识别心律失常心电图信号通过神经网络和遗传编程

文摘

本文分析„心电图(ECG) PQRSTU-waveforms和预测死亡的感染或状态的病人使用遗传算法和人工神经网络(ANN),精确的心电图(ECG)分类诊断patienta€Ÿ年代条件是至关重要的。difficult-to-diagnose-signals等分类,即心电图信号,使用各种脉冲进行分类,v1、v2、v3, v4, v5和v6等相应安即隐层。纵波,pr间,QRS-Interval ST-Interval,让等的分析每个输入脉冲用于训练神经网络。神经网络的输出给体重因素相应的信号来创建一个数据集。output-datasets表明相关疾病和预测的原因。并分析了结果遗传算法。

关键字

心电图、模糊逻辑和人工神经网络(ANN),过早心室收缩,窦性心动过速,窦性心动过缓,遗传算法(GA)。

介绍

心脏病已成为最常见的疾病,在全世界影响人类。每年数以百万计的人死于心脏病和同等数量接受冠状动脉搭桥手术或球囊成形术高级心脏病. ear检测和及时的治疗可以防止这样的事件。这将改善生活质量,延缓心衰的发展[1]。诊断的第一步是记录病人的心电图。一个心电图记录是一种非侵入性诊断工具用于病人的评估?心脏病[2]。心电图的特点,当被简单的观察,并结合心率,会导致一个相当准确和快速诊断。

安有一个显著的优势来解决问题,没有一个算法的解决方案或解决方案太复杂。这些网络应用有效地为临床诊断在医学领域,图像和信号分析和解释这些信号,传统的(心脏病毁灭之路系统)已被确定为一个ANN结构可以准确执行分类任务。神经网络最常用的方法之一是心电图击败分类、多层感知(MLP)基于神经网络选择能够对ECG信号进行分类。他们与监督训练,使用——传播之间的平方误差最小化网络的实际输出和期望输出。神经网络结构由四层(一个输入层、两个隐藏层和输出层)使用前馈反向传播,输入映射到每个节点P、QRS, ST, T间隔在窦性心动过速的隐层的重量因素,窦性心动过缓、房性心动过速和审判颤动,心房纤维性颤动,Atriventricular块和输出层隐层输出的线性组合乘以权重。

二世。回顾以前的工作

了众多作品在文学与心脏病诊断使用模糊和人工智能技术在[1],[2]。在工作三个类的选择即心电图信号,正常窦性心律,恶性室性异位和心房纤维性颤动被选中,PQRST波形的形状了。不同类型的心电图信号[3]中也发现了。

尼康E。mastorakis开发了[4]心电图分析的专家系统,通过分层次组织知识在一个上下文自由的环境。他们利用Turbo C分析和Turbo prolog的诊断。Hamiltonp[5]开发了一种软件心电图击败检测和分类和作为一个开源系统,供研究人员使用。斯R和marchesis[6]神经网络用于心电图自动分析的分类不同的心脏异常。过早心室收缩(PVC)和过早心房收缩(PAC)心律失常cardiologic领域广泛遇到他们可以使用心电图检测信号参数。实现去噪方法来识别这些不正常的跳动。分类器也在[8],[9]。

三世。心和信号

心脏分为左、右两部分。每个部分有两个心房和心室。心脏有四个阀门,如图1所示,2、3。它是由心电图(ECG),记录心脏的电活动。

答:阅读/解释心电图

心电图信号必须系统地解释和研究。一个方便的方法是:

吗?确定心率和节奏。

吗?评估P-R间隔和QRS波群的宽度。

吗?检查P波QRS波群

吗?检查s - T段和T波。

b .心电图信号

心电信号是由心脏的节律性收缩衡量电极。信号可以有效地用于心脏疾病的诊断。分析问题可以分为两个部分,特征提取和分类。特征提取过程是必要的来检测异常的信号,而分类过程是用来区分疾病类型。

