基于anfis的心电图st段检测

《基于anfis的心电图st段检测》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于ANFIS的心电图ST段检测基于ANFIS的心电图ST段检测冠心病是一个严重的公众健康问题，发病率居所有疾病的首位，是引起死亡的头号原因，大约占所有疾病死亡的20%左右。因此，早期诊断冠心病至关重要，从而更有效地指导治疗。心电图是诊断冠心病最简便、最常用的方法。而在心电图中ST段的变化与心肌细胞是否缺血之间具有密切的关系，对于冠心病的诊断和治疗具有非常重要的意义[1]。ST段的形态特点常用的ST段形态识别方法引入模糊概念的必要性ANFIS结构的工作原理ANFIS设计步骤及仿真实例ST段的形态特点ST段是指从QRS综合波群终了到T波开始之间的线段。从心室肌的去极化/复极化的过程和

2、心肌细胞的动作电位的机理上看，ST段实际上是心室按照先去极后复极的顺序，在复极前的一段时间较长的非稳定平稳状态。正常情况下ST段应与基线平齐。当这种去极化/复极化的顺序由于某种原因而被破坏时，ST段就会发生改变，形成各种形态的异常，通常会压低或升高[2]。ST段抬高主要表现为弓背向下型抬高和弓背向上型抬高，分别如图1中A、B所示。ST段压低可表现为水平型压低、下垂型压低、弓背型压低、下陷型压低，分别如图2中B-E所示，还有一种类缺血型ST段压低，也可以称之为上斜型压低，如图F所示；A弓背向下型ST段抬高B弓背向上型ST段抬高图1ST段多种抬高形态A正常ST段B水平型ST段压低C下垂

3、型ST段压低D弓背型ST段压低E下陷型ST段压低F上斜型ST段低图2ST段多种压低形态常用的ST段形态识别方法1.斜率法ST段斜率可以判别ST段是上斜型压低、水平型压低还是下垂型压低。但对于弓背型，下垂型等非直线型的ST段斜率的确定存在一定的困难。目前确定斜率的方法基本上都是近似的，常用的方法有直线法和线性回归法。2.函数拟合法：函数拟合法就是用某种函数来近似ST段，这样能够描述整个ST段的特性，而且使用特征抽取方法自适应传导时间和心率变化。但是由于ST段变化大，且形态各异，要想拟合的较好很困难.3.神经网络分类法可以采用BP等有监督的多层前馈神经网络，但是BP网络需要进行大量的样

4、本训练，然后才能进行模式识别，对于训练中未出现过的新模式无法正确识别。以上的方法都有不足的地方，下面我们引入模糊的概念，找寻一种更好的处理方法。引入模糊概念的必要性在实现心脏病自动诊断系统中需要利用很多非精确信息。比如当医生观察病人的心电图时，可能会用“p波幅度很高，且形状尖耸”来描述某导联的波形。这里的“很高”和“尖耸”便属于模糊信息。因此，在实现ECG智能识别功能时有必要引入模糊技术，将不精确的测量数据或定性描述模式特征的模糊语言转换为能够被自动识别模块利用的数值信息。模糊推理系统的设计主要不依靠对象的模型，但他却相当依靠专家或操作人员的经验和知识。模糊推理系统的结构非常适于表

5、示人的定性和模糊的经验和知识，这样的经验和知识通常采用if-then的模糊条件句来表示。若缺乏这样的经验，则很难期望它能获得满意的控制效果。对于上面的问题，自适应是一种解决办法。但是自适应的方法给系统的设计和构造带来了很大的困难和麻烦，涉及到许多专业的高深理论，而且不同自适应理论和方法的适用性比较窄，最终模糊系统的自适应设计和实现都比较困难。另一方面，模糊逻辑和神经网络的发展，使得近十年以来的智能控制得到十分重要的进展。模糊逻辑和神经网络是两个不同的领域，基础相差较远，但是他们又都是人工智能领域的科学。是否可以结合起来加以应用呢？理论和实践的结果证明两种理论是可以融合的，基于网络的

6、自适应模糊推理系统ANFIS（AdaptiveNetwork-basedFuzzyInferenceSystem)就是这种结合的一种产物[3]。由于模糊推理本身不具备自学习功能，其应用受到很大的限制，而人工神经网络又不能表达模糊语言，实际上类似一个黑箱，缺少透明度，所以不能很好大的表达人脑的推理机能。而基于自适应神经网络的模糊推理系统ANFIS将二者有机的结合起来，既能发挥二者的优点，又可弥补各自的不足。ANFIS结构的工作原理TangRoger提出与一阶Sugeno模糊模型功能等同的基于自适应神经网络的模糊推理系统(ANFIS)用来实现Sugeno模糊模型的学习过程。ANFIS可

7、以认为是Sugeno型模糊模型的神经网络实现，该网络是一个多层前馈网络，结构如图假定模糊规则库包含两种规则:Ｒule1:ifx1isA1andx2isB1,thenf1=p1x1+q1x2+r1Ｒule2:ifx1isA2andx2isB2,thenf2=p2x1+q2x2+r2第一层：该层节点i是以节点函数表示的方形节点（该层参数可变）第二层：该层的节点表示将输入信号相乘，其乘积输出为第三层:该层节点用N表示，第i个节点计算第i条规则的归一化可信度为:第四层:该层每