人工神經網絡在HRV分析中的應用研究

尚 宇，張 甜

(西安工業大學 電子信息工程學院，陜西 西安 710021)

人工神經網絡在HRV分析中的應用研究

尚 宇，張 甜

(西安工業大學 電子信息工程學院，陜西 西安 710021)

心率變異性(Heart Rate Variability,HRV)反映了心臟神經活動的緊張性和均衡性，是一種檢測自主神經性活動的非侵入性指標。近幾十年來大量研究已充分肯定了自主神經活動與多種疾病有關系，特別是與某些心血管疾病的死亡率，尤其是猝死率有關。為此，在應用人工神經網絡進行HRV分析的基礎上，采用誤差反向傳播網絡(Back Propagation，BP)及其改進算法，實現了對HRV信號的初步識別。對不同算法神經網絡進行了參數設置嘗試和訓練測試。測試結果表明，隱層節點數為10及學習速率為0.5時，采用附加動量法(動量學習率為0.3)即可保證整個神經網絡訓練及檢測識別的正確率為93.96%，且穩定性較好。應用人工神經網絡算法分析HRV，為心電信號智能分析提供了新的研究領域和應用空間。

心率變異性；人工神經網絡；時域分析；頻域分析；BP網絡

0 引 言

人工神經網絡(Artificial Neural Network，ANN)，是20世紀80年代以來人工智能領域興起的研究熱點，是人工智能的重要分支。它從信息處理角度對人腦神經元網絡進行抽象，建立某種簡單模型，按不同的連接方式組成不同的網絡。神經網絡的發展過程大致可以分為三個階段：第一階段為啟蒙時期，神經網絡理論研究的奠基階段；第二階段為低潮時期。雖然在這一時期許多重要研究成果未得到應有的重視，但其科學價值不可磨滅；第三階段為復興時期，這是神經網絡理論研究的主要發展時期。神經網絡研究可以分為理

論研究和應用研究兩大方面。理論研究可分為以下兩類：利用神經生理與認知科學研究人類思維以及智能機理；利用神經基礎理論的研究成果，用數理方法探索功能更加完善、性能更加優越的神經網絡模型，深入研究網絡算法和性能；開發新的網絡數理理論。應用研究可分為以下兩類：神經網絡的軟件模擬和硬件實現的研究；神經網絡在各個領域中應用的研究。隨著現在科技的發展，相關技術的不斷提升，神經網絡的應用將更加深入。

HRV信號是由心電信號提取而來，是心電信號的主要成分，反映了心臟隨時間跳動所發生的細微差異變化[1]。為此，基于BP神經網絡的原理，通過從采集到的心電數據中提取RR間期值，從而獲得HRV樣本信號。采用時域分析法和頻域分析法，得到均值、總體標準差等六個時頻指標參數，并采用BP神經網絡算法及其改進的附加動量算法、自適應調節學習率算法，對其識別能力進行分析比較，從而實現了對HRV樣本信號的初步識別。采用較先進的技術原理進行多層人工神經網絡的深度學習，以此為研究HRV提供更多的工具手段。

1 BP神經網絡

BP神經網絡是一種多層前饋神經網絡，其網絡的主要特點是信號前向傳遞，誤差反向傳播。每一層的神經元狀態只會影響下一層神經元狀態。如果輸出層得不到期望輸出，則轉入反向傳播，根據預測誤差調整網絡權值和閾值，從而使BP神經網絡預測輸出不斷逼近期望輸出[2]。

2 HRV分析原理

(1)時域分析。

時域分析法是最早使用的測量HRV的方法，方便快捷，主要包括統計學方法和幾何圖形法。

統計學方法通過計算RR間期序列的統計指標來評價心率變異性，主要時域指標有：均值(MEAN)、總體標準差(SDNN)、相鄰RR間期差值均方根(r-MSSD)、平均值標準差(SDANN)和相鄰RR間期之差大于50 ms的個數占總的RR間期個數比(PNN50)。