有四个主要心电图间隔RR、QRS QT, ST T段。每分钟心率(次)可以方便地计算从国际米兰击败(rr)区间的数量除以大(0.20)之间的时间单位连续R波的数量到300年或小(0.04)之间的时间单位连续R波的数量到300年或小(0.04秒)单位到1500年。公关间隔措施之间的时间(通常120 - 200 ms)心房和心室去极化。

包括细胞的生理延迟由刺激AV结?正常QRS间隔100毫秒或更少)反映心室去极化,QT间隔的持续时间包括心室去极化和repolariation时间和速度相关的QT间隔,可以计算QTc QT / rr,通常是< = 0.44 s。

QRS波群细分为具体的变位或波如果最初的QRS偏转在给定的铅-称为Q波[6]。第一个积极偏转称为R波,消极的偏转后R波是一个S波后续积极或消极波分别标记为R和S .Lowercase信(qrs)用于一波又一波的幅度相对较小。一种完全消极的QRS波群称为QS波。心电信号是由一群重复PQRST信号。正常类PQRSTU图4所示

四、心电图信号样本

心脏脉冲通常来自窦房结的窦性心动过速和心电图正常,脉搏率增加超过100次/分钟(成人)。窦性心搏过速可能导致从情感、锻炼、发烧、甲状腺机能亢进和贫血。

答:窦性心动过缓

心率低于60次/分钟。窦性心动过缓发生在训练运动员和患者颅内压增加,粘液性水肿、黄疸在图5中列出。

b .心房心动过速和心房扑动

心房心动过速和心房扑动的存在是由于异位集中在快速跳动的心房定期,p波在形状异常,但QRS复合物通常正常如图6所示。

c .树上的颤

没有协调市区心房(电气或机械在树上的颤动。心电图(图7)说明了f(颤动)波代表心房活动而不是P波尤其是铅V1, QRS复合物是正常的,但发生不规则。

d .房室传导阻滞(心肌梗死)

第一学位房室传导阻滞P-R间隔超过0.2秒,所有到达心室心房冲动当一些冲动无法到达心室但其他人做达到它,还有二级房室传导阻滞。在三度房室传导阻滞(完成)心房和心室独立打败,我。e,它们的心室率通常是缓慢的,20 - 40分钟跳动,和经常不稳定,可能会失败完全心室站剧照如图8所示。

诉提出方法

五类ECG信号被选择的分类任务。正常窦性心动过速,窦性心动过缓,心房心动过速和颤振试验,树上的颤动,房室传导阻滞(心肌梗死)。生理网网站的数据库提供了22窦性节律类型、房颤类型,23日20房室传导阻滞。五类的信号采样率的128个样本作为第二选择。所有信号输入到神经网络的这些特性表征涉及一组从一系列PQRST-waves PQRST-wave一秒。提取准确的信息从每个组心电图数据,五套PQRST-wave从不同的位置在一个心电图信号输入到神经网络。对于每一个心电图数据提取.Five套PQRST-wave使用小波分解技术。这种技术将检测到的位置最大的纵波和P-R间隔,QRS, s - T段和T波。MATLAB提供有价值的信息的检测间隔和ECG信号的振幅。输入训练神经网络。神经网络的输出给重量每个信号的因素。每个重量因素输入到软件程序是用visual basic编写的结果显示风险因素。

第六,网络结构和训练方法

呈现出一个人工神经网络分类器作为诊断工具来帮助医生在心脏疾病的分类[5]。分类的心脏跳动一个多层前馈神经网络(MLFN)是用于分析PQRST,引用作为神经网络。用神经网络构造的神经网络是在MATLAB软件包。Fig.10说明了神经网络的体系结构。包括输入层、隐藏层和输出层.Neurons输入层中的行为只作为分配的缓冲区的输入信号.Input信号是纵波,PRInterval, QRS-Interval, ST-Interval,让隐藏层总结其输入信号xi加权后的优势各自连接维琪形式输入层和计算其输出作为激活函数f的总和。f是双曲正切函数的地方。选择反向传播(BP)算法作为神经网络训练算法。

稀疏连接YNN当

yNN = f (wi1 x1 + wi2 x2 + wi3 x3 + + wim xm)

YNN = f(Σwi x j)

