【技术实现步骤摘要】
一种基于深度神经网络的心冲击信号深瓶颈特征提取方法
本专利技术涉及生物特征提取
，特别是涉及一种基于深度神经网络的心冲击信号深瓶颈特征提取方法。
技术介绍
随着穿戴式设备的日益盛行，无创式心脏功能评估领域成为当今研究热点。常规的心脏功能检测手段，包括心电图(Electrocardiogram,ECG)、心磁图、心音、心阻抗图等，均需在人体体表附着电极等检测设备，对监测环境、条件及操作人员具有一定的要求，且给受试者的日常生活造成极大的不便。心冲击信号(Ballistocardiogram,BCG)通过检测心脏搏动传导至体表的微弱振动，间接反映心脏的工作状态，是一种无感评估人体心脏动力学性能的先进检测手段。提取BCG信号的心脏功能特征，是其实际应用的重要环节。由于信号本身较为微弱，且极易受外界环境的干扰，因此提取常规的波形特征参数具有一定的局限性。随着人工智能技术的深入发展，将深度学习理论应用于心冲击信号的特征提取，将有效提高其心脏功能表征性能，同时可克服波形扰动带来的影响，进而扩大BCG信号的实际应用范围。
技术实现思路
针对现有技术存在的问题，本专利技术提供一种...
【技术保护点】
1.一种基于深度神经网络的心冲击信号深瓶颈特征提取方法，其特征在于，包括以下步骤：步骤1，确定神经网络的输入向量及目标向量形式；同步检测同一受试者的心电信号及心冲击信号，并分别对二者进行预处理，获取深度神经网络的输入向量及目标向量；步骤2，确定深层神经网络结构；构建一个基于受限玻尔兹曼机的带有瓶颈层的9层神经网络；步骤3，对神经网络进行预训练，获取深层置信网络模型：以心冲击信号输入向量做为神经网络输入，应用逐层训练方法对神经网络进行无监督预训练，获取DBN模型；步骤4，对神经网络进行有监督精细训练，获取深瓶颈特征；以心电信号目标向量做为输出层监督目标，构建新型损失函数，并应...
【技术特征摘要】
1.一种基于深度神经网络的心冲击信号深瓶颈特征提取方法，其特征在于，包括以下步骤：步骤1，确定神经网络的输入向量及目标向量形式；同步检测同一受试者的心电信号及心冲击信号，并分别对二者进行预处理，获取深度神经网络的输入向量及目标向量；步骤2，确定深层神经网络结构；构建一个基于受限玻尔兹曼机的带有瓶颈层的9层神经网络；步骤3，对神经网络进行预训练，获取深层置信网络模型：以心冲击信号输入向量做为神经网络输入，应用逐层训练方法对神经网络进行无监督预训练，获取DBN模型；步骤4，对神经网络进行有监督精细训练，获取深瓶颈特征；以心电信号目标向量做为输出层监督目标，构建新型损失函数，并应用反向传播BP算法更新神经网络参数，而后移除瓶颈层之后的各层神经网络，以瓶颈层做为输出层，获得的输出向量即为深瓶颈特征。2.根据权利要求1所述的一种基于深度神经网络的心冲击信号深瓶颈特征提取方法，其特征在于，步骤1中，确定输入向量及目标向量形式采用以下步骤：步骤1.1，采集同一受试者的同步心电信号、心冲击信号，并分别对其进行信号归一化处理；步骤1.2，获取心电信号的R波位置、心冲击信号的J波位置，并以其为基准分别对心电信号、心冲击信号进行分帧，统一获取70个采样点为一帧(信号采样率为100Hz)；步骤1.3，确定输入向量为：每一帧心冲击信号，额外附加两个J-J间期信息，包括当前帧与前一帧的、当前帧与后一帧的，共同组成72维向量，做为神经网络的输入向量；步骤1.4：确定目标向量为：每一帧心电信号，额外附加两个R-R间期信息，包括当前帧与前一帧的、当前帧与后一帧的，共同组成72维向量，做为神经网络的目标向量。3.根据权利要求1所述的一种基于深度神经网络的心冲击信号深瓶颈特征提取方法，其特征在于，步骤2中，深层神经网络的搭建采用以下结构：步骤2.1，以72维的心冲击信号做为输入向量，确定输入层的神经元个数为72个；步骤2.2，此后每一个隐层均采用RBM结构，构建7层隐含层，其中每一层隐含层的神经元个数分别为：60、40、20、5、20、40、60，中间瓶颈层的神经元个数为5个；此结构为以心冲击信号输入向量做为网络输入，进行多次对比实验后，确定的效果最为理想的结构配比。4.根据权利要求1所述的一种基于深度神经网络的心冲击信...
【专利技术属性】
技术研发人员：蒋芳芳，刘星航，刘海滨，张长帅，徐敬傲，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。