尚 宇，張 甜

(西安工業(yè)大學(xué) 電子信息工程學(xué)院，陜西 西安 710021)

人工神經(jīng)網(wǎng)絡(luò)在HRV分析中的應(yīng)用研究

尚 宇，張 甜

(西安工業(yè)大學(xué) 電子信息工程學(xué)院，陜西 西安 710021)

心率變異性(Heart Rate Variability,HRV)反映了心臟神經(jīng)活動(dòng)的緊張性和均衡性，是一種檢測(cè)自主神經(jīng)性活動(dòng)的非侵入性指標(biāo)。近幾十年來(lái)大量研究已充分肯定了自主神經(jīng)活動(dòng)與多種疾病有關(guān)系，特別是與某些心血管疾病的死亡率，尤其是猝死率有關(guān)。為此，在應(yīng)用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行HRV分析的基礎(chǔ)上，采用誤差反向傳播網(wǎng)絡(luò)(Back Propagation，BP)及其改進(jìn)算法，實(shí)現(xiàn)了對(duì)HRV信號(hào)的初步識(shí)別。對(duì)不同算法神經(jīng)網(wǎng)絡(luò)進(jìn)行了參數(shù)設(shè)置嘗試和訓(xùn)練測(cè)試。測(cè)試結(jié)果表明，隱層節(jié)點(diǎn)數(shù)為10及學(xué)習(xí)速率為0.5時(shí)，采用附加動(dòng)量法(動(dòng)量學(xué)習(xí)率為0.3)即可保證整個(gè)神經(jīng)網(wǎng)絡(luò)訓(xùn)練及檢測(cè)識(shí)別的正確率為93.96%，且穩(wěn)定性較好。應(yīng)用人工神經(jīng)網(wǎng)絡(luò)算法分析HRV，為心電信號(hào)智能分析提供了新的研究領(lǐng)域和應(yīng)用空間。

心率變異性；人工神經(jīng)網(wǎng)絡(luò)；時(shí)域分析；頻域分析；BP網(wǎng)絡(luò)

0 引 言

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)，是20世紀(jì)80年代以來(lái)人工智能領(lǐng)域興起的研究熱點(diǎn)，是人工智能的重要分支。它從信息處理角度對(duì)人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象，建立某種簡(jiǎn)單模型，按不同的連接方式組成不同的網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)的發(fā)展過(guò)程大致可以分為三個(gè)階段：第一階段為啟蒙時(shí)期，神經(jīng)網(wǎng)絡(luò)理論研究的奠基階段；第二階段為低潮時(shí)期。雖然在這一時(shí)期許多重要研究成果未得到應(yīng)有的重視，但其科學(xué)價(jià)值不可磨滅；第三階段為復(fù)興時(shí)期，這是神經(jīng)網(wǎng)絡(luò)理論研究的主要發(fā)展時(shí)期。神經(jīng)網(wǎng)絡(luò)研究可以分為理

論研究和應(yīng)用研究?jī)纱蠓矫?。理論研究可分為以下兩?lèi)：利用神經(jīng)生理與認(rèn)知科學(xué)研究人類(lèi)思維以及智能機(jī)理；利用神經(jīng)基礎(chǔ)理論的研究成果，用數(shù)理方法探索功能更加完善、性能更加優(yōu)越的神經(jīng)網(wǎng)絡(luò)模型，深入研究網(wǎng)絡(luò)算法和性能；開(kāi)發(fā)新的網(wǎng)絡(luò)數(shù)理理論。應(yīng)用研究可分為以下兩類(lèi)：神經(jīng)網(wǎng)絡(luò)的軟件模擬和硬件實(shí)現(xiàn)的研究；神經(jīng)網(wǎng)絡(luò)在各個(gè)領(lǐng)域中應(yīng)用的研究。隨著現(xiàn)在科技的發(fā)展，相關(guān)技術(shù)的不斷提升，神經(jīng)網(wǎng)絡(luò)的應(yīng)用將更加深入。