幾何圖形法是對RR間期的分布進行分析，來給出RR間期的變異程度，主要方法有RR間期直方圖和RR間期差值直方圖。

時域分析首先讀取第一部分所保存的HRV樣本數據，之后直接對數據分別進行MEAN、SDNN和r-MSSD、PNN50的計算，并且保存這四個數據，為接下來的人工神經網絡計算提供時域參數的支持[3]。

(2)頻域分析。

頻域分析方法的原理是將隨機變化RR間期或瞬時心率信號分解成各種不同能量的頻率成分，即將心率變化的曲線轉換到頻域進行分析，它提供了能量隨頻率變化的基本信息。

每組樣本數據經過FFT運算處理后，對其進行運算得到功率譜，分別計算低頻段功率與高頻段功率之比(LF/HF)和1-LF/HF，并且保存這兩個數據。對下面的人工神經網絡計算提供頻域參數的支持[4]。

(3)總結。

時域分析不能反映心率的變化，而頻域分析方法是建立在平穩模型的基礎上，不能反映HRV的動態特征和細節。這種心率波動的節律變化和其他的多種生理節律(如呼吸)相互作用及微小的干擾影響(如心室早收縮等)，使得RR間期序列表現出較強的非平穩性，用線性方法不能完全解釋，時頻聯合分析和人工神經網絡的發展為HRV分析提供了新方法[5]。

3 HRV分析指標

(1)時域分析指標。

基于人工神經網絡的HRV分析，神經網絡計算需要使用數據，而時域分析中的幾何圖形法不能直接用于人工神經網絡計算，所以時域分析部分采用統計學方法。統計學分析中，SDNN和SDANN數據的相關系數達到0.98，r-MSSD和PNN50數據的相關系數達到0.93。所以時域分析部分只計算四個指標：MEAN、SDNN、r-MSSD和PNN50。

MEAN反映了RR間期的平均水平，單位為ms，計算公式如下：

(1)

SDNN反映了HRV的總體變化，單位為ms，計算公式如下：

(2)

r-MSSD反映了HRV中的快變化成分，單位為ms，計算公式如下：

(3)

PNN50反映了RR間期的突然變化，單位為%，計算公式如下：

(4)

(2)頻域分析指標。

將正常的與異常的HRV樣本數據分別進行基于FFT的經典譜估計，獲得的功率譜密度可以作為定量指標用于描述信號的能量分布情況，它將各種生理因素作適當分離后進行分析，能夠明確反映HRV信號的生理意義，因而有較大的臨床應用價值[6]。

4 BP算法的改進

雖然BP算法在理論上能以任意精度逼近各種復雜的非線性函數，但其在應用中存在一些內在的缺點：

(1)容易形成局部極小值而得不到全局最優解；

(2)隱層數和隱層節點數的選取缺乏理論依據；

(3)訓練次數多，使得學習效率低，收斂速度慢；

(4)一些情況下，訓練新樣本時可能會出現遺忘舊樣本的情況。

針對上述問題，專家學者提出了一種改進算法，嘗試應用附加動量法和自適應調節學習速率法進行BP算法改進，并與標準BP算法進行結果比較[7]。

4.1附加動量法

BP神經網絡采用梯度修正法作為權值和閾值的學習算法，從網絡預測誤差的負梯度方向修正權值和閾值，沒有考慮以前經驗的積累，學習過程收斂緩慢[8]。帶附加動量的權值學習公式為：

w(k)=w(k-1)+Δw(k)+a[w(k-1)-w(k-2)]

(5)

其中，w(k),w(k-1),w(k-2)分別為k,k-1,k-2時刻的權值；a為動量學習率，取值在0～1之間，一般情況下動量學習率的最大值在0.9左右。

BP網絡改進后，用訓練樣本對網絡進行訓練，網絡初始值輸入層節點數n=6、隱含層節點數l=10、輸出層節點數m=2、學習速率xite=0.5，迭代次數30，動量學習率取不同數值[9]。表1是不同動量學習與網絡識別正確率的關系。表中數據是動量學習率不同時HRV測試樣本待網絡穩定后進行連續5次測試的網絡識別平均正確率。

