本发明专利技术涉及信号处理技术领域，具体地涉及一种具有复值权重的混沌神经网络及其在心电图分类中的应用，首先提出了一种具有复值参数的复Logistic混沌映射，并对其分岔图、Lyapunov指数和混沌吸引子进行了分析；其次，利用CLCM的遍历性和一个新的神经元函数来优化CNN的权值；然后利用MIT
【技术实现步骤摘要】
具有复值权重的混沌神经网络及其在心电图分类中的应用
[0001]本专利技术涉及信号处理
，具体地涉及一种具有复值权重的混沌神经网络及其在心电图分类中的应用。
技术介绍
[0002]心电图在心律失常、心肌缺血、室性早搏等疾病的诊断中起着重要作用。然而，心电图异常种类繁多，变异的可能性很大。同一种疾病的图像截然不同。准确诊断需要医生有丰富的知识积累和临床经验。长期以来，医生们从事大量的心电图诊断工作，容易因疲劳而导致误诊。因此，心电自动识别一直是人工智能领域的研究热点，极大地促进了医疗保健的进步和发展。
[0003]现有心电信号模式识别方法通常基于传统的神经网络，如使用有向无环图卷积神经网络进行心跳分类，可以从卷积神经网络的不同层自动提取多尺度特征；采用深度神经网络对动态心电图中的心律失常进行检测和分类，通过准确测试或首先考虑最紧急的情况，可以降低心电图分析中的误诊率，但上述识别方法容易陷入局部极小值。为克服局部极小值的缺点，产生了混沌神经网络(chaotic neural network,CNN)。CNN可以更好地模拟和再现真实的大脑结构和功能，它为探索人脑加工机制，特别是思维和意识问题提供了坚实的基础。因此，对混沌神经网络的研究将在工程和脑科学中有广泛的实际应用。但现有混沌神经网络识别准确率不佳，难以达到更加精准的识别效果。
技术实现思路
[0004]本专利技术的目的在于克服现有技术存在的缺点，提出设计一种具有复值权重的混沌神经网络及其在心电图分类中的应用，具有复值权重的混沌神经网络具有防止网络陷入局部极小的能力，其在心电图分类中的应用提高了对electrocardiogram(ECG)分类的准确性。
[0005]本专利技术解决其技术问题所采取的技术方案是：
[0006]一种具有复值权重的混沌神经网络，采用复值Logistic混沌映射(CLCM)，CLCM将Logistic映射的变量从实域扩展到复域，增加了混沌系统的遍历性，CLCM数学模型定义为：
[0007][0008]其中w
n
＝x
n
+jy
n
是复数域中的状态变量，代表虚数，z
n
表示输出序列，a和b是系统参数，a是实数，b＝b1+jb2是复数参数。
[0009]将w
n
的实部和虚部分开，得到三维3D
‑
CLCM：
[0010][0011]当b2＝1.5时，所述CLCM的混沌区间为
‑
1.3＜b1＜1.3，
‑
0.1＜a＜8.9，与一维Logistic映射相比，具有更多的变量和参数，混沌范围更广。
[0012]进一步的，所述具有复值权重的混沌神经网络在Sigmoid函数中引入陡度因子函数，产生一个新的激励函数模型作为所有神经元的函数，新神经元函数的方程如下所示：
[0013][0014]其中f是正弦函数的频率，η和β都是正参数，η表示初始相位，ε(t)是陡度因子函数(ε(t)>0)。
[0015]选择以下示例函数：
[0016][0017]并采用两层前向网络结构和20个隐藏单元进行仿真，最大迭代次数为800次，设置η＝1.8，损失函数如下所示：
[0018]E＝(y
‑
f(x))2，
[0019]其中y表示预测值，f(x)表示实际输出值。
[0020]随着损失函数的不断衰减，网络通过从双周期分岔到一个固定点的连续混沌分岔过程逐渐趋于稳定平衡点，具有复数权重的混沌神经网络的混沌遍历搜索机制具有防止网络陷入局部极小的能力。
[0021]进一步的，本专利技术结合CLCM的遍历性与共轭梯度方法，提出混沌神经网络的学习算，包括：
[0022]步骤1、设置一个正数M，设置范围集合I＝[
‑
M,M]，拟定W0∈I
m
作为CNN的初始权重，其中W0＝X0+Y
o
j是一个复变量；用共轭梯度法计算出W0的下一次迭代结果，记为当k＝0时，令
[0023]步骤2、设其中W
k
(i)(i＝1,...,m)是W
k
的第i个分量，L(
·
)是CLCM的函数；用共轭梯度法计算并将设为W
k+1
的下一次迭代；
[0024]步骤3、如果函数为真，则设置否则，W
*
保持不变；
[0025]步骤4、如果W
*