HRV信號(hào)是由心電信號(hào)提取而來(lái)，是心電信號(hào)的主要成分，反映了心臟隨時(shí)間跳動(dòng)所發(fā)生的細(xì)微差異變化[1]。為此，基于BP神經(jīng)網(wǎng)絡(luò)的原理，通過(guò)從采集到的心電數(shù)據(jù)中提取RR間期值，從而獲得HRV樣本信號(hào)。采用時(shí)域分析法和頻域分析法，得到均值、總體標(biāo)準(zhǔn)差等六個(gè)時(shí)頻指標(biāo)參數(shù)，并采用BP神經(jīng)網(wǎng)絡(luò)算法及其改進(jìn)的附加動(dòng)量算法、自適應(yīng)調(diào)節(jié)學(xué)習(xí)率算法，對(duì)其識(shí)別能力進(jìn)行分析比較，從而實(shí)現(xiàn)了對(duì)HRV樣本信號(hào)的初步識(shí)別。采用較先進(jìn)的技術(shù)原理進(jìn)行多層人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)，以此為研究HRV提供更多的工具手段。

1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其網(wǎng)絡(luò)的主要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳播。每一層的神經(jīng)元狀態(tài)只會(huì)影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出[2]。

2 HRV分析原理

(1)時(shí)域分析。

時(shí)域分析法是最早使用的測(cè)量HRV的方法，方便快捷，主要包括統(tǒng)計(jì)學(xué)方法和幾何圖形法。

統(tǒng)計(jì)學(xué)方法通過(guò)計(jì)算RR間期序列的統(tǒng)計(jì)指標(biāo)來(lái)評(píng)價(jià)心率變異性，主要時(shí)域指標(biāo)有：均值(MEAN)、總體標(biāo)準(zhǔn)差(SDNN)、相鄰RR間期差值均方根(r-MSSD)、平均值標(biāo)準(zhǔn)差(SDANN)和相鄰RR間期之差大于50 ms的個(gè)數(shù)占總的RR間期個(gè)數(shù)比(PNN50)。

幾何圖形法是對(duì)RR間期的分布進(jìn)行分析，來(lái)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(shí)域分析首先讀取第一部分所保存的HRV樣本數(shù)據(jù)，之后直接對(duì)數(shù)據(jù)分別進(jìn)行MEAN、SDNN和r-MSSD、PNN50的計(jì)算，并且保存這四個(gè)數(shù)據(jù)，為接下來(lái)的人工神經(jīng)網(wǎng)絡(luò)計(jì)算提供時(shí)域參數(shù)的支持[3]。

(2)頻域分析。

頻域分析方法的原理是將隨機(jī)變化RR間期或瞬時(shí)心率信號(hào)分解成各種不同能量的頻率成分，即將心率變化的曲線(xiàn)轉(zhuǎn)換到頻域進(jìn)行分析，它提供了能量隨頻率變化的基本信息。

每組樣本數(shù)據(jù)經(jīng)過(guò)FFT運(yùn)算處理后，對(duì)其進(jìn)行運(yùn)算得到功率譜，分別計(jì)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(gè)數(shù)據(jù)。對(duì)下面的人工神經(jīng)網(wǎng)絡(luò)計(jì)算提供頻域參數(shù)的支持[4]。

(3)總結(jié)。

時(shí)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(wěn)模型的基礎(chǔ)上，不能反映HRV的動(dòng)態(tài)特征和細(xì)節(jié)。這種心率波動(dòng)的節(jié)律變化和其他的多種生理節(jié)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(xiàn)出較強(qiáng)的非平穩(wěn)性，用線(xiàn)性方法不能完全解釋?zhuān)瑫r(shí)頻聯(lián)合分析和人工神經(jīng)網(wǎng)絡(luò)的發(fā)展為HRV分析提供了新方法[5]。

3 HRV分析指標(biāo)

(1)時(shí)域分析指標(biāo)。

基于人工神經(jīng)網(wǎng)絡(luò)的HRV分析，神經(jīng)網(wǎng)絡(luò)計(jì)算需要使用數(shù)據(jù)，而時(shí)域分析中的幾何圖形法不能直接用于人工神經(jīng)網(wǎng)絡(luò)計(jì)算，所以時(shí)域分析部分采用統(tǒng)計(jì)學(xué)方法。統(tǒng)計(jì)學(xué)分析中，SDNN和SDANN數(shù)據(jù)的相關(guān)系數(shù)達(dá)到0.98，r-MSSD和PNN50數(shù)據(jù)的相關(guān)系數(shù)達(dá)到0.93。所以時(shí)域分析部分只計(jì)算四個(gè)指標(biāo)：MEAN、SDNN、r-MSSD和PNN50。

MEAN反映了RR間期的平均水平，單位為ms，計(jì)算公式如下：

(1)

