在人口老齡化發(fā)展的社會背景下,心血管疾病患者人數(shù)一直處于增長趨勢。心房顫動作為心血管疾病中最普遍的一類心律失常,威脅著國民的生命健康,也是心律衰竭和腦卒中等重大心臟疾病的誘發(fā)因素。房顫患者的心電信號中包含著反映患者心房活動的信號,也就是房顫信號（f波）。從房顫患者的心電信號中提取f波有助于對房顫的研究和臨床診斷,在醫(yī)學研究上具有重大意義。針對目前臨床上對f波提取準確性的要求,本文對f波提取算法做了進一步研究,主要研究內(nèi)容如下:一,提出基于堆疊降噪自動編碼機的房顫信號提取算法。心電信號中分為心室信號（QRST波群）和心房信號（P波）。發(fā)生心房顫動時,P波就會被f波所取代。將房顫患者的心電信號作為輸入信號,通過堆疊多個降噪自動編碼機組成深度神經(jīng)網(wǎng)絡,該網(wǎng)絡能夠挖掘輸入信號的深層信息,有較強的學習能力。訓練網(wǎng)絡時,在輸入信號中引入噪聲,期望能通過深度神經(jīng)網(wǎng)絡去除噪聲干擾,提高網(wǎng)絡模型的魯棒性,能夠獲得更加穩(wěn)定的輸出。利用訓練好的網(wǎng)絡從輸入信號中重構出QRST波群,再從房顫心電信號中消除QRST波就能得到f波。通過進行仿真房顫信號提取實驗和真實房顫信號提取實驗,驗證了本文所提算法能夠有效準確的... 

【文章來源】：河北大學河北省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

不同隱藏層數(shù)對RRMSE的影響

第三章基于堆疊降噪自動編碼機的房顫信號提取19果并不理想。隨著隱藏層數(shù)的增加，實驗結果逐漸變得理想。當網(wǎng)絡隱藏層層數(shù)為2層時，RRMSE可以低至0.295（網(wǎng)絡節(jié)點數(shù)為100時），表示當隱藏層數(shù)為2時可以獲得較好結果。當網(wǎng)絡層數(shù)逐漸增加時，RRMSE曲線沒有明顯變化并趨于平滑。由圖可見3層隱藏層網(wǎng)絡訓練結果準確度與2層隱藏層的網(wǎng)絡基本保持不變，而且隨著隱藏層層數(shù)的增加，訓練過程中花費的時間會更長。所以本文最終選擇的隱藏層層數(shù)為2，即網(wǎng)絡層數(shù)為4。（3）隱藏層神經(jīng)元個數(shù)。堆疊降噪自動編碼機網(wǎng)絡每一層隱藏層的大小對輸出特征的魯棒性和重構出的QRST波群有重要的影響。隱藏層神經(jīng)元個數(shù)過小，網(wǎng)絡的學習力度可能不夠，特征達不到最佳表示效果，但是又不能過大，使得計算過于復雜。隱藏層神經(jīng)元個數(shù)的確定比較困難，而且對整個網(wǎng)絡模型的診斷性能有很大的影響。根據(jù)經(jīng)驗，隱藏層神經(jīng)元個數(shù)范圍設置在30-100之間。通過對比實驗，測試不同隱藏層節(jié)點構成的神經(jīng)網(wǎng)絡的性能。首先初始化網(wǎng)絡參數(shù)，迭代次數(shù)200，學習率為0.01，已經(jīng)確定了網(wǎng)絡隱藏層數(shù)為2層。選擇RRMSE和訓練時長(t)作為網(wǎng)絡性能評價標準。訓練結果如圖3-6所示。(a)隱藏層神經(jīng)元個數(shù)對RRMSE的影響(b)隱藏層神經(jīng)元個數(shù)對訓練時長的影響圖3-6不同隱藏層神經(jīng)元個數(shù)的實驗結果如圖3-6，選取不同的網(wǎng)絡隱藏層神經(jīng)元個數(shù)進行對比實驗。由圖3-6(a)中可以看出，當隱藏層網(wǎng)絡節(jié)點數(shù)目較小時，網(wǎng)絡的學習力度不夠，導致達不到最佳訓練結果。隨著隱藏層節(jié)點增加，RRMSE逐漸下降，當隱藏層節(jié)點為60時，RRMSE逐漸達到最小值。而當隱藏層節(jié)點數(shù)目繼續(xù)增加，網(wǎng)絡也沒有表現(xiàn)出更加優(yōu)秀的訓練結果，而且RRMSE有微弱的上升趨勢。而且隨著節(jié)點數(shù)的增加，訓練時長也會隨之增加，

河北大學碩士學位論文20如圖3-6(b)所示。因此本文選取隱藏層神經(jīng)元個數(shù)為60。（4）加入噪聲的大校加入噪聲的方式及大小對提取的結果也有很大影響。降噪自動編碼機在輸入信號中加入噪聲一般有兩種方法，一是在輸入信號中加入加性高斯噪聲，二是隨機遮擋的噪聲。本文選取第二種方法，即將輸入信號隨機置零。選取不同大小的噪聲分別進行實驗。噪聲大小表示輸入數(shù)據(jù)的染噪程度，比如噪聲大小為0.3，即30%的輸入數(shù)據(jù)被隨機置零。噪聲一般控制在0.6以內(nèi)。初始化網(wǎng)絡參數(shù)，迭代次數(shù)200，學習率為0.01，選取噪聲大小分別10%，20%，30%，40%，50%。訓練結果如圖3-7所示。圖3-7加入不同噪聲對RRMSE的影響當加入的噪聲大小為0時，降噪自動編碼機網(wǎng)絡變?yōu)樽詣泳幋a機網(wǎng)絡，由圖可以看出，自動編碼機構成的深度神經(jīng)網(wǎng)絡性能是遠遠不如降噪自動編碼機構成的網(wǎng)絡的。隨著在輸入信號中加入噪聲，網(wǎng)絡訓練所得的RRMSE逐漸下降。當加入的噪聲為20%時，網(wǎng)絡模型所得的RRMSE取得最低值。若繼續(xù)向輸入信號中增大加入噪聲的比例，網(wǎng)絡訓練所得的RRMSE則開始上升。說明當加入噪聲比例為20%時，網(wǎng)絡性能達到最優(yōu)。（5）網(wǎng)絡訓練模型的最大迭代次數(shù)。已經(jīng)確定的堆疊降噪自動編碼機網(wǎng)絡結構為260-60-60-260，初始化網(wǎng)絡參數(shù)，學習率為0.01。圖3-8分析了RRMSE與迭代次數(shù)之間的關系。


本文編號：3367625