[发明专利]一种基于深度神经网络的心冲击信号深瓶颈特征提取方法

说明书

本发明涉及生物特征提取技术领域，是一种基于深度神经网络的心冲击信号深瓶颈特征提取方法，以心冲击信号为特征提取对象，针对其波形幅值微弱、易受外界干扰的特点，结合同步采集的心电信号，利用深度神经网络挖掘深层特征的机理，提取其深瓶颈特征参数。该特征以心冲击信号做为输入向量，同步心电信号做为目标向量，经过预先设计的9层神经网络进行训练以获取深瓶颈特征，实现心脏动力学性能与电生理特征的有机结合。该特征以日常较易获取的心冲击信号及心电信号做为研究对象，不仅能够克服常规波形特征参数对波形波动的依赖性，同时能够提高单一特征参数的表征性能，是一种应用深度学习理论进行日常心脏功能分析的新尝试。

技术领域

本发明涉及生物特征提取技术领域，特别是涉及一种基于深度神经网络的心冲击信号深瓶颈特征提取方法。

背景技术

随着穿戴式设备的日益盛行，无创式心脏功能评估领域成为当今研究热点。常规的心脏功能检测手段，包括心电图(Electrocardiogram,ECG)、心磁图、心音、心阻抗图等，均需在人体体表附着电极等检测设备，对监测环境、条件及操作人员具有一定的要求，且给受试者的日常生活造成极大的不便。心冲击信号(Ballistocardiogram,BCG)通过检测心脏搏动传导至体表的微弱振动，间接反映心脏的工作状态，是一种无感评估人体心脏动力学性能的先进检测手段。

提取BCG信号的心脏功能特征，是其实际应用的重要环节。由于信号本身较为微弱，且极易受外界环境的干扰，因此提取常规的波形特征参数具有一定的局限性。随着人工智能技术的深入发展，将深度学习理论应用于心冲击信号的特征提取，将有效提高其心脏功能表征性能，同时可克服波形扰动带来的影响，进而扩大BCG信号的实际应用范围。

发明内容

针对现有技术存在的问题，本发明提供一种基于深度神经网络的心冲击信号深瓶颈特征提取方法。

本发明的技术方案是：

一种基于深度神经网络的心冲击信号深瓶颈特征提取方法，包括以下步骤：

步骤1，确定神经网络的输入向量及目标向量形式；同步检测同一受试者的心电信号及心冲击信号，并分别对二者进行预处理，获取深度神经网络的输入向量及目标向量；

步骤2，确定深层神经网络结构；构建一个基于受限玻尔兹曼机的带有瓶颈层的9层神经网络；

步骤3，对神经网络进行预训练，获取深层置信网络模型：以心冲击信号输入向量做为神经网络输入，应用逐层训练方法对神经网络进行无监督预训练，获取DBN模型；

步骤4，对神经网络进行有监督精细训练，获取深瓶颈特征；以心电信号目标向量做为输出层监督目标，构建新型损失函数，并应用反向传播BP算法更新神经网络参数，而后移除瓶颈层之后的各层神经网络，以瓶颈层做为输出层，获得的输出向量即为深瓶颈特征。

步骤1中，确定输入向量及目标向量形式采用以下步骤：

步骤1.1，采集同一受试者的同步心电信号、心冲击信号，并分别对其进行信号归一化处理；

步骤1.2，获取心电信号的R波位置、心冲击信号的J波位置，并以其为基准分别对心电信号、心冲击信号进行分帧，统一获取70个采样点为一帧(信号采样率为100Hz)；

步骤1.3，确定输入向量为：每一帧心冲击信号，额外附加两个J-J间期信息，包括当前帧与前一帧的、当前帧与后一帧的，共同组成72维向量，做为神经网络的输入向量；

步骤1.4：确定目标向量为：每一帧心电信号，额外附加两个R-R间期信息，包括当前帧与前一帧的、当前帧与后一帧的，共同组成72维向量，做为神经网络的目标向量。

步骤2中，深层神经网络的搭建采用以下结构：

步骤2.1，以72维的心冲击信号做为输入向量，确定输入层的神经元个数为72个；