《基于ANFIS心电图ST段检测工作》由会员分享，可在线阅读，更多相关《基于ANFIS心电图ST段检测工作（16页珍藏版）》请在金锄头文库上搜索。
1、基于ANFIS的心电图 ST段检测 基于ANFIS的心电图ST段检测 v冠心病是一个严重的公众健康问题，发病率居所有疾病的首位，是引起 死亡的头号原因，大约占所有疾病死亡的20%左右。因此，早期诊断冠 心病至关重要，从而更有效地指导治疗。心电图是诊断冠心病最简便、 最常用的方法。而在心电图中ST段的变化与心肌细胞是否缺血之间具有 密切的关系，对于冠心病的诊断和治疗具有非常重要的意义1。 vST段的形态特点 v常用的ST段形态识别方法 v引入模糊概念的必要性 vANFIS结构的工作原理 vANFIS设计步骤及仿真实例 ST段的形态特点 vST段是指从QRS综合 波群终了到T波开始 之间的线段。
2、v从心室肌的去极化/复极化的过程和心肌细胞的动作电位的机 理上看，ST段实际上是心室按照先去极后复极的顺序，在复 极前的一段时间较长的非稳定平稳状态。正常情况下ST段应 与基线平齐。当这种去极化/复极化的顺序由于某种原因而被 破坏时，ST段就会发生改变，形成各种形态的异常， 通常 会压低或升高2。 vST段抬高主要表现为弓背 向下型抬高和弓背向上型 抬高，分别如图 1中A、B 所示。 vST段压低可表现为水平型 压低、下垂型压低、弓背 型压低、下陷型压低，分 别如图2中B-E所示，还有 一种类缺血型ST段压低， 也可以称之为上斜型压低 ，如图F所示； A弓背向下型ST段抬高 B弓背向上型ST段
3、抬高 图1 ST段多种抬高形态 A正常ST段 B水平型ST段压低 C下垂型ST段压低 D弓背型ST段压低 E下陷型ST段压低 F上斜型ST段低 图2 ST段多种压低形态 常用的ST段形态识别方法 v1 .斜率法 ST段斜率可以判别ST段是上斜型压低、水平型压低还是下垂型压 低。但对于弓背型，下垂型等非直线型的ST段斜率的确定存在一定的 困难。目前确定斜率的方法基本上都是近似的，常用的方法有直线法 和线性回归法。 v2. 函数拟合法： 函数拟合法就是用某种函数来近似ST段，这样能够描述整个ST段 的特性，而且使用特征抽取方法自适应传导时间和心率变化。但是由 于ST段变化大，且形态各异，要想拟合的
4、较好很困难. 3. 神经网络分类法 可以采用BP等有监督的多层前馈神经网络，但是BP网络需要进行 大量的样本训练，然后才能进行模式识别，对于训练中未出现过的新 模式无法正确识别。 以上的方法都有不足的地方，下面我们引入模糊的概念，找寻一种 更好的处理方法。 引入模糊概念的必要性 v在实现心脏病自动诊断系统中需要利用很多非精确信息。比如当医生观察病 人的心电图时，可能会用“p波幅度很高，且形状尖耸”来描述某导联的波形。 这里的“很高”和“尖耸”便属于模糊信息。因此，在实现ECG智能识别功能时有 必要引入模糊技术，将不精确的测量数据或定性描述模式特征的模糊语言转 换为能够被自动识别模块利用的数值信
5、息。 模糊推理系统的设计主要不依靠对象的模型，但他却相当依靠专家或操作 人员的经验和知识。模糊推理系统的结构非常适于 表示人的定性和模糊的经 验和知识，这样的经验和知识通常采用if-then的模糊条件句来表示。若缺乏 这样的经验，则很难期望它能获得满意的控制效果。 对于上面的问题，自适应是一种解决办法。但是自适应的方法给系统的设 计和构造带来了很大的困难和麻烦，涉及到许多专业的高深理论，而且不同 自适应理论和方法的适用性比较窄，最终模糊系统的自适应设计和实现都比 较困难。 另一方面，模糊逻辑和神经网络的发展，使得近十年以来的 智能控制得到十分重要的进展。模糊逻辑和神经网络是两个 不同的领域，基
