;徐敬傲
• 申請（專利權(quán)）人: 東北大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 沈陽優(yōu)普達知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 21234
• 代理人: 張志偉

1.一種基于深度神經(jīng)網(wǎng)絡(luò)的心沖擊信號深瓶頸特征提取方法，其特征在于，包括以下步驟：

步驟1，確定神經(jīng)網(wǎng)絡(luò)的輸入向量及目標(biāo)向量形式；同步檢測同一受試者的心電信號及心沖擊信號，并分別對二者進行預(yù)處理，獲取深度神經(jīng)網(wǎng)絡(luò)的輸入向量及目標(biāo)向量；

步驟2，確定深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；構(gòu)建一個基于受限玻爾茲曼機的帶有瓶頸層的9層神經(jīng)網(wǎng)絡(luò)；

步驟3，對神經(jīng)網(wǎng)絡(luò)進行預(yù)訓(xùn)練，獲取深層置信網(wǎng)絡(luò)模型：以心沖擊信號輸入向量做為神經(jīng)網(wǎng)絡(luò)輸入，應(yīng)用逐層訓(xùn)練方法對神經(jīng)網(wǎng)絡(luò)進行無監(jiān)督預(yù)訓(xùn)練，獲取DBN模型；

步驟4，對神經(jīng)網(wǎng)絡(luò)進行有監(jiān)督精細訓(xùn)練，獲取深瓶頸特征；以心電信號目標(biāo)向量做為輸出層監(jiān)督目標(biāo)，構(gòu)建新型損失函數(shù)，并應(yīng)用反向傳播BP算法更新神經(jīng)網(wǎng)絡(luò)參數(shù)，而后移除瓶頸層之后的各層神經(jīng)網(wǎng)絡(luò)，以瓶頸層做為輸出層，獲得的輸出向量即為深瓶頸特征。

2.根據(jù)權(quán)利要求1所述的一種基于深度神經(jīng)網(wǎng)絡(luò)的心沖擊信號深瓶頸特征提取方法，其特征在于，步驟1中，確定輸入向量及目標(biāo)向量形式采用以下步驟：

步驟1.1，采集同一受試者的同步心電信號、心沖擊信號，并分別對其進行信號歸一化處理；

步驟1.2，獲取心電信號的R波位置、心沖擊信號的J波位置，并以其為基準(zhǔn)分別對心電信號、心沖擊信號進行分幀，統(tǒng)一獲取70個采樣點為一幀(信號采樣率為100Hz)；

步驟1.3，確定輸入向量為：每一幀心沖擊信號，額外附加兩個J-J間期信息，包括當(dāng)前幀與前一幀的、當(dāng)前幀與后一幀的，共同組成72維向量，做為神經(jīng)網(wǎng)絡(luò)的輸入向量；

步驟1.4：確定目標(biāo)向量為：每一幀心電信號，額外附加兩個R-R間期信息，包括當(dāng)前幀與前一幀的、當(dāng)前幀與后一幀的，共同組成72維向量，做為神經(jīng)網(wǎng)絡(luò)的目標(biāo)向量。

3.根據(jù)權(quán)利要求1所述的一種基于深度神經(jīng)網(wǎng)絡(luò)的心沖擊信號深瓶頸特征提取方法，其特征在于，步驟2中，深層神經(jīng)網(wǎng)絡(luò)的搭建采用以下結(jié)構(gòu)：

步驟2.1，以72維的心沖擊信號做為輸入向量，確定輸入層的神經(jīng)元個數(shù)為72個；

步驟2.2，此后每一個隱層均采用RBM結(jié)構(gòu)，構(gòu)建7層隱含層，其中每一層隱含層的神經(jīng)元個數(shù)分別為：60、40、20、5、20、40、60，中間瓶頸層的神經(jīng)元個數(shù)為5個；此結(jié)構(gòu)為以心沖擊信號輸入向量做為網(wǎng)絡(luò)輸入，進行多次對比實驗后，確定的效果最為理想的結(jié)構(gòu)配比。

4.根據(jù)權(quán)利要求1所述的一種基于深度神經(jīng)網(wǎng)絡(luò)的心沖擊信號深瓶頸特征提取方法，其特征在于，步驟3中，獲取深層置信網(wǎng)絡(luò)模型的預(yù)訓(xùn)練，過程如下：

步驟3.1，以步驟1中獲取的72維心沖擊信號輸入向量做為步驟2網(wǎng)絡(luò)的輸入；

步驟3.2，對每一隱含層的RBM網(wǎng)絡(luò)進行無監(jiān)督訓(xùn)練，其中激活函數(shù)仍采用sigmoid函數(shù)：

應(yīng)用梯度下降法來進行迭代優(yōu)化，完成當(dāng)前層RBM網(wǎng)絡(luò)的參數(shù)更新后，將其輸出做為下一層RBM網(wǎng)絡(luò)的輸入，直至7層隱含層全部訓(xùn)練完畢，即可構(gòu)成DBN模型。