遗传蝙蝠优化算法辅助的支持向量神经网络用于ECG信号的心律失常分类

沙特国王大学学报GB-SVNN：遗传BAT辅助的支持向量神经网络，用于使用ECG信号的Bhagyalakshmi Vishwanatha，Ramchandra Vittal Pujerib，Geetha Dundesh DevanagavicaREVA University，Rukmini Knowledge Park，Kattigenahalli，Yelahanka，Bangalore 560 064，Indiab印度浦那M.I.T.C.O.Ec印度班加罗尔瑞瓦大学阿提奇莱因福奥文章历史记录：2017年9月9日收到2018年2月8日修订2018年2月12日接受2018年3月26日在线提供保留字：遗传算法在心律失常分类中的应用蝙蝠优化ECG信号ECG波间期A B S T R A C T心律失常是由心脏的异常电活动产生的心脏状况，并且心电图（ECG）是心脏病专家用于确定心律失常或心脏异常的工具。由于噪声的存在、心电信号的非平稳性和心跳的异常性，给医生诊断心律失常带来了困难。因此，需要能够实现更高识别精度的计算机辅助诊断系统。针对现有的分类方法在处理相似心电信号时耗时长、分类精度低的问题，提出了一种基于遗传蝙蝠优化算法的支持向量神经网络（GB-SVNN）训练方法，用于心电信号的心律失常分类。首先，基于多分辨率小波变换的方法和Gabor滤波器用于提取波间隔特征和其他纹理特征的心电信号。基于这些特征，SVNN将ECG信号分类为受影响的心律失常或无心律失常信号。SVNN使用GB算 法训 练使 用MATLAB 2015.a对 所提 出的 方法 进行 了 实验 ，并 使 用现 有方 法（ 如KNN ， 神经 网络（NN），模糊减法聚类和支持向量神经网络（SVNN））对准确性，特异性和灵敏度进行了评估。从结果中可以看出，所提出的GD-SVNN的准确性，灵敏度和特异性分别达到0.9696，0.99和0.9583的最大值©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在过去十年中，医疗保健方案报告心脏病是主要杀手疾病之一（Schamroth，2009）。因此，改进和验证的医疗设备，例如心电图（ECG）或脑电图（EEG）被广泛用于实时监测患者的健康（ Banerjee 和 Mitra ， 2014 年 2 月 ） （ Schamroth ， 2009 ）（Goldberg，2010）。ECG是记录心脏电活动的一维信号，其随时间和人而变化（Buza和Schmidt-Thieme，2010）。ECG信号富含心脏的信息，*通讯作者。电子邮件地址：lakshmianand04@gmail.com（V. Bhagyalakshmi）。沙特国王大学负责同行审查心血管系统（Ramanujam和Padmavathi，2016）。单个心跳包括QRS波群、P波和T波，其中每一个都表示特定的任务。P波表示心房去极化，QRS波群表示心室去极化，T波表示心室复极化（Hollenberg和Walker，2005）。时间间隔的形状或持续时间的任何偏差都会导致称为心律失常的不规则心跳周期（Kusumoto，2009）（Elsayyad等人，2015年）。起搏细胞调节心脏的节律，这在正常情况下是有规律的。不规则心律的特征是心律失常，即心跳速率异常快或慢（Ramanujam和Padmavathi，2016）。在心律失常的严重情况下，心脏的泵送能力下降，导致呼吸困难，胸痛，疲劳和无意识，有时导致心脏病发作甚至死亡。因此，心律失常分类（Thomas等人，2015年4月; Elhaj等人，2016）是避免心律失常引起的不良影响的关键（Mitra和Samanta，2013）。心脏心律失常（Martis等人，2013a，b，c），心脏的不寻常的心脏病大致分为两大类。的https://doi.org/10.1016/j.jksuci.2018.02.0051319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com诉Bhagyalakshmi等人/Journal of King Saud University55最具威胁性和最迫切需要治疗的问题是心室纤维性颤动和心动过速，其被归为第一组，并且可以使用除颤器来解决（Chazal等人，2004年）。