[發明專利]一種基于SNN網絡的心電信號異常預測方法及裝置

在審

• 申請號: 202210334113.X
• 申請日: 2022-03-31
• 公開（公告）號: CN114732415A
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 潘沛生;譚慶康
• 申請（專利權）人: 南京郵電大學
• 主分類號: A61B5/318
• 分類號: A61B5/318;A61B5/00;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 南京縱橫知識產權代理有限公司 32224
• 代理人: 董建林

1.一種基于SNN網絡的心電信號異常預測方法，其特征在于，包括：

獲取預先采集的第一心電信號數據；

將獲取的第一心電信號數據輸入預先構建的基于SNN網絡的心電信號異常預測模型中進行預測；

其中，所述基于SNN網絡的心電信號異常預測模型包括依次連接的小波變換模塊、SNN網絡層、注意力機制模塊、全連接層以及Softmax層；

其中，所述將獲取的第一心電信號數據輸入預先構建的基于SNN網絡的心電信號異常預測模型中進行預測的方法，包括:

將所述第一心電信號數據輸入小波變換模塊進行預處理，獲取消除噪聲的第二心電信號數據；

將所述第二心電信號數據輸入SNN網絡層，使用擴展的STDP算法更新權重后，獲取第三心電信號數據；

將所述第三心電信號數據輸入注意力機制模塊，獲取增強有效信息的特征和抑制無效特征后的第四心電信號數據；

將所述第四心電信號數據依次輸入全連接層和Softmax層，通過Softmax函數輸出誤差概率，預測心電信號異常類型。

2.根據權利要求1所述的基于SNN網絡的心電信號異常預測方法，其特征在于：所述將所述第一心電信號數據輸入小波變換模塊進行預處理，獲取消除噪聲的第二心電信號數據，包括：

將所述第一心電信號數據劃分為訓練集和測試集兩組；

將劃分后的所述第一心電信號數據輸入小波變換模塊，獲取消除噪聲的第二心電信號數據；

根據R峰位置及波形間隔，將第二心電信號數據中的所有心拍信號劃分成同尺度的單一心拍。

3.根據權利要求1所述的基于SNN網絡的心電信號異常預測方法，其特征在于：所述第一心電信號數據按3:7的比例劃分為訓練集和測試集。

4.根據權利要求2所述的基于SNN網絡的心電信號異常預測方法，其特征在于：所述將劃分后的所述第一心電信號數據輸入小波變換模塊，獲取消除噪聲的第二心電信號數據，包括：

將劃分后的所述第一心電信號數據輸入小波變換模塊，與預先設定的閾值進行比較；

保留大于閾值的小波系數，將小于閾值的小波系數做相應的處理；

根據處理后的小波系數還原出心電信號，作為消除噪聲的第二心電信號數據。

5.根據權利要求1所述的基于SNN網絡的心電信號異常預測方法，其特征在于：所述SNN網絡層包括由全連接的LIF神經元組成，神經元以層的結構進行排列，每一層的神經元只和前一層的神經元進行連接。

6.根據權利要求5所述的基于SNN網絡的心電信號異常預測方法，其特征在于：所述神經元突觸膜電位的計算公式如下：

其中，w_i代表權重，K(t-t_i)代表在t時間下t_i時間點傳入的脈沖的貢獻，V_rest代表靜息電位，當膜電壓V₀超過預先設定的一個固定的閾值時，神經元發放一個脈沖，降低至復位點位后，接收前端突觸的輸入脈沖重新弄升高膜電位。

7.根據權利要求1所述的基于SNN網絡的心電信號異常預測方法，其特征在于：所述使用擴展的STDP算法更新權重w_ij的公式如下：

其中，K(t)是突觸后電位核函數，V₀是正則化參數，設置為膜電壓初始化電位：τ_m和τ_s并分別指示突觸前神經元電流的上升和下降時間常數；參數i代表第i次脈沖發生；i，j別分代表突觸前后神經元的標號；p+error表示理論應該發射脈沖，但是事實是沒有發生脈沖，p+error為true代表產生此錯誤；p-error與p+error相反，代表預期是靜息電位，但實際產生了脈沖；t_max表示產生最大電壓的時間：λ₊和λ_-分別代表兩種情況下的學習率。