表1 改進BP神經網絡識別正確率與不同動量學習率的關系

從表1可以得出：網絡正確識別率有明顯提高，動量學習率為0.3時，網絡正確識別率最高，可達到93.05%，比標準BP網絡算法的最高正確率(92.25%)提高0.8%，雖然提高的幅度不是很大，但在實際醫學檢測中卻有重要意義[10]。

4.2自適應調節學習率

BP神經網絡學習率的取值在[0,1]之間，對權值的修改隨著學習速率的增大而增大，網絡學習速度也越快，但是過大的學習速率會在權值學習過程中產生震蕩，過小的學習速率使得網絡收斂變慢，權值難以趨于穩定。變學習率方法是指學習速率在BP網絡進化初期較大，網絡收斂速度隨著學習過程的進行，學習率不斷減小，網絡趨于穩定[11]。變學習率計算公式為：

xite(t)=xitemax-t(xitemax-xitemin)/tmax

(6)

其中，xitemax為最大學習率；xitemin為最小學習率；tmax為最大迭代次數；t為當前迭代次數。

雖然學習速率在理論上最大取值為1，最小取值為0，但在設計網絡時，學習速率過大或者過小都不可取，因此，設計的自適應調節學習率的改進BP網絡的最大學習速率取值為0.9，最小學習速率取值為0.1。

表2是基于自適應調節學習率改進的BP網絡正確識別率統計。

表2 自適應調節學習率改進的BP網絡正確識別率(xite[0.1～0.9])

從表中可得出，正確率雖有提高，但幅度不大。

表3是基于自適應調節學習率改進的BP網絡對學習速率的不同范圍取值。

表3 自適應調節學習率改進的BP網絡正確識別率(xite[0.01～0.99])

從表中可以得出，學習速率取值范圍為[0.01～0.99]時，網絡的正確識別率比較穩定，而且比學習速率取值范圍在[0.1～0.9]時高。與標準BP算法相比較，改進后的網絡正確識別率有所提高[12]。

表4是應用三種不同神經網絡算法實現對HRV信號檢測識別的正確率比較。

表4 不同算法網絡正確識別率 %

續表4 %

在學習速率xite=0.5、迭代次數ii=30、隱層節點數l=10這三個變量相同的情況下，對標準BP算法、附加動量法改進的BP算法(動量學習率為0.3)、自適應調節學習率改進的BP算法(xite[0.01～0.99])進行20次HRV信號測試，結果表明，標準BP算法平均正確率為90.62%，附加動量法平均正確率為92.71%，自適應調節學習率的平均正確率為91.29%。不同算法的網絡正確識別率如圖1所示[13]。

圖1 不同算法的網絡正確識別率

從圖1可以更直觀地看出，采用附加動量法時神經網絡對HRV樣本信號的正確識別率比較高且穩定，正確識別率在90%以上。平均正確識別率為92.71%，但是與預期還有差距，通過分析，是因為在提取HRV信號樣本時，異常樣本共有9 733個，正常樣本共有4 277個，在神經網絡訓練時，異常訓練樣本(7 200個)多于正常訓練樣本(3 600個)，使得網絡對異常樣本的特征容量比正常樣本的特征容量多[14]。

圖2是采用附加動量法時神經網絡對HRV測試樣本的總體正確識別率、異常HRV樣本的正確識別率、正常HRV樣本的正確識別率統計[15]。

神經網絡對總體測試樣本的正確識別率最高為92.36%，最低為91.50%，對異常測試樣本的正確識別率最高為99.38%，最低為95.53%，對正常測試樣本的正確識別率最高為70.75%，最低為52.50%。

圖2 HRV樣本正確率

5 結束語

為能較早地發現病人的一些心血管疾病并及早進行診斷，采用了誤差反向傳播網絡及其改進算法，實現了對HRV信號的初步識別，為今后的神經網絡研究打下了良好的基礎。經過多次仿真訓練，BP神經網絡的正確識別率達到92.75%，附加動量法的正確識別率為93.96%，自適應調節學習率算法的正確識別率為93.57%。針對不同算法的神經網絡，更改參數和訓練測試，在隱層節點數為10且學習速率為0.5的條件下，采用附加動量法(動量學習率為0.3)時的神經網絡訓練及檢測識別的正確率為93.96%，穩定性較好。

近年來，隨著人工神經網絡研究的深入和發展，其在智能機器人、模式識別、生物、自動控制、醫學、預測估計、經濟等領域均已成功解決了許多現代計算機難以解決的實際問題，表現出了良好的智能特性，為今后神經網絡的發展提供了空間。

[1] 徐效文,曾 超,崔松野,等.MIT-BIH數據庫心電數據重采樣研究[J].計算機工程與應用,2011,47(8):245-248.