诊断心律失常的一般方法由心电图程序[ECG]提供（Li等人，2017年）。心律失常诊断的基础是识别正常与异常的个体心跳，并基于ECG形态将其正确分类为不同的诊断心跳可以细分为五类，即非异位、室上性异位、室性异位、融合和未知心跳。区分ECG上的这些心跳是具有挑战性的并且是耗时的，因为这些信号通常被噪声破坏。在（Acharya，2017）中，一个9层深度卷积神经网络（Ludwig等人，2014）用于识别ECG信号中的各种类型的心跳。对于心律失常的诊断（Martis等人，2014; Acharya，2017），ECG提供了有价值的信息，包括时间间隔和电活动的测量。时间间隔描绘了电信号通过心脏的持续时间，使得人们可以将心跳识别为正常或缓慢，快速或不规则。电导率的测量确保识别心脏的过大或过度工作的部分（Anuradha和Reddy，2005; Kohli等人，2010年）。 因此，医生可以使用在ECG记录系统的帮助下记录的长期ECG数据来诊断心律失常。ECG波形的形态被解释用于决定心跳是正常窦性心律还是心律失常的类别（Song等人，2005; Kohli等人，2010年）。心电信号分析的步骤是对心搏信号进行分割并根据特征进行分类，这使得人工操作非常复杂。因此，研究人员向自动心跳分类方法迈进（Chazal，2004; Li等人， 2017年）。对于ECG信号分类（Kaya和Pehlett，2015; Kaya等人，2017;Kaya和Pehlynn，2015），有两个主要步骤，即特征提取和特征选择（Kaya和Pehlynn，2015）。这些特征是从被视为压缩表象的表象模式中脱鞘而出的。在该步骤中，选择提取的特征以降低维度并确保过滤高度重要的特征。严格要求在特征选择过程最后，进行分类，其中所有相似的模式被分配到一个特定的类的基础上提取的功能（Engin，2004年）。对于有效的诊断，检测和分类起着主要的作用。为了区分正常和异常心跳，基于神经模糊（Engin，2004）和自组织映射（SOM）（ Mitra 等 人 ，2006 ） ; （ Chazal 等 人 ， 2004 ） ， 多 层 感 知 器（MLP）。基于PC的虚拟仪器（Josko和Rak，2005年）、线性相位数字滤波器的大规模集成实现（Raita-Aho等人，1994）、用于ECG描绘技术的隐马尔可夫树（Graja和Boucher，2005）以及在休息期间记录的标准12导联ECG（Chan等人，2008）（Biel等人， （2001）开发用于处理ECG信号。本工作的主要目的是对记录中的ECG信号进行准确分类，以识别信号是否为心律失常，从而使心脏病专家能够做出完美的诊断。所提出的方法节省了执行有效分类的时间。通常，信号的形状和持续时间定义心脏的情况，但是当与原始信号相比时，在ECG信号中的小变化的情况下可能发生错误。首先，对ECG信号进行特征提取，使得使用基于多分辨率小波的方法来识别波分量。最后，利用基于GB算法训练的SVNN进行分类，分类基于提取的ECG信号了GB-SVNN是执行心律失常分类的建议方法，其中GB优化算法能够实现权重的最佳选择。本文的贡献：GB算法是将遗传算法和蝙蝠优化算法相结合形成的一种算法，用于确定训练SVNN的最佳权重，用于心律失常分类。第一部分简要介绍了本论文的研究背景;第二部分通过对现有研究成果的分析，探讨了本论文面临的挑战。在第3节和第4节中逐步介绍了所提出的工作，讨论了所提出的工作的结果，并证明了工作的效率。最后，第五部分对本文进行了总结。2. 动机本节通过对现有方法及其缺点的深入了解，突出了本研究的动机。心律失常分类策略的挑战使得需要有效的分类标准。2.1. 文献综述Liu等人（2016）提出了一种用于ECG搏动分类中VQ特征提取的字典学习算法，该算法利用使用k-means++最佳确定的k-中心点聚类来开发字典。该方法的主要优点是滤除了脏数据的干扰，降低了维数。在这里，计算负担大于k-means聚类。Li等人（2017）利用并行通用回归神经网络（GRNN）进行心跳分类。