SDNN反映了HRV的總體變化，單位為ms，計(jì)算公式如下：

(2)

r-MSSD反映了HRV中的快變化成分，單位為ms，計(jì)算公式如下：

(3)

PNN50反映了RR間期的突然變化，單位為%，計(jì)算公式如下：

(4)

(2)頻域分析指標(biāo)。

將正常的與異常的HRV樣本數(shù)據(jù)分別進(jìn)行基于FFT的經(jīng)典譜估計(jì)，獲得的功率譜密度可以作為定量指標(biāo)用于描述信號(hào)的能量分布情況，它將各種生理因素作適當(dāng)分離后進(jìn)行分析，能夠明確反映HRV信號(hào)的生理意義，因而有較大的臨床應(yīng)用價(jià)值[6]。

4 BP算法的改進(jìn)

雖然BP算法在理論上能以任意精度逼近各種復(fù)雜的非線(xiàn)性函數(shù)，但其在應(yīng)用中存在一些內(nèi)在的缺點(diǎn)：

(1)容易形成局部極小值而得不到全局最優(yōu)解；

(2)隱層數(shù)和隱層節(jié)點(diǎn)數(shù)的選取缺乏理論依據(jù)；

(3)訓(xùn)練次數(shù)多，使得學(xué)習(xí)效率低，收斂速度慢；

(4)一些情況下，訓(xùn)練新樣本時(shí)可能會(huì)出現(xiàn)遺忘舊樣本的情況。

針對(duì)上述問(wèn)題，專(zhuān)家學(xué)者提出了一種改進(jìn)算法，嘗試應(yīng)用附加動(dòng)量法和自適應(yīng)調(diào)節(jié)學(xué)習(xí)速率法進(jìn)行BP算法改進(jìn)，并與標(biāo)準(zhǔn)BP算法進(jìn)行結(jié)果比較[7]。

4.1附加動(dòng)量法

BP神經(jīng)網(wǎng)絡(luò)采用梯度修正法作為權(quán)值和閾值的學(xué)習(xí)算法，從網(wǎng)絡(luò)預(yù)測(cè)誤差的負(fù)梯度方向修正權(quán)值和閾值，沒(méi)有考慮以前經(jīng)驗(yàn)的積累，學(xué)習(xí)過(guò)程收斂緩慢[8]。帶附加動(dòng)量的權(quán)值學(xué)習(xí)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(shí)刻的權(quán)值；a為動(dòng)量學(xué)習(xí)率，取值在0～1之間，一般情況下動(dòng)量學(xué)習(xí)率的最大值在0.9左右。

BP網(wǎng)絡(luò)改進(jìn)后，用訓(xùn)練樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，網(wǎng)絡(luò)初始值輸入層節(jié)點(diǎn)數(shù)n=6、隱含層節(jié)點(diǎn)數(shù)l=10、輸出層節(jié)點(diǎn)數(shù)m=2、學(xué)習(xí)速率xite=0.5，迭代次數(shù)30，動(dòng)量學(xué)習(xí)率取不同數(shù)值[9]。表1是不同動(dòng)量學(xué)習(xí)與網(wǎng)絡(luò)識(shí)別正確率的關(guān)系。表中數(shù)據(jù)是動(dòng)量學(xué)習(xí)率不同時(shí)HRV測(cè)試樣本待網(wǎng)絡(luò)穩(wěn)定后進(jìn)行連續(xù)5次測(cè)試的網(wǎng)絡(luò)識(shí)別平均正確率。

表1 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)識(shí)別正確率與不同動(dòng)量學(xué)習(xí)率的關(guān)系

從表1可以得出：網(wǎng)絡(luò)正確識(shí)別率有明顯提高，動(dòng)量學(xué)習(xí)率為0.3時(shí)，網(wǎng)絡(luò)正確識(shí)別率最高，可達(dá)到93.05%，比標(biāo)準(zhǔn)BP網(wǎng)絡(luò)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(shí)際醫(yī)學(xué)檢測(cè)中卻有重要意義[10]。

