[发明专利]一种基于粒子群优化BP神经网络的心电信号分类方法

摘要

本发明公开了一种基于粒子群优化的BP神经网络（PSO‑BP）的心电分类方法，先构建BP神经网络并初始化网络参数，接着初始化例子种群并设定参数，然后计算每个粒子的适应度值，将粒子的适应度值和粒子的最优位置个体极值进行比较，更新粒子的最优位置个体极值，接着将粒子的适应度值与粒子的最优位置的全局极值进行比较，更新粒子的最优位置的全局极值，然后更新粒子的速度与位置，满足条件后得到最优位置的全局极值作为BO神经网络的权值和阈值来进行训练识别心电信号分类。本发明解决了BP神经网络学习收敛速度慢和学习过程易于陷入局部极小化的问题，从而引入了粒子群算法进行优化，结果表明经过粒子群优化的BP神经网络分类效果更好，精度更高。

主权项

1.一种基于粒子群优化BP神经网络的心电信号分类方法，其特征在于包括以下步骤：步骤一：获取人体的心电信号，对心电信号去除基线漂移干扰，在样本采样点中提取特征向量；步骤二：确定BP神经网络的拓扑结构，设置BP神经网络每层神经元个数，BP神经网络为单隐含层的三层BP神经网络，将心电信号提取的s组特征值作为输入，即网络输入层有s个神经元；隐含层神经元根据公式设置为k个神经元，其中m为输出层节点数，n为输入层节点数，a为[1,10]之间的常数；输出层为t种心电类型的分类结果，所以输出层设置为t个神经元，PSO‑BP神经网络的拓扑结构为s‑k‑t；步骤三：初始化粒子种群，随机设置各个粒子的速度v_i和位置x_i，群体规模N；步骤四：设定运行参数，学习因子c₁，c₂,惯性权重w,最大迭代次数M,群体规模m；步骤五：计算每个粒子的适应度值Fit[i]；步骤六：比较每个粒子的适应度值Fit[i]和第i个最优位置的个体极值p_best(i)，如果Fit[i]>p_best(i)，则用Fit[i]替换掉p_best(i)；步骤七：比较每个粒子的适应度值Fit[i]和整个粒子群搜索到的最优位置的全局极值g_best(i)，如果Fit[i]>g_best(i)，则用Fit[i]替g_best(i)；步骤八：在找到最优位置个体极值p_best(i)和最优位置全局极值g_best(i)时，粒子将根据公式来更新粒子的速度v_i和位置x_i；公式为：v_id＝v_id*ω+c₁r₁(p_id‑x_id)+c₂r₂(p_gd‑x_id)x_id＝x_id+v_id；步骤九：如果满足误差足够好或者达到最大循环次数的条件，则退出，否则将返回步骤五；步骤十：将得到的最优位置全局极值g_best(i)作为BP神经网络的权值和阈值，用训练样本训练神经网络；步骤十一：用测试样本进行仿真，得到心电信号类型分类结果。