该方法提高了医生的工作效率，降低了医院的计算成本。主要缺点是关于分类模型在实际访问时的性能较差。Swati Banerjee和Madhuchhanda Mitra（Banerjee和Mitra，2014）使用交叉小波变换（XWT）用于心电图的分类和分析，其中两个时域信号之间的互相关证明了两个信号之间的相似性。该分类方法计算时间短，但存在的主要缺点是存在电力线干扰噪声，对系统造成巨大的破坏。Chen等人（2017）使用ECG信号的投影和动态特征进行心跳分类。随机投影矩阵产生投影特征，并且加权RR间期定义动态特征。用于分类的分类器是支持向量机（SVM），提供了更好的性能的情况下相比，国家的最先进的方法。该方法无法在压缩域对心电信号进行分析。Kohli等人（2011）提出了基于支持向量机（SVM）的方法来对心电图（ECG）心律失常进行分类。一对多（OAA）的方法被认为是一种有效的方法，提供了更好的性能在分类的ECG数据与有效的训练系统。然而，使用其他标准数据集的高龄津贴的实施主要集中在未来.Mitra和Samanta（2013）采用增量反向传播神经网络（IBPLN）和该方法在平均分类精度方面取得了更好的性能，并使医生能够做出更好的决策。Homaeinezhad等人（2011）使用基于离散小波的模糊网络架构对心跳中存在的异常进行分类，以识别异常。该方法被认为是稳健的，但投入产出成员的选择56诉Bhagyalakshmi等人/Journal of King Saud UniversityK功能，这是该方法的主要缺点。Elsayyad等人（2015）利用C5.0决策树（DT）算法开发心律失常分类器，该分类器能够从复杂或不精确的数据中推导出信号的确切性质这种方法在非线性特征的情况下存在分类不当的问题Kaya和Pehran（2015）提出了一种用于从ECG信号分类PVC（室性早搏）心跳的方法。他们测试了不同降维技术的性能。该方法具有最高的精度。Kaya等人（2017）提出了一种通过应用特征提取、降维和分类方法进行心律失常分类的机器学习方法。这种分类方法将ECG搏动分为九种类型。该方法对心电图心律失常具有较好的分类精度。这种方法有助于心脏病学家确定心脏疾病。Thomas等人（2015）提出了基于双树复小波变换（DTCWT）的特征提取方法，用于心律失常的自动分类。在这里，特征集分类的多层反向传播神经网络。结果表明，该方法对MIT-BIH心律失常数据库中的5种心拍分类的 Elhaj等人（2016）分析了线性和非线性特征的表示能力，并提出了这些特征的集成，以增加ECG数据的分类。该技术通过集成的支持向量机和径向基函数方法以最大的准确度对N、S、V、F和U心律失常类别进行分类。Ahmad等人（2013年）提出了用于心律失常分类的笛卡尔遗传编程进化人工神经网络（CGPANN）。本文对心电信号进行预处理，得到有意义的参数，并应用于分类器.这些参数是从由Pan-Tompkins算法确定的ECG基准点的位置和幅度计算的。使用这些数据，训练网络并进行心律失常分类。2.2. 挑战ECG信号的形态和时间特征因患者而异，这在ECG搏动分类中构成了一个主要问题（Banerjee和Mitra，2014）。尽管心跳分类方法很多，但仍然存在三大挑战：主要挑战是关于当前心跳分类模型保持不变，并且它们依赖于一定的样本库训练。第二个挑战是考虑到实际应用中使用固定电流心跳分类模型，当患者持有训练样本中的巨大差异时，该模型突出了较差的性能。由于每个患者都具有独特的特征，因此需要机器学习模型来实现在线学习。医疗数据的积累使得作为使用患者的个体心跳特征开发的个性化自动分类的结果的个性化医学的可用性。此外，由于提供改进的采样率的ECG采集设备的出现，已经存储了大量的ECG数据，这在分析主题中构成了挑战，这似乎是耗时且复杂的（Li等人，2017年）。此外，这是不切实际的（Chen等人，2017年）。因此，执行个性化自动分类的压力仍然很高。与原始ECG信号相比，ECG信号中存在的小变化不能使用自动分类方法来检测（Elsayyad等人， 2015年）。现有的方法都是利用时间平面的特征，即ST段、R高度、T高度等来进行分类，从而产生了大规模的特征集。