4.2自適應(yīng)調(diào)節(jié)學(xué)習(xí)率

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的取值在[0,1]之間，對(duì)權(quán)值的修改隨著學(xué)習(xí)速率的增大而增大，網(wǎng)絡(luò)學(xué)習(xí)速度也越快，但是過(guò)大的學(xué)習(xí)速率會(huì)在權(quán)值學(xué)習(xí)過(guò)程中產(chǎn)生震蕩，過(guò)小的學(xué)習(xí)速率使得網(wǎng)絡(luò)收斂變慢，權(quán)值難以趨于穩(wěn)定。變學(xué)習(xí)率方法是指學(xué)習(xí)速率在BP網(wǎng)絡(luò)進(jìn)化初期較大，網(wǎng)絡(luò)收斂速度隨著學(xué)習(xí)過(guò)程的進(jìn)行，學(xué)習(xí)率不斷減小，網(wǎng)絡(luò)趨于穩(wěn)定[11]。變學(xué)習(xí)率計(jì)算公式為：

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

(6)

其中，xitemax為最大學(xué)習(xí)率；xitemin為最小學(xué)習(xí)率；tmax為最大迭代次數(shù)；t為當(dāng)前迭代次數(shù)。

雖然學(xué)習(xí)速率在理論上最大取值為1，最小取值為0，但在設(shè)計(jì)網(wǎng)絡(luò)時(shí)，學(xué)習(xí)速率過(guò)大或者過(guò)小都不可取，因此，設(shè)計(jì)的自適應(yīng)調(diào)節(jié)學(xué)習(xí)率的改進(jìn)BP網(wǎng)絡(luò)的最大學(xué)習(xí)速率取值為0.9，最小學(xué)習(xí)速率取值為0.1。

表2是基于自適應(yīng)調(diào)節(jié)學(xué)習(xí)率改進(jìn)的BP網(wǎng)絡(luò)正確識(shí)別率統(tǒng)計(jì)。

表2 自適應(yīng)調(diào)節(jié)學(xué)習(xí)率改進(jìn)的BP網(wǎng)絡(luò)正確識(shí)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(yīng)調(diào)節(jié)學(xué)習(xí)率改進(jìn)的BP網(wǎng)絡(luò)對(duì)學(xué)習(xí)速率的不同范圍取值。

表3 自適應(yīng)調(diào)節(jié)學(xué)習(xí)率改進(jìn)的BP網(wǎng)絡(luò)正確識(shí)別率(xite[0.01～0.99])

從表中可以得出，學(xué)習(xí)速率取值范圍為[0.01～0.99]時(shí)，網(wǎng)絡(luò)的正確識(shí)別率比較穩(wěn)定，而且比學(xué)習(xí)速率取值范圍在[0.1～0.9]時(shí)高。與標(biāo)準(zhǔn)BP算法相比較，改進(jìn)后的網(wǎng)絡(luò)正確識(shí)別率有所提高[12]。

表4是應(yīng)用三種不同神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)對(duì)HRV信號(hào)檢測(cè)識(shí)別的正確率比較。

表4 不同算法網(wǎng)絡(luò)正確識(shí)別率 %

續(xù)表4 %

在學(xué)習(xí)速率xite=0.5、迭代次數(shù)ii=30、隱層節(jié)點(diǎn)數(shù)l=10這三個(gè)變量相同的情況下，對(duì)標(biāo)準(zhǔn)BP算法、附加動(dòng)量法改進(jìn)的BP算法(動(dòng)量學(xué)習(xí)率為0.3)、自適應(yīng)調(diào)節(jié)學(xué)習(xí)率改進(jìn)的BP算法(xite[0.01～0.99])進(jìn)行20次HRV信號(hào)測(cè)試，結(jié)果表明，標(biāo)準(zhǔn)BP算法平均正確率為90.62%，附加動(dòng)量法平均正確率為92.71%，自適應(yīng)調(diào)節(jié)學(xué)習(xí)率的平均正確率為91.29%。不同算法的網(wǎng)絡(luò)正確識(shí)別率如圖1所示[13]。

圖1 不同算法的網(wǎng)絡(luò)正確識(shí)別率

從圖1可以更直觀地看出，采用附加動(dòng)量法時(shí)神經(jīng)網(wǎng)絡(luò)對(duì)HRV樣本信號(hào)的正確識(shí)別率比較高且穩(wěn)定，正確識(shí)別率在90%以上。平均正確識(shí)別率為92.71%，但是與預(yù)期還有差距，通過(guò)分析，是因?yàn)樵谔崛RV信號(hào)樣本時(shí)，異常樣本共有9 733個(gè)，正常樣本共有4 277個(gè)，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，異常訓(xùn)練樣本(7 200個(gè))多于正常訓(xùn)練樣本(3 600個(gè))，使得網(wǎng)絡(luò)對(duì)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(dòng)量法時(shí)神經(jīng)網(wǎng)絡(luò)對(duì)HRV測(cè)試樣本的總體正確識(shí)別率、異常HRV樣本的正確識(shí)別率、正常HRV樣本的正確識(shí)別率統(tǒng)計(jì)[15]。

