基于堆叠降噪自动编码机的房颤信号提取算法
发布时间：2021-08-28 02:43
在人口老龄化发展的社会背景下,心血管疾病患者人数一直处于增长趋势。心房颤动作为心血管疾病中最普遍的一类心律失常,威胁着国民的生命健康,也是心律衰竭和脑卒中等重大心脏疾病的诱发因素。房颤患者的心电信号中包含着反映患者心房活动的信号,也就是房颤信号（f波）。从房颤患者的心电信号中提取f波有助于对房颤的研究和临床诊断,在医学研究上具有重大意义。针对目前临床上对f波提取准确性的要求,本文对f波提取算法做了进一步研究,主要研究内容如下:一,提出基于堆叠降噪自动编码机的房颤信号提取算法。心电信号中分为心室信号（QRST波群）和心房信号（P波）。发生心房颤动时,P波就会被f波所取代。将房颤患者的心电信号作为输入信号,通过堆叠多个降噪自动编码机组成深度神经网络,该网络能够挖掘输入信号的深层信息,有较强的学习能力。训练网络时,在输入信号中引入噪声,期望能通过深度神经网络去除噪声干扰,提高网络模型的鲁棒性,能够获得更加稳定的输出。利用训练好的网络从输入信号中重构出QRST波群,再从房颤心电信号中消除QRST波就能得到f波。通过进行仿真房颤信号提取实验和真实房颤信号提取实验,验证了本文所提算法能够有效准确的...
【文章来源】：河北大学河北省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
不同隐藏层数对RRMSE的影响
第三章基于堆叠降噪自动编码机的房颤信号提取19果并不理想。随着隐藏层数的增加，实验结果逐渐变得理想。当网络隐藏层层数为2层时，RRMSE可以低至0.295（网络节点数为100时），表示当隐藏层数为2时可以获得较好结果。当网络层数逐渐增加时，RRMSE曲线没有明显变化并趋于平滑。由图可见3层隐藏层网络训练结果准确度与2层隐藏层的网络基本保持不变，而且随着隐藏层层数的增加，训练过程中花费的时间会更长。所以本文最终选择的隐藏层层数为2，即网络层数为4。（3）隐藏层神经元个数。堆叠降噪自动编码机网络每一层隐藏层的大小对输出特征的鲁棒性和重构出的QRST波群有重要的影响。隐藏层神经元个数过小，网络的学习力度可能不够，特征达不到最佳表示效果，但是又不能过大，使得计算过于复杂。隐藏层神经元个数的确定比较困难，而且对整个网络模型的诊断性能有很大的影响。根据经验，隐藏层神经元个数范围设置在30-100之间。通过对比实验，测试不同隐藏层节点构成的神经网络的性能。首先初始化网络参数，迭代次数200，学习率为0.01，已经确定了网络隐藏层数为2层。选择RRMSE和训练时长(t)作为网络性能评价标准。训练结果如图3-6所示。(a)隐藏层神经元个数对RRMSE的影响(b)隐藏层神经元个数对训练时长的影响图3-6不同隐藏层神经元个数的实验结果如图3-6，选取不同的网络隐藏层神经元个数进行对比实验。由图3-6(a)中可以看出，当隐藏层网络节点数目较小时，网络的学习力度不够，导致达不到最佳训练结果。随着隐藏层节点增加，RRMSE逐渐下降，当隐藏层节点为60时，RRMSE逐渐达到最小值。而当隐藏层节点数目继续增加，网络也没有表现出更加优秀的训练结果，而且RRMSE有微弱的上升趋势。而且随着节点数的增加，训练时长也会随之增加，
河北大学硕士学位论文20如图3-6(b)所示。因此本文选取隐藏层神经元个数为60。（4）加入噪声的大校加入噪声的方式及大小对提取的结果也有很大影响。降噪自动编码机在输入信号中加入噪声一般有两种方法，一是在输入信号中加入加性高斯噪声，二是随机遮挡的噪声。本文选取第二种方法，即将输入信号随机置零。选取不同大小的噪声分别进行实验。噪声大小表示输入数据的染噪程度，比如噪声大小为0.3，即30%的输入数据被随机置零。噪声一般控制在0.6以内。初始化网络参数，迭代次数200，学习率为0.01，选取噪声大小分别10%，20%，30%，40%，50%。训练结果如图3-7所示。图3-7加入不同噪声对RRMSE的影响当加入的噪声大小为0时，降噪自动编码机网络变为自动编码机网络，由图可以看出，自动编码机构成的深度神经网络性能是远远不如降噪自动编码机构成的网络的。随着在输入信号中加入噪声，网络训练所得的RRMSE逐渐下降。当加入的噪声为20%时，网络模型所得的RRMSE取得最低值。若继续向输入信号中增大加入噪声的比例，网络训练所得的RRMSE则开始上升。说明当加入噪声比例为20%时，网络性能达到最优。（5）网络训练模型的最大迭代次数。已经确定的堆叠降噪自动编码机网络结构为260-60-60-260，初始化网络参数，学习率为0.01。图3-8分析了RRMSE与迭代次数之间的关系。