为了处理大维度特征，采用 了 导 致 计 算 复 杂 性 的 规 则 挖 掘 过 程 （ Banerjee 和 Mitra ，2014）。2.3. 问题陈述心律失常是由心脏的异常电活动产生的心脏状况，并且心电图（ECG）是心脏病专家用于确定心律失常或心脏异常的工具由于噪声的存在、心电信号的非平稳性和心跳的异常性，给临床医生对心律失常的诊断带来了困难因此，需要能够实现更高识别精度的计算机辅助诊断用于检测是否存在心律失常的心律失常分类基于对包含QRS波群、P波和T波的ECG信号的分析 PP间期、PR间期、RR间期、QT间期和R峰等波的形状和持续时间决定了心脏问题的程度，并能够为心脏疾病的诊断提供充分的条件。心率和ECG信号的形状在心脏病专家对ECG信号进行分类的过程中，由于ECG信号的相当大的变化，纯ECG信号的持续时间和形状如图所示。1.一、3. GB-SVNN：用于心律失常分类的心律失常分类变得非常重要，因为世界卫生组织（WHO）报告心脏衰竭的死亡人数为1730万人（Organization and Diseases，2013），使得可用的心脏治疗不能令人满意，特别是对于患有心脏病的老年人来说，无效。为了解决准确分类的问题，本文提出了一种基于支持向量神经网络（SVNN）的分类策略，该网络基于一种算法（GB）-遗传算法（GA）和蝙蝠算法（Bat）进行监督分类。所提出的方法减少了分类的分类错误，其分类是基于作为最佳解决方案的ECG信号的特征来执行的。所提出的心律失常分类的GB-SVNN方法如图2所示，它使用ECG信号的特征来区分正常信号和异常信号。主要步骤是利用ECG信号中的PP间期、PR间期、RR间期、QT间期和R峰以及其他特征（诸如均值、方差、能量、熵、标准差、偏度和峰度）的特征提取。GD算法基于特征训练SVNN，使得检测到异常的存在。让我们表示携带个体患者的ECG信号的患者记录患者记录表示为，p/fp1; p2;.. . ; pk;. ; png其中，n是指在记录中找到的患者总数。第k个患者p的ECG信号表示为Ek：1×u●●●●诉Bhagyalakshmi等人/Journal of King Saud University57kkkk1218345患者记录Gabor特征特征矩阵GB-SVNN用于心律失常分类多分辨率小波方法SVNNGB算法样本ECG信号遗传算法蝙蝠算法P波、QRS波群、T波PP间期、RR间期、QT间期、R峰、PR间期图1.一、正常的ECG信号描绘了一个心动周期的PP、PR、RR、QT间期和R峰图二、使用GB-SVNN的心律失常分类框图3.1. 波分量检测其中，q k;q k;. ;q，k是重建波的系数。12 8特征提取方法遵循基于多分辨率小波的方法（Mrs.和Mitra，2010），其中将八级分解应用于第k个患者的ECG信号D[Ek]，其确定八个小波级。采用正交Daubechis6小波对心电信号进行8级小波分解，得到8个尺度的细节系数。较小的尺度对应于高频分量，较高的尺度对应于信号的低频分量。该方法根据信号不同部分的功率谱选择重构尺度，在提取单个波或波群的同时，消除不同的噪声和伪影以及信号另一部分的干扰QRS波群具有低频。因此，ECG信号的低频分量使用更高程度的分解水平。分解的结果在Eq. （二）、与第k个患者的ECG信号相对应。检测ECG波的过程如下：首先，通过适当选择小波系数检测R峰，然后使用五点微分概念遇到Q和S点。最后，确定T点和S点的小波系数。3.1.1. R峰八级分解产生高频和低频分量，其中前四个尺度是ECG信号的高频分量，而其他四个尺度是ECG信号的低频分量。从能量谱可以清楚地看出，QRS波群的能量取决于分量水平三、四和五，而所有其他分解水平在QRS的检测期间表现为噪声。因此，用于检测QRS波群的重建波被给出为，½q;q;.. . ;q]¼D½E]102mmlk<$qk qkqkð3Þ58诉Bhagyalakshmi等人/Journal of King Saud UniversityK2ð Þ ¼vX1¼英寸ÞvKK32345vKK467vKKl¼日ð þÞKKKKk k kv其中，q3<$q4<$q5是重建波的系数PP1X1/2Pe-Pe1]9KK与第k个患者的ECG信号相对应。