GA—BP混合訓練算法應用于心電圖自動識別研究

摘要：利用神經網絡進行心電圖識別時，存在神經網絡網絡結構、初始權值以及網絡的動量因子、學習參數難以確定，易陷入局部極小、過擬合等問題。遺傳算法具有很強的全局尋優能力，能以較大的概率找到全局最優解，提出一種改進的GA-BP混合訓練算法，優化神經網絡的權值和結構，應用于自動識別心電圖，收到良好的效果。

關鍵詞：神經網絡；遺傳算法；心電圖

1 神經網絡

BP神經網絡基于誤差反向傳播算法的多層前向神經網絡。其中BP網絡是目前應用最為廣泛的神經網絡模型之一。網絡隱節點過多會導致算法存在過擬合現象，影響了網絡的泛化能力，使得網絡最終失去實用價值。在滿足精度的要求下，逼近函數的階數越少越好，低階逼近可以有效防止\"過擬合\"現象。在實際應用中，還沒有成熟的方法確定網絡的隱節點，隱節點的確定基本上依賴經驗，主要式采用遞增或遞減的試探方法來確定網絡隱節點[1]。

2 遺傳算法

遺傳算法是自然淘汰、遺傳選擇的生物進化過程的計算模型，它是基于自然遺傳、選擇變異等生物機制的全局概率搜索算法。其應用優勢在于處理傳統搜索方法難于解決的復雜和非線性問題，包含問題編碼、初始化群體、選擇、交叉、變異、全局最優收斂等基本步驟[2]。遺傳算法是求解復雜系統優化問題的通用方法，隱含全局搜索及并行性是其的主要特征，它以適應度函數為依據，通過對群體個體進行遺傳操作實現群體內個體結構重組的迭代過程。群體個體一代一代得以優化并逐次逼近最優解[3，4]。

3 基于遺傳算法的神經網絡訓練方法（GA-BP）

遺傳算法優化神經網絡的思路：改變BP算法依賴梯度信息來調整網絡權值的方法，利用遺傳算法全局性搜索的特點，尋找最佳網絡連接權和網絡結構，遺傳算法在進化過程中能以較大概率搜索到全局最優解存在的區域，在遺傳算法搜索到最優解附近之后，再采用訓練樣本優選最好的網絡連接權系數及網絡結構。

遺傳-神經網絡模型：

GA-BP算法的步驟：

3.2遺傳算法是以目標函數最大值為適應度函數，函數為：

3.3基本解空間編碼 遺傳算法優化網絡結構需對隱含層編碼。編碼的碼串由控制碼和權重系數碼組成。控制碼控制隱節點個數，由0-1組成的串，其中0表示無連接，1表示有連接。權重系數用浮點數編碼。按一定的順序組成一個長串，每個串對應一組解。

3.4初始群體由P個個體組成，每個個體由兩個部分組成，第1部分是串長為l1 的0-1串；第2部分是區間[umin-δ1，umax+δ2 上的l2個均勻分布隨機數。

3.5由控制碼得到網絡的隱節點數，由權重系數碼可以知道網絡的連接權值，輸入用于訓練樣本，按照式（2）計算個體適應度。

3.6保留群體中適應度最高的個體，不參與交叉和變異運算，直接將其復制到下一代。 對其它個體，按歸一化適應度大小為概率進行選擇，進行遺傳操作。當某個神經元被變異運算刪除時，相應的有關權重系數編碼被置為0，而當變異運算增加某個神經元時，則隨機初始化有關權重系數編碼。以Pc的概率對選擇后的個體的Wij神經元權值進行交叉算子如下：

3.7將新個體放到種群P中，沒有交叉、變異操作的個體直接生成新一代群體。反復4～8，每次群體就進化一代，連續進化到K代。把最終個體解碼得到相應解，ANN誤差平方和不合要求εGA則轉4，繼續遺傳操作，反復進行如果N次依然不能達到要求則訓練失敗。以GA遺傳出的優化初值作為初始權值，BP算法繼續訓練網絡，直到給定精度εBP（εBP<εGA）或迭代次數，最終個體解碼即得到網絡連接權及隱節點數。

4 遺傳算法的神經網絡對心電圖的自動識別

心電圖在診斷心血管疾病等臨床醫學領域得到了大量應用，近年來，基于心電圖的穩定性和唯一性，易于采集，不能復制和仿造等優勢，其在身份識別領域也具有廣泛的應用前景。

將測量電極放置在心臟或人體表面的一定部位，用心電圖機記錄出來的心臟電變化的連續曲線，即為心電圖。將立體的P、QRS、T環經過投影到額面、水平面和右側面上，臨床上用心向量圖表示；此即空間心電向量環的第一次投影。將額面心向量環的每一點依次再投影到各肢體導聯軸上，可記錄出各肢體導聯的心電圖；橫面心向量環在各胸導聯軸上的投影，可描記出各胸導聯的心電圖。此即心向量環的第二次投影。