本文编号：3367625
【文章来源】：河北大学河北省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
不同隐藏层数对RRMSE的影响
第三章基于堆叠降噪自动编码机的房颤信号提取19果并不理想。随着隐藏层数的增加，实验结果逐渐变得理想。当网络隐藏层层数为2层时，RRMSE可以低至0.295（网络节点数为100时），表示当隐藏层数为2时可以获得较好结果。当网络层数逐渐增加时，RRMSE曲线没有明显变化并趋于平滑。由图可见3层隐藏层网络训练结果准确度与2层隐藏层的网络基本保持不变，而且随着隐藏层层数的增加，训练过程中花费的时间会更长。所以本文最终选择的隐藏层层数为2，即网络层数为4。（3）隐藏层神经元个数。堆叠降噪自动编码机网络每一层隐藏层的大小对输出特征的鲁棒性和重构出的QRST波群有重要的影响。隐藏层神经元个数过小，网络的学习力度可能不够，特征达不到最佳表示效果，但是又不能过大，使得计算过于复杂。隐藏层神经元个数的确定比较困难，而且对整个网络模型的诊断性能有很大的影响。根据经验，隐藏层神经元个数范围设置在30-100之间。通过对比实验，测试不同隐藏层节点构成的神经网络的性能。首先初始化网络参数，迭代次数200，学习率为0.01，已经确定了网络隐藏层数为2层。选择RRMSE和训练时长(t)作为网络性能评价标准。训练结果如图3-6所示。(a)隐藏层神经元个数对RRMSE的影响(b)隐藏层神经元个数对训练时长的影响图3-6不同隐藏层神经元个数的实验结果如图3-6，选取不同的网络隐藏层神经元个数进行对比实验。由图3-6(a)中可以看出，当隐藏层网络节点数目较小时，网络的学习力度不够，导致达不到最佳训练结果。随着隐藏层节点增加，RRMSE逐渐下降，当隐藏层节点为60时，RRMSE逐渐达到最小值。而当隐藏层节点数目继续增加，网络也没有表现出更加优秀的训练结果，而且RRMSE有微弱的上升趋势。而且随着节点数的增加，训练时长也会随之增加，
河北大学硕士学位论文20如图3-6(b)所示。因此本文选取隐藏层神经元个数为60。（4）加入噪声的大校加入噪声的方式及大小对提取的结果也有很大影响。降噪自动编码机在输入信号中加入噪声一般有两种方法，一是在输入信号中加入加性高斯噪声，二是随机遮挡的噪声。本文选取第二种方法，即将输入信号随机置零。选取不同大小的噪声分别进行实验。噪声大小表示输入数据的染噪程度，比如噪声大小为0.3，即30%的输入数据被随机置零。噪声一般控制在0.6以内。初始化网络参数，迭代次数200，学习率为0.01，选取噪声大小分别10%，20%，30%，40%，50%。训练结果如图3-7所示。图3-7加入不同噪声对RRMSE的影响当加入的噪声大小为0时，降噪自动编码机网络变为自动编码机网络，由图可以看出，自动编码机构成的深度神经网络性能是远远不如降噪自动编码机构成的网络的。随着在输入信号中加入噪声，网络训练所得的RRMSE逐渐下降。当加入的噪声为20%时，网络模型所得的RRMSE取得最低值。若继续向输入信号中增大加入噪声的比例，网络训练所得的RRMSE则开始上升。说明当加入噪声比例为20%时，网络性能达到最优。（5）网络训练模型的最大迭代次数。已经确定的堆叠降噪自动编码机网络结构为260-60-60-260，初始化网络参数，学习率为0.01。图3-8分析了RRMSE与迭代次数之间的关系。
本文编号：3367625
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3367625.html
