[发明专利]基于遗传算法优化的BP神经网络的心电图分类方法

说明书

本发明公开了一种基于遗传算法优化的BP神经网络的心电图分类方法，包括以下步骤：从数据库中选取数据集，并通过Matlab程序读取所述数据集，并以mat格式文件进行保存；利用遗传算法对数据集进行交叉变异选出最优子代，将得到的结果作为训练样本传入BP神经网络的输入层；训练BP神经网络，所述BP神经网络包括依次连接的输入层、多层隐含层单元和输出层；将待分类的心电图通过Matlab程序读取出mat格式文件，然后输入训练好的BP神经网络对待分类的心电图进行分类。本发明相比于传统的心电图分类算法具有更高的准确率，提高了心电图自动诊断的准确性和稳定性，具有重要的现实意义。

技术领域

本发明涉及人工智能技术领域，特别是一种基于遗传算法优化的BP神经网络的心电图分类方法。

背景技术

现有随着计算机技术和人工智能技术的发展，心电图的自动分类方法已经逐渐趋于成熟。目前，对心电图分类识别的方法的研究主要有两类：基于波形形态的分类方法和基于波形特征的分类方法。第一种方法比较直观清晰，容易让人接受；第二种方法则需要提取波形的本质特征。基于波形形态的分类方法，是在提取的特征波形的基础上，计算各个波形的时间宽带、波与波之间的间期、各个波的幅值，然后利用医学上疾病分类规则从而作出的判断，这是让计算机模拟心电医生对心电图诊断的过程，建立在医学先验知识上，具有一定的合理性。但是由于心电信号的多样性，使得目前的心电图自动分类的精度并不理想，准确率也不高，还达不到令人满意的程度。

发明内容

为解决现有技术中存在的问题，本发明的目的是提供一种基于遗传算法优化的BP神经网络的心电图分类方法，该方法首先利用遗传算法，选出最优后代，有效的避免陷入局部最优，然后将这些后代作为BP神经网络的数据集，此算法相比于传统的心电图分类算法具有更高的准确率，提高了心电图自动诊断的准确性和稳定性，具有重要的现实意义。

为实现上述目的，本发明采用的技术方案是：一种基于遗传算法优化的BP神经网络的心电图分类方法，其特征在于，包括以下步骤：

S10、从数据库中选取数据集，并通过Matlab程序读取所述数据集，并以mat格式文件进行保存；

S20、利用遗传算法对数据集进行交叉变异选出最优子代，将得到的结果作为训练样本传入BP神经网络的输入层；

S30、训练BP神经网络，所述BP神经网络包括依次连接的输入层、多层隐含层单元和输出层，其中，同一层神经元之间无连接，前一层节点与后一层节点采用全连接的方式，具体包括以下步骤：

S31、计算隐含层、输出层的各输入输出；

S32、计算隐含层各单元的校正误差；

S33、调整隐含层到输出层的权重及输出层阈值；

S34、调整输入层到隐含层的权重及输出层阈值；

S35、当误差小于等于预设的误差门限值时，结束训练；

S40、将待分类的心电图通过Matlab程序读取出mat格式文件，然后输入训练好的BP神经网络对待分类的心电图进行分类。

作为一种优选的实施方式，所述步骤S20中，利用遗传算法对数据集进行交叉变异选出最优子代具体包括以下步骤：

S21、采用二进制对染社体进行编码，用二进制符号串构成个体基因型；

S22、设定初始种群：根据优化问题，把握最优解所占空间在整个问题空间的分布范围，然后，在此分布范围内设定合适的初始群体；先随机生成一定数目的个体，然后从中挑出最好的个体加入到初始群体中，再不断迭代，直到初始群体中个体数目达到了预先确定的种群大小；