4.1波形數據預處理 ①首先對心電信號進行高頻濾波處理。由于數據是通過FRANK導聯七電極采集的，所以心電信號必然夾雜有電極的50Hz交流干擾、肌電干擾等。需要對心電信號進行50Hz高頻濾波處理，以去除工頻和肌電干擾，可以采用多點平均值法進行濾波；②其次需要對心電圖作基線漂移處理。心電信號的漂移主要有放大器零點漂移和呼吸交流漂移。放大器零點漂移體現在基線偏離原點上下移動，交流漂移表面為基線傾斜。

4.2波形識別 由于心電向量圖是由各面心電圖的各波起止點間的所有點組成的，所以繪制向量圖前必須先將心電圖的各波的起止點確定下來，這就是波形識別。主要是對選擇的典型波形，識別出P波、QRS波、T波等各波段的特征點即峰點、起止點等。

4.3 QRS波群識別 QRS波群識別方法目前主要有閉值法、輪廓限制法、面積法、數字濾波法和傾斜法，該系統采用閉值法。這種方法通過對正交三導聯同時記錄的X、Y、Z心電信號進行空間向量模的運算，計算其空間向量長度，以最大空間向量長度作為閉值K，以K作為識別QRS波的依據。然后在K值前后一定時間內（30～80ms），對各點心電向量模值進行測量。如果連續若干點的模值相同，K前相同模值的第一個起點作為X、Y、Z三導聯公共起點和K后最遠點作為公共終點。再根據公共起點、終點范圍、檢測X、Y、Z導聯中的QRS波的峰點和谷點的時間和幅度。

4.4 T波檢測 T波比QRS波小，識別方法與QRS波有所不同。T波的識別方法在識別QRS波群基礎上，規定在K值后一定時間（100ms）左右，尋找空間向量的最大值做為T波闡值Ko.以Ko值做為識別T波的依據。T波檢測也用面積增量法，可直接或間接檢測出T波峰值，T波始、終點及寬度。S-T段上升與下降程度采用傳統的J+X法判別標準，J+X法中的J點是S點之后的第一個拐點，ST段被確定在J+X ms的心電信號部分，X的典型值為80ms，一般認為X在20～120ms范圍中。ST段水平根據基線可以計算出其絕對值，或可表示為相對于R波峰值的歸一化值。

4.5 P波檢測 P波的識別方法與T波類似，只是搜尋區間和聞值規定不同。P波檢測是房室傳導阻滯，P-R間隔檢測的主要參數。但其幅度過小，實時檢測十分困難。因此目前采用的方法主要是面積增量法。

4.6心電圖的識別 本文收集了房室傳導阻滯、S-T段下降、S-T段抬高、T波低平、T波倒置、正常竇律、正常七類心電圖。提取其診斷特征值，將其輸入神經網絡進行訓練，識別正確率可達到96%[5-10]。

5 結束語

心電圖的識別分析，是一項籠瑣而又細致的工作。心電圖自動診斷可以將醫務人員從煩瑣的圖形識別中解脫出來，提高工作效率。本文采用遺傳算法優化三層BP神經網絡的連接權和網絡結構克服BP神經網絡的瓶頸，有效提高神經網絡泛化性能，并將其應用于心電圖自動識別，得到了較高的識別率。

參考文獻：

[1]徐文，王大忠，等.結合遺傳算法的人工神經網絡在電力變壓器故障診斷中的應用[J].中國電機工程學報，1997，02：109-112.

[2]周翔，朱學愚.基于遺傳學習算法和BP算法的神經網絡在礦坑涌水量計算中的應用[J]. 水利學報，2000，12：59-63.

[3]王智平，劉在德，等.遺傳算法在BP網絡權值學習中的應用[J].甘肅工業大學學報，2001，02：20-22.

[4]楊旭東，張彤.遺傳算法應用于系統在線辨識研究[J].哈爾濱工業大學學報，2000，32（1）：102-105.

[5]郭曉婷，朱巖.基于遺傳算法的進化神經網絡[J].清華大學學報，2000，10：40.

[6]王偉.一種基于自適應小波變換的QRS波檢測算法[J].浙江科技學院學報，2007，02：97-99.

[7]沈紅，張良震，秦瑋，等.用于識別心電圖的BP網絡系統[J].上海生物醫學工程雜志，1998，04：13-18.

[8]李嶺森，商同，楊偉東，等.心電圖的智能識別技術[J].數據采集與處理，1999，03：356-360.

[9]楊軍，王宏山， 俞夢孫.心電圖ST段測量的神經網絡方法[J].北京生物醫學工程，2002，02：106-108.

[10]張曉饋，戴冠中， 徐乃平.遺傳算法種群多樣性的分析研究[J].控制理論與應用，1998，15（1）：17-23.編輯/哈濤