[发明专利]基于量子简单递归神经网络心电图智能检测法

说明书

技术领域

本发明涉及一种心电图智能检测法。特别是涉及一种有效解决数字滤波方法清除频谱混迭干扰的难题，提高了心电图正确检测率的基于量子简单递归神经网络心电图智能检测法。

背景技术

近年来心血管疾病是影响人类身体健康的第一杀手，心血管疾病在我国已成为一种多发病、常见病。根据卫生部公布的调查数字显示，我国近几年的心脏病患病率很高且呈逐年递增趋势，已经超过了3％以上，且冠心病、心肌梗死的发病年龄趋于年轻化，三十岁左右发生心肌梗死和脑卒的已屡见不鲜。因此，医学界公认心血管疾病是对人类危害最大的疾病。

为了及早发现及治疗心脏病，心电图(Electrocardiogram，ECG)的准确分析和诊断对于心血管疾病起着关键的作用，为此国内外学者做了大量研究工作。然而，目前心电图自动诊断还未广泛应用于临床，其主要原因是心电波形的识别不准，误诊率较高，因此需探索新的检测方法，以改进心电图自动诊断效果，扩大其应用范围。

人工神经网络(Artifical Neural Network，ANN)是由大量简单的处理单元(神经元)相互连接而构成的网络系统，是一个高度复杂的非线性动力学系统。人工神经网络具有自学习、自适应及鲁棒性强的特点，近年来在信号检测研究中得到广泛地关注。

发明内容

本发明所要解决的技术问题是，提供一种有效解决数字滤波方法清除频谱混迭干扰的难题，用于心电图医疗仪器在心血管疾病方面的检查和诊断，提高了心电图正确检测率的基于量子简单递归神经网络心电图智能检测法。

本发明所采用的技术方案是：一种基于量子简单递归神经网络心电图智能检测法，包括有以下步骤：(1)将心电信号送入自适应工频干扰抑制模块，进行工频干扰抑制；(2)将步骤1输出的两路心电信号送入盲基漂干扰抑制模块，去除呼吸基漂干扰；(3)将步骤2输出的心电信号送入量子简单递归神经网络，进行心电图智能检测输出。

所述的自适应工频干扰抑制模块，是由两组相同的自适应工频干扰抑制单元组成，同时对两路采集的心电信号分别进行工频干扰抑制。

所述的自适应工频干扰抑制单元，是采用基于QR分解最小二乘算法自适应陷波技术的心电图工频干扰抑制法，利用了自适应滤波器自动跟踪干扰的能力，自动抑制工频干扰。

所述的QR分解最小二乘算法，是直接针对输入数据矩阵进行递推，可用脉动阵处理结构高效地实现。

所述的盲基漂干扰抑制模块，是利用心电信号和基漂信号由不同源产生，具有统计独立的原则，通过基于负熵极大Fast ICA技术分解为若干独立成份，从而实现心电信号的呼吸基漂干扰抑制。

所述的基于负熵极大Fast ICA技术，其中，Fast ICA为盲源分离的一种算法，将观测信号根据统计独立的原则通过牛顿迭代优化算法分解为若干独立成份，从而实现心电信号的干扰抑制。

所述的量子简单递归神经网络，是将简单递归反馈网络，引入多量子能级传递函数，使产生的量子跃迁神经网络具备映射动态特征的功能和泛化能力，实现心电图智能检测。

所述的简单递归神经网络由45个神经元组成的输入层、91个神经元组成的隐含层、2个神经元组成的输出层和一个用来记忆隐含层前一时刻输出值的承接层组成，承接层选取的神经元数同隐含层，具有动态记忆功能和适应时变特性的能力。

所述的多量子能级传递函数是一系列具有量子间隔偏移的Sigmoid型函数之和。

本发明的基于量子简单递归神经网络(又称量子Elman神经网络)心电图智能检测法，引入多量子能级传递函数，使产生的量子跃迁神经网络具备映射动态特征的功能和泛化能力，不仅给出了基于量子Elman神经网络检测方法，实现心电图智能检测，而且给出了心电信号工频干扰和基漂干扰预处理方法，去除落到心电信号有效频带(0.05～100Hz)内的工频和呼吸基漂干扰，有效解决数字滤波方法清除频谱混迭干扰的难题，提高了心电图正确检测率。

附图说明

图1是本发明的基于量子简单递归神经网络心电图智能检测法的流程图；

图2是自适应工频干扰抑制单元的结构示意图；

图3是盲基漂干扰抑制模块的示意图；

图4是量子跃迁式S型传递函数的示意图；

图5是基于量子Elman心电图检测网络的示意图；

图6是心电信号工频干扰抑制效果图；

图7是心电信号基漂干扰抑制效果图。

具体实施方式

下面结合实施例和附图对本发明的基于量子简单递归神经网络心电图智能检测法做出详细说明。