[2] 武美先,張學良,溫淑花,等.BP神經網絡及其改進[J].太原科技大學學報,2005,26(2):120-125.

[3] 劉曉芳,葉志前.心率變異性的分析方法和應用[J].國外醫學:生物醫學工程分冊,2001,24(1):42-45.

[4] Wolf M M,Varigos G A,Hunt D,et al.Sinus arrhythmia in acute myocardial infarction[J].Medical Journal of Australia,1978,2(2):52-53.

[5] 王步青,王衛東.心率變異性分析方法的研究進展[J].北京生物醫學工程,2007,26(5):551-554.

[6] 陳天華.基于現代信號處理技術的心音與心電信號分析方法[M].北京:機械工業出版社,2011:165-189.

[7] 馬 銳.人工神經網絡原理[M].北京:機械工業出版社,2010:1-13.

[8] 胡桃紅.心率變異性[J].臨床心電學雜志,1995,4(1):23-28.

[9] Akselrod S,Gordon D,Ubel F A,et al.Power spectrum analysis of heart rate fluctuation:a quantitative probe of beat-to-beat cardiovascular control[J].Science,1981,213(4504):220-222.

[10] Rohmert W,Laurig W,Philipp U,et al.Heart rate variability and work-load measurement[J].Ergonomics,1973,16(1):33-44.

[11] Kleiger R E,Miller J P,Bigger J T,et al.Decreased heart rate variability and its association with increased mortality after acute myocardial infarction[J].American Journal of Cardiology,1987,59(4):256-262.

[12] 聞 新,李 新,張興旺,等.應用MATLAB實現神經網絡[M].北京:國防工業出版社,2015.

[13] 史 峰,王小川,郁 磊,等.MATLAB神經網絡30個案例分析[M].北京:北京航空航天大學出版社,2014:1-10.

[14] 柳小桐.BP神經網絡輸入層數據歸一化研究[J].機械工程與自動化,2010(3):122-123.

[15] Gupta R,Joshi P,Mohan V,et al.Epidemiology and causation of coronary heart disease and stroke in India[J].Heart,2008,94(1):16-26.

Research on Application of Artificial Neural Network in HRV Analysis

SHANG Yu，ZHANG Tian

(School of Electronic Information Engineering,Xi’an University of Technology,Xi’an 710021,China)

HRV reflects the tension and balance of cardiac nerve activity,which is a non-invasive index to detect autonomic nervous activity.In recent years,a lot of research has fully affirmed the autonomic nervous activity correlated a variety of diseases,especially with some cardiovascular disease mortality,even the sudden death rate.Therefore,on the basis of application of the artificial neural network to HRV analysis,the error Back Propagation (BP) and its improved algorithm is utilized,in order to realize the preliminary identification of the HRV signals.The diverse neural network is conducted in parameters setting and training test.The test results show that when the number of hidden nodes is 10 and the learning rate is 0.5,the additional momentum (momentum learning rate is 0.3) is used to guarantee the correct rate of 93.96% and better stability in the neural network training and recognition.The artificial neural network algorithm is applied to the HRV analysis,which expands the new research field and space for the intelligent analysis of the ECG signal.

HRV;ANN;time-domain analysis;frequency domain analysis;BP networks

2016-11-02

：2017-03-07 < class="emphasis_bold">網絡出版時間

時間：2017-07-11

陜西省自然科學基礎研究計劃(2014JM2-6093)

尚 宇(1973-)，女，教授，研究方向為現代信號處理；張 甜(1992-)，女，碩士，研究方向為生物醫學儀器、ECG信號處理。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170711.1456.080.html

TP39

:A

:1673-629X(2017)09-0141-04

10.3969/j.issn.1673-629X.2017.09.031