6、础相差较远，但是他们又都是人工智能领域 的科学。是否可以结合起来加以应用呢？ v理论和实践的结果证明两种理论是可以融合的，基于网络的 自适应模糊推理系统ANFIS（Adaptive Network-based Fuzzy Inference System)就是这种结合的一种产物3。 v由于模糊推理本身不具备自学习功能，其应用受到很大的限 制，而人工神经网络又不能表达模糊语言，实际上类似一个 黑箱，缺少透明度，所以不能很好大的表达人脑的推理机能 。而基于自适应神经网络的模糊推理系统ANFIS将二者有机 的结合起来，既能发挥二者的优点，又可弥补各自的不足。 ANFIS结构的工作原理 vTang R
7、oger提出与一 阶Sugeno模糊模型功 能等同的基于自适应 神经网络的模糊推理 系统(ANFIS ) 用来实 现Sugeno模糊模型的 学习过程。ANFIS可 以认为是Sugeno型模 糊模型的神经网络实 现，该网络是一个多 层前馈网络，结构如 图 v假定模糊规则库包含两种规则: ule1:if x1 is A1 and x2 is B1, then f1=p1x1+q1x2+r1 ule2:if x1 is A2 and x2 is B2, then f2=p2x1+q2x2+r2 v第一层：该层节点i是以节点函数表示的方形节点 （该层参数可变） v第二层：该层的节点表示将输入信号相乘，
8、其乘积输出为 v第三层:该层节点用N表示，第i个节点计算第i条规则 的归一化可信度为: v第四层: 该层每个节点i为自适应节点 ，其输出为： v第五层:该层单节点是一个固定节点，计算所有输入信号的总输出为： 在MATLAB中基于自适应神经网络算法的模糊推理系统多用于以下情况： （1）已经获得大量希望用于建模或是希望模型能够跟随的输入输出数据 对。 （2）不一定需要或是不能预先得到所研究系统的基于变量特征的结构参 数。 总之，自适应神经网络模糊系统最大的特点就是，该系统是基于数据的建 模方法。系统中的模糊隶属函数及模糊规则是通过对大量已知数据的学 习得到的，而不是基于经验或是直觉任意给定的。这对
9、于那些特性还不 被人们所完全了解或者特性非常复杂的系统尤为重要。 ANFIS设计步骤 v自适应神经网络模糊系统的基本思想非常简 单，它为模糊建模的过程提供了一种能够从 数据集中提取相应信息（模糊规则）的学习 方法，这种学习与神经网络的学习方法非常 相似，通过学习，能有效地计算出隶属函数 的最佳参数，使得设计出来的Sugeno型模糊 推理系统能够最好的模拟出希望的或是实际 的输入输出关系，所以ANFIS是一种基于已 有数据的建模方法 。 基于数据聚类的ANFIS设计方法一般有以下几 个步骤: v(1)获取样本数据; v(2)确定ANFIS模糊输入的初始模糊划分和模糊规 则;利用数据聚类技术对样本
10、数据进行聚类分析， 得到若干输入变量聚类中心。然后根据聚类结果 可以获得输入变量的模糊划分(即隶属函数个数和 初始分布)和模糊规则，即模糊输入的聚类中心可 作为模糊输入隶属函数的初始中心位置，由聚类 结果得到的模糊输入之间的匹配关系可直接转化 为模糊规则。 v(3)确定ANFIS的初始结构;由得到的模糊输 入隶属函数和模糊规则确定ANFIS各隐层神 经元个数以及神经元激励函数。 v(4) 训练ANFIS，得到最终结果;根据训练样 本数据利用混合学习算法离线辨识前题参 数集和结论参数集，得到辨识后的ANFIS模 型。 v(5) 用核对数据校验ANFIS。 仿真实例 v建立一个模糊推理系统，对输入数据集 (x=(0:0.1:10);y=sin(2*x)./exp(x/5)进行模拟 ，即根据一组100点数据用模糊推理机制来 构造（模拟）函数y. v输出结果 参考文献 v1黄宛。临床心电图学。北京：人民卫生出 版社，2004。 v2师黎，杨岑玉，张金盈。小波变换在心电 图ST识别中的应用。郑州大学学报。2006， 41（2）:275-277。 v3飞思科技产品研发中心。神经网络理论与 MATLAB7实现。北京：电子工业出版社。 2005。 谢谢！
