[发明专利]心电图特征波形识别方法和系统

说明书

技术领域

本发明涉及医疗器械领域，尤其涉及一种辅助识别心电图的特征波形的方法和系统。

背景技术

模式识别技术被广泛应用于医疗领域，比如，对心电图信号进行模式识别，从中分析、归类出典型的特征波形，以便于医生依据分析、归类出的特征波形判断病人身体状况。

模式识别的主要方法有：1.统计模式识别；2.句法模式识别；3.模糊模式识别；4.逻辑推理法；5.神经网络法。其中，统计模式识别对结构复杂的模式抽取特征困难，不能反映模式的结构特征，难以描述模式的性质，难以从整体角度考虑识别问题。句法模式识别方法在运用时若存在干扰及噪声，则抽取特征基元困难，且易失误。模糊模式识别的准确合理的隶属度函数往往难以建立，限制了它的应用。逻辑推理法在样本有缺损，背景不清晰，规则不明确甚至有歧义时，效果不好。而神经网络法则可处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题，因此，在对心电图信号进行分析与归类时更倾向于使用神经网络法。但是，在现有技术中，神经网络法仍然具有一些问题，其主要缺点是模型少，能识别的模式（即特征波形）不够多，因此，现有技术的神经网络法在对心电图信号进行分析归类时有可能出现不能识别出某些特征波形，而导致对心电图信号分析的准确性低。

发明内容

本发明实施例提供了一种心电图特征波形识别方法和系统，用以对心电图信号实现更为准确的分析归类。

根据本发明的一个方面，提供了一种心电图特征波形识别系统，包括：

至少两个神经网络模块，每个神经网络模块的特征波形识别算法与其它任一神经网络模块的特征波形识别算法均不相同，所述神经网络模块用于对输入的心电图信号根据其特征波形识别算法进行运算，从运算出的信号中识别出特征波形进行输出；

模糊逻辑模式识别模块，用于接收每个神经网络模块输出的特征波形，根据各特征波形与所述心电图信号之间的误差大小，分别计算各特征波形的优先级；并根据为各特征波形设置的病史权重值，对各特征波形的优先级进行加权运算后，将特征波形与其加权后的优先级进行对应输出。

其中，所述神经网络模块具体为两个；两个神经网络模块中的特征波形识别算法分别为：基于增量学习的特征波形识别算法、基于批量学习的特征波形识别算法。

所述病史权重值是根据病史情况设置的。

所述模糊逻辑模式识别模块根据为各特征波形设置的病史权重值，对各特征波形的优先级进行加权运算具体为：

所述模糊逻辑模式识别模块根据为各特征波形设置的病史权重值，确定模糊矩阵：所述模糊矩阵中的各行分别对应各特征波形，每行中的所有元素的值为该行对应的特征波形的病史权重值；使用所述模糊矩阵对各特征波形的优先级进行加权运算。

根据本发明的另一个方面，还提供了一种心电图特征波形识别方法，包括：

神经网络模块对输入的心电图信号根据其特征波形识别算法进行运算，从运算出的信号中识别出特征波形进行输出；其中，所述神经网络模块至少为两个，每个神经网络模块的特征波形识别算法与其它任一神经网络模块的特征波形识别算法均不相同；

模糊逻辑模式识别模块接收每个神经网络模块输出的特征波形，根据各特征波形与所述心电图信号之间的误差大小，分别计算各特征波形的优先级；并根据为各特征波形设置的病史权重值，对各特征波形的优先级进行加权运算后，将特征波形与其加权后的优先级进行对应输出。

其中，所述神经网络模块具体为两个；两个神经网络模块中的特征波形识别算法分别为：基于增量学习的特征波形识别算法、基于批量学习的特征波形算法。

较佳地，所述基于增量学习的特征波形识别算法的神经网络模块的训练方法为：

一个模拟学习期间通过假设初始迭代是n′-T，最终迭代是当前迭代n'来实现，其中，n′自然数，T是一个正整数常数，T+1是假设迭代区间长度，如果n′-T<0,那么初始迭代为0；

在前向迭代n'时，均方误差E_n'根据如下公式11计算得到：