基于ANFIS的心电图ST段检测.pptVIP

基于ANFIS的心电图ST段检测 基于ANFIS的心电图ST段检测 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]。 ST段的形态特点 常用的ST段形态识别方法 引入模糊概念的必要性 ANFIS结构的工作原理 ANFIS设计步骤及仿真实例 ST段的形态特点 常用的ST段形态识别方法 1 .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。 2. 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 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。 ANFIS结构的工作原理 Tang Roger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 ANFIS设计步骤 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: (1)获取样本数据; (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。 仿真实例 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. 输出结果 结论 自适应神经网络模糊系统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，通过学习能有效地计算处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。 由以上的仿真结果可以看出，利用ANFIS能够获得较为准确的模型。 参考文献 [1]黄宛。临床心电图学。北京：人民卫生出版社，2004。 [2]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。 [3]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。 * * ST段是指从QRS综合 波