技术领域
本发明涉及J波的检测及分类方法，具体为基于概率神经网络的 J波检测及分类方法。
背景技术
J波是指心电图(Electrocardiogram，ECG)上QRS波与ST段之 间的圆顶状或驼峰状电位变化。正常情况下J波部分地或完全地隐藏 于QRS波群中。明显异常J波常与低温、高钙血症、神经系统损伤 等有关。由J波引起的临床综合征或疾病称为J波综合征，包括：早 期复极综合征、Brugada综合征、下壁导联有明显J波的心脏性猝死 和下壁导联ST段下斜型抬高的原发性心脏骤停等。
心电图J波和J波综合征是心脏性猝死的高危预警指标。在临床 及科研中需要重视这类患者的筛查。同时，并不是所有心电图上的J 波都会导致恶性心律失常。提高对心电图正常变异J波与异常J波 的鉴别能力，有助于医生结合临床病例识别临床异常J波的高危患 者，减少恶性心律失常及特发性心室颤动猝死的发生，有很大的临床 意义和现实意义。
发明内容
本发明为了解决现在没有一种对J波进行有效检测和分类的方法 的问题，提供了基于概率神经网络的J波检测及分类方法。
本发明是采用如下的技术方案实现的：基于概率神经网络的J波 检测及分类方法，包括以下步骤：
通过心电图机获得所需的心电信号，其中包括正常心电信号NJ、 含良性J波心电信号BJ、含高危J波心电信号MJ三种心电信号；
采用小波包变换提取每种心电信号的ST段，并求取ST段功率和 小波系数作为两个特征向量；
对所提取的ST段采用希尔伯特黄变换进行特征提取，即先进行 经验模态分解，将ST段信号分解为一系列固有模态函数IMF，然后 对每一个固有模态函数IMF做希尔伯特黄变换，得到其瞬时频率和幅 度作为两个特征向量；
将正常心电信号NJ、含良性J波心电信号BJ、含高危J波心电信 号MJ三组心电信号作为训练样本，每个训练样本提取的上述4种特 征向量输入PNN对其进行训练；
取任意心电信号作为测试样本，对测试样本进行处理，提取上述 4个特征向量，将其输入PNN，由输出结果得出该测试样本属于哪一 种类型，即正常心电信号NJ、含良性J波心电信号BJ和含高危J波 心电信号MJ中的一种。
概率神经网络(ProbabilisticNeuralNetwork，PNN)是D.F.Specht 博士在1990年提出来的一种神经网络模型，它是基于贝叶斯分类规 则与Parzen窗概率密度估计方法发展而来的一种并行算法。PNN算 法简单、训练简洁，在实际应用中，尤其是在解决分类问题的应用中， 它的优势在于用线性学习算法来完成以往非线性学习算法所做的工 作，同时又能保持非线性算法的高精度等特性。因此，采用PNN方 法可以实现对心电图中J波的检测及分类。
本发明首先通过心电图机获得所需的心电信号，由心电图机获得 的心电信号已经滤除了噪声，由于J波往往出现在心电信号的ST段， 同时为了降低计算复杂度，先利用小波包变换提取心电信号的ST段， 并求取ST段功率和小波系数，对所提取的ST段采用希尔伯特黄变换 (Hilbert-HuangTransform，HHT)进行特征提取，即先进行经验模态 分解(EmpiricalModeDecomposition，EMD)，将信号分解为一系列 固有模态函数(IntrinsicModeFunction，IMF，也称作本征模态函数)， 然后对每一个IMF分量做希尔伯特变换，得到其瞬时频率和幅度；采 用概率神经网络(ProbabilisticNeuralNetwork,PNN)作为J波检测分类 器，将上述ST段功率、小波系数、瞬时频率和瞬时幅度作为4个特 征向量输入PNN，对PNN进行训练；然后取测试样本，对其进行相 同的预处理，同样提取4个特征向量，输入PNN得到其分类结果。
本发明提出了以一种简单有效的J波检测和分类方法，为医生识 别临床异常J波的高危患者提供了依据。
附图说明
图1为本发明的流程图，注：A、B为输入PNN分类器的4个特 征向量，A表示求取的ST段功率和小波系数，B表示经过希尔伯特黄 变换求取的瞬时频率和幅度。
具体实施方式
基于概率神经网络的J波检测及分类方法，包括以下步骤：
通过心电图机获得所需的心电信号，其中包括正常心电信号NJ、 含良性J波心电信号BJ、含高危J波心电信号MJ三种心电信号；
采用小波包变换提取每种心电信号的ST段，并求取ST段功率和 小波系数作为两个特征向量；
对所提取的ST段采用希尔伯特黄变换进行特征提取，即先进行 经验模态分解，将ST段信号分解为一系列固有模态函数IMF，然后 对每一个固有模态函数IMF做希尔伯特黄变换，得到其瞬时频率和幅 度作为两个特征向量；
将正常心电信号NJ、含良性J波心电信号BJ、含高危J波心电信 号MJ三组心电信号作为训练样本，每个训练样本提取的上述4种特 征向量输入PNN对其进行训练；
取任意心电信号作为测试样本，对测试样本进行处理，提取上述 4个特征向量，将其输入PNN，由输出结果得出该测试样本属于哪一 种类型，输出结果为三种值：0、1、2，分别代表NJ、BJ、MJ，即正 常心电信号NJ、含良性J波心电信号BJ和含高危J波心电信号MJ中 的一种，
一个典型的PNN网络结构可以分为输入层、隐层、累加层和输 出层，PNN网络结构是利用下面的算法进行训练的:
第一步：把训练样本数据集中的每一个样本x表示为矢量的形式， 即x＝(x1,x2,...,xd)；
第二步：第一个样本矢量被置于输入层单元上，同时，连接输入 单元和隐层单元的那些连接被初始化为w1＝x1，然后，从隐层的第一 个单元到累加层中代表x1所属类别的那个单元之间就建立了一个连 接；
第三步：同样的过程对剩余的各个隐层单元都重复进行，即 wm＝xm，其中m＝1,2,...,n；
第四步：最后得到训练后的PNN网络结构，输入层单元和隐层 单元之间是完全相通的，而隐层单元到累加层单元之间是稀疏连接的。 如果把第j类样本的第k个分量记为xjk,把这个分量到第j个隐层 单元的连接权重系数记为wjk,其中j＝1,2,...,n，k＝1,2,...,d。
经过训练完成的PNN网络结构就可以用这样的方式实现分类：
第一步：把一个测试样本提供给输入节点，每一个隐层单元都计 算非线性函数 f w ( x ) = 1 ( 2 π ) d / 2 σ d exp [ - ( x - x i j ) T ( x - x i j ) 2 σ 2 ] ]]>的大小，其中 i＝1,...,M，j＝1,...,N，M为训练样本中总类别数目，Ni为第i类训练 样本数据数目，称之为PNN的第i类模式的隐层神经元个数，d为 样本空间数据的维数，σ为平滑参数，xij为第i个模式的第j隐中 心矢量；
第二步：每一个累加层单元把与它相连的隐层单元的计算结果 fw(x)进行相加，这样每一个隐层单元向与它相连的那个累加层单元 就贡献了一个信号，这个信号的强度等于以当前训练样本为中心的 Parzen窗函数产生这个测试样本的概率；
第三步：对每一个累加层单元得到的计算结果，通过求最大值得 到测试样本期望的类别。