当ξ=输入,和维琪=重量

七世。仿真结果

完整的一套规则最初输入系统检查与MATLAB发现不同的间隔像纵波,pr间,QRS-Interval ST-Interval,让等分析每个输入脉冲的输入训练神经网络。神经网络的输出给体重因素相应的信号来创建一个数据集。output-datasets表明相关疾病和预测的原因,从软件程序验证结果提出了用MATLAB写在图11所示。

八世。遗传算法

遗传算法是一种有效的和有效的技术来优化和搜索问题找到解决方案如表1中说明。遗传算法从生物系统生物细胞的染色体。

答:人口每个染色体由基因和基因编码一种特征。组染色体称为基因组和特定基因在基因组的基因型。遗传算法从染色体称为人口的发电机组。

B。适应度函数适应度值将分配到每个染色体。更好的健身将成为更大的选择的机会。每个染色体适应度函数评价根据各自的健身价值。

C。根据健身价值选择,选择染色体为进一步重组的过程。

D。选择后交叉,交叉过程发生在传宗接代(新的人口)。交叉将由以下合适的方法。在情况下,如果不发生交叉,相同的原始拷贝染色体将进入新的人口。

E。交叉变异后,新创建的后代可以突变和放置在新的人口。

F。精英主义为了防止失去更好的染色体,精英主义使用过程,更好的染色体只复制到新的人口。

G.Termination

重复这个过程,直到条件已经达成共识。有许多条件结束这个算法等解决方案时发现,满足最优值或预定义的迭代次数达到了。最后提出了遗传算法的流程图如图12 [9]。

开始

{

初始化种群;

评估人口;

虽然TerminationCriteriaNotSatisfied

{

选择父母的生殖;

进行重组和变异;

评估人口;

}

}

结束

IX.CONCLUSION

根据获得的结果,可以得出结论,易建联可以准确分类ECG信号到窦布雷迪贲门,心房速贲门,树上的颤动,房室传导阻滞。小波分解技术用于特征提取过程有效地执行项目P, Q, R, S和T波从原始ECG信号。遗传Agorithm ECG信号得到验证。结果表明高水平的有效方法,优于其他方法与impresive精度98%。该方法适用于arrythmic检测在临床实践中效率和简单

表乍一看

表1

数据乍一看

图1 图2 图3 图4 图5 图6 图7 图8 图9 图10 图11 图12

引用

1. Hafizah侯赛因,赖昌星Len Fatt“有效的心电信号分类使用稀疏径向基函数神经网络”6日圆柱国际会议在电路系统中,Electorics,控制和信号处理,开罗,埃及,页。412 - 416。Dec29-31, 2007年。
2. 书S.Ahuja R.S.Bhatia,讲述Ahuja,“理解心电图”,出版商和经销商(p),第一版,NewDelhi, 2007。
3. L.S.Cohen, MD。“心脏病症状”,第九章,耶鲁大学医学院心脏书,威廉明日& co。1992年,PP107 - 114。
4. N.E.Mastorakis新泽西州心电图Theororous E.S.Rota。”职业:心电图分析专家系统”,第三IEEE地中海会议控制和自动化,Limmassol,柏树,7月11 - 13日,457 - 459页,1995年。
5. Nauck D。,Kruse, R.,Obtaining interpretable Fuzzy classification rules from medical data.Artificial Intelligence in Medicine ,PP 149-169.
6. M.AChikh F。Bereksi Reguig”,应用人工神经网络识别室性过早性收缩(PVC)电子”,杂志“技术声学”http://www.ejta.org 2004。
7. R.Silipo C。Marchesi自动心电图分析的“人工神经网络”,IEEE信号处理46卷,问题5,(1417 - 1425),1995。
8. M。Chikh, F。Beereksi Regig,应用人工神经网络识别室性过早性收缩(PVC)电子杂志“技术声学”http://www.ejta.org, 2004。
9. 克里Anisheh和h·娜”,与最优自适应分割窗口长度计划利用分形维数和小波变换”,国际工程学报,22卷,第268 - 257页,2009年