神經(jīng)網(wǎng)絡(luò)對(duì)總體測(cè)試樣本的正確識(shí)別率最高為92.36%，最低為91.50%，對(duì)異常測(cè)試樣本的正確識(shí)別率最高為99.38%，最低為95.53%，對(duì)正常測(cè)試樣本的正確識(shí)別率最高為70.75%，最低為52.50%。

圖2 HRV樣本正確率

5 結(jié)束語(yǔ)

為能較早地發(fā)現(xiàn)病人的一些心血管疾病并及早進(jìn)行診斷，采用了誤差反向傳播網(wǎng)絡(luò)及其改進(jìn)算法，實(shí)現(xiàn)了對(duì)HRV信號(hào)的初步識(shí)別，為今后的神經(jīng)網(wǎng)絡(luò)研究打下了良好的基礎(chǔ)。經(jīng)過(guò)多次仿真訓(xùn)練，BP神經(jīng)網(wǎng)絡(luò)的正確識(shí)別率達(dá)到92.75%，附加動(dòng)量法的正確識(shí)別率為93.96%，自適應(yīng)調(diào)節(jié)學(xué)習(xí)率算法的正確識(shí)別率為93.57%。針對(duì)不同算法的神經(jīng)網(wǎng)絡(luò)，更改參數(shù)和訓(xùn)練測(cè)試，在隱層節(jié)點(diǎn)數(shù)為10且學(xué)習(xí)速率為0.5的條件下，采用附加動(dòng)量法(動(dòng)量學(xué)習(xí)率為0.3)時(shí)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練及檢測(cè)識(shí)別的正確率為93.96%，穩(wěn)定性較好。

近年來(lái)，隨著人工神經(jīng)網(wǎng)絡(luò)研究的深入和發(fā)展，其在智能機(jī)器人、模式識(shí)別、生物、自動(dòng)控制、醫(yī)學(xué)、預(yù)測(cè)估計(jì)、經(jīng)濟(jì)等領(lǐng)域均已成功解決了許多現(xiàn)代計(jì)算機(jī)難以解決的實(shí)際問(wèn)題，表現(xiàn)出了良好的智能特性，為今后神經(jīng)網(wǎng)絡(luò)的發(fā)展提供了空間。

[1] 徐效文,曾 超,崔松野,等.MIT-BIH數(shù)據(jù)庫(kù)心電數(shù)據(jù)重采樣研究[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(8):245-248.

[2] 武美先,張學(xué)良,溫淑花,等.BP神經(jīng)網(wǎng)絡(luò)及其改進(jìn)[J].太原科技大學(xué)學(xué)報(bào),2005,26(2):120-125.

[3] 劉曉芳,葉志前.心率變異性的分析方法和應(yīng)用[J].國(guó)外醫(yī)學(xué):生物醫(yī)學(xué)工程分冊(cè),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(wèi)東.心率變異性分析方法的研究進(jìn)展[J].北京生物醫(yī)學(xué)工程,2007,26(5):551-554.

[6] 陳天華.基于現(xiàn)代信號(hào)處理技術(shù)的心音與心電信號(hào)分析方法[M].北京:機(jī)械工業(yè)出版社,2011:165-189.

[7] 馬 銳.人工神經(jīng)網(wǎng)絡(luò)原理[M].北京:機(jī)械工業(yè)出版社,2010:1-13.

[8] 胡桃紅.心率變異性[J].臨床心電學(xué)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(yīng)用MATLAB實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)[M].北京:國(guó)防工業(yè)出版社,2015.

[13] 史 峰,王小川,郁 磊,等.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京:北京航空航天大學(xué)出版社,2014:1-10.

[14] 柳小桐.BP神經(jīng)網(wǎng)絡(luò)輸入層數(shù)據(jù)歸一化研究[J].機(jī)械工程與自動(dòng)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(wǎng)絡(luò)出版時(shí)間

時(shí)間：2017-07-11

陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃(2014JM2-6093)

尚 宇(1973-)，女，教授，研究方向?yàn)楝F(xiàn)代信號(hào)處理；張 甜(1992-)，女，碩士，研究方向?yàn)樯镝t(yī)學(xué)儀器、ECG信號(hào)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