论文部分内容阅读
心血管疾病是现代社会发病率比较高的疾病,当病人需要心电监护时,所采集的数据量往往很大,在存储时会占用很大的空间,不仅对存储系统要求比较高而且数据在线传输过程中会浪费很多能量。对于线下的情况,医院需要将每个病人的大量数据存档,因此有很大的存储空间要求。如果可以对数据预测,医院就可以存储一部分数据,其他数据可以用这些数据进行预测,从而节省了存储空间。另外,在心电信号采集过程中也可以进行预测,这样就节省了采集数据和数据传输所浪费的能量。 预测是数据挖掘中运用最广泛的技术之一,它是对事物未来一定时期内的可能变化趋势及情况进行估计、推测和分析,是通过对既定的、客观的历史事实和现状进行的科学调查、分析和推论。人工神经网络是现在预测数据应用较多的工具,BP(Back Propagation)神经网络是人工神经网络的一种,具有强大的学习能力和自适应能力,适合处理背景知识不清楚、推导规则不明确的非线性系统。 心电信号是一种非平稳、非线性的信号,且呈现出混沌现象。在BP神经网络研究和当前对心电信号研究的背景下,本文研究将相空间重构与BP神经网络相结合用来对心电信号进行预测。分别采用互信息法和Cao氏法计算心电信号重构相空间所需的参数-时间延迟和嵌入维数,利用两个参数重构相空间改变BP网络的输入,将重构后的数据输入到网络中训练,直到得到期望预测值为止。 本文使用MATLAB作为仿真工具,采用麻省理工学院研究心律失常数据库提供的心电信号作为仿真信号。仿真结果表明,所研究的模型在误差允许范围内能够对心电信号完成预测。该模型客观确定了神经网络输入端节点数目,克服了主观因素对预测结果的影响。可以作为对心电信号预测的参考,对将来疾病的预防具有一定的参考价值。