在几次迭代之后没有改变，则算法结束，否则，k＝k+1，返回步骤2。
[0026]进一步的，本专利技术所述具有复值权重的混沌神经网络在心电图分类中的应用，具体包括：
[0027](1)数字滤波
[0028]首先，通过去基线、去噪声和信号分割步骤对心电信号进行预处理；数字滤波采用经典数字滤波方法；
[0029](2)自适应阈值
[0030]为了使心拍波形模式更加单一，经过带通滤波后，接着对图形进行双斜率处理，即分别在点的左侧和右侧的某个取值范围内找寻最大平均斜率与最小平均斜率，然后分别将左边的最大斜率减去右边的最小斜率，右边的最大斜率减去左边的最小斜率，再求得两者的最大；取这个找寻斜率的取值范围是左右两边的0.015s～0.060s的位置，设定成经验参数，双阈值能够很好地随着信号变化，进而正确检测出QRS波的位置；
[0031](3)心拍截取和心拍分类
[0032]在定位心拍时，忽略遗漏检测的心拍，而错误检出的心拍和正确检出的心拍都截出，混沌神经网络的学习算法具有鲁棒性，较为少量的错误检测心拍数不会对结果造成太大的影响；经过自适应阈值处理后的心拍信号，向左统计含有L1个点，向右统计含有L2个点，即截取的每个心拍长度为L1+L2个点，在工作空间分类为4个变量，分别为“正常(N)”、“左束支阻滞(LBBB)”、“右束支阻滞(RBBB)”、“室性早搏(PVC)”。
[0033]本专利技术首先提出了一种具有复值参数的复Logistic混沌映射，即复Logistic混沌映射(complex Logistic chaotic map,CLCM)，并对其分岔图、Lyapunov指数和混沌吸引子进行了分析。其次，利用CLCM的遍历性和一个新的神经元函数来优化CNN的权值。然后利用MIT
‑
BIH数据库对该方法进行了验证。通过带通滤波和双阈值处理，将心电信号处理成波形更单一、更突出的信号，作为所设计的CNN的输入，具有复数权重的CNN对electrocardiogram(ECG)分类的准确性有一定的提高。
[0034]本专利技术的技术效果：
[0035]与现有技术相比，本专利技术的一种具有复值权重的混沌神经网络及其在心电图分类中的应用，具有以下优点：
[0036](1)本专利技术提出了一种复值Logistic混沌映射，即复复杂场中的Logistic混沌映射(complex Logist本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.具有复值权重的混沌神经网络，其特征在于：采用复值Logistic混沌映射CLCM，CLCM将Logistic映射的变量从实域扩展到复域，增加了混沌系统的遍历性，CLCM数学模型定义为：其中w
n
＝x
n
+jy
n
是复数域中的状态变量，代表虚数，z
n
表示输出序列，a和b是系统参数，a是实数，b＝b1+jb2是复数参数；将W
n
的实部和虚部分开，得到三维3D
‑
CLCM：当b2＝1.5时，所述CLCM的混沌区间为
‑
1.3＜b1＜1.3，
‑
0.1＜a＜8.9。2.根据权利要求1所述的具有复值权重的混沌神经网络，其特征在于：在Sigmoid函数中引入陡度因子函数，产生一个新的激励函数模型作为所有神经元的函数，新神经元函数的方程如下所示：其中，f是正弦函数的频率，η和β都是正参数，η表示初始相位，ε(t)是陡度因子函数(ε(t)>0)。3.根据权利要求2所述的具有复值权重的混沌神经网络，其特征在于：选择以下示例函数：x＝[0,1]，并采用两层前向网络结构和20个隐藏单元进行仿真，最大迭代次数为800次，设置η＝1.8，损失函数如下所示：E=(y
‑
f（x）)2，其中y表示预测值，f(x)表示实际输出值；随着损失函数的不断衰减，网络通过从双周期分岔到一个固定点的连续混沌分岔过程逐渐趋于稳定平衡点，具有复数权重的混沌神经网络的混沌遍历搜索机制具有防止网络陷入局部极小的能力。4.根据权利要求3所述的具有复值权重的混沌神经网络，其特征在于：结合CLCM的遍历性与共轭梯度方法，提出具有复值权重的混沌遍历性搜索方法，包括：步骤1、设置一个正数M，设置范围集合I＝[
‑
M,M]，...
【专利技术属性】
技术研发人员：张芳芳，陈泺冰，寇磊，舒明雷，张雪，胡志强，
申请(专利权)人：泰山学院，
类型：发明
国别省市：
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。