用于检测R峰，在等式中提到的重建波。（4）是因为在QRS波群中存在振荡。qk×qkqkve¼1其中，Pe对应于与e对应的PP第k个患者的P点数量。PeR1表示PP化合物，k4 3 52mð4ÞK对应于第k个患者的第101个点的点的PPm表示分解的级别，并且在v个点的该间隔中，m=8被平均以形成PP特征。本文确定了模jlk×lkj，123.2.1.2. PR间期。 PR间隔表示时间间隔最大振幅表示R峰。R波的准确识别对于进行有效的特征提取是必不可少的，为此使用基于选择性系数的方法，该方法使得能够根据波的功率谱来最佳地选择波系数。这种方法减少了检测准确R峰的误差。在第e个P波之间， 点和R波e1点。换句话说，PR间期是该点的P波和连续点的R波之间的持续时间确定总点数的平均值以呈现ECG信号的PR特征。3.1.2. Q波和S波完整的QRS波群是通过检测QPR¼ fPR e;16e6vvð10Þ和S点，然后识别R峰。Q和SGIES集中在小尺度小波上，因此，低尺度重构系数被用于波重构，PR¼1X½Pe-Re1]11其中，Pe是第k个患者的第e个点的P波 R e1是第k名患者的第11个点的R波。lkqkqkq kqk5将五点微分应用于上述方程以消除高频噪声。在第k个患者的ECG信号中存在连续的R波所有v个点的RR间隔被确定并平均以形成ECG信号的RR特征。d0y-dy2s 8dys- 8dy-sdy- 2s12sð6ÞRR¼ fRRe;16e6vð12Þ其中，s表示时分。的EQ。使用（6）对（5）进行微分，R峰的任一侧被识别为Q波和S波。RR1X 1/2Re-Re1]13mme¼1其中，Re是第k个患者的第e个点的R波Re 1是R3.1.3. T波和P波第六和第七重建系数用于检测T波和P波，因为它们的能量位于最后三个尺度水平上。用于检测T波和P波的重建波是，K K第k个病人的第11个点的心电图波3.2.1.4. QT间期。QT间期是指第k个ECG信号的Q波和T波lk<$qkqkð7Þ病人最后，在ECG信号中存在的所有QT间期都可以被计算出来。对第k个患者进行平均以呈现ECG信号的QT特征在检测到S点之后不久，T波被检测为最大点，并且具有最小电位的交叉点被检测为最大时间间隔被识别为T偏移和T起始点。的情况下QT¼f;16e6vvð14Þ心肌问题，检测T波是有风险的，在这种情况下，在这种情况下，在应用特征之前注意T波的形状抽取算法在预定义的间隔中T波的幅度和符号定义T波的性质，并且相同的过程被应用于检测P波。一旦区分了P波、QRS波群和T波，就可以确定随后的间期，如下节所示。随后的间隔如图所示。1.一、3.2. 心电信号的特征矩阵构造使用时间间隔特征来开发特征矩阵，并且下面清楚地提供了在ECG信号特征的提取中涉及的Gabor特征和步骤3.2.1. 波形特征生成3.2.1.1. PP间期。PP间期是ECG信号中出现的两个连续P波之间的持续时间。让我们假设P点的数量在1和v之间变化，如公式中所述。（八）、PP¼ fPP e;16e6v8QT¼1X½Qe-Te1]15e¼1其中，v是第k个患者的ECG信号中存在的点的数量Qe是第k个患者的第e个点的Q波 T e1是第k位患者的T e 1点的T波。3.2.1.5. R峰。 R峰是R波的最大幅度值，其被平均以形成ECG信号的R峰特征vR Re16ve¼1因此，波特征由所有持续时间特征组成，例如PP间期、PR间期、RR间期、QT间期和对应于ECG中存在的v个第k个患者的信号表示为，Xk½ fPPk;PRk;RRk;QTk;Rkg =17mm其中，Xk是指从ECG信号第k个病人，其维数是1/2×5]。n个患者的特征向量的尺寸由1/2n×5给出]：波具有高频率和低振幅，e¼13.2.1.3. RR间期。 RR间期是两个事件诉Bhagyalakshmi等人/Journal of King Saud University59KJ“的。XJnKKKKnk¼13.2.2. 基于Gabor滤波器的将患者的ECG信号提供给Gabor滤波器以用于提取特征，诸如均值、方差、标准差、能量、熵、偏度和峰度。Gabor滤波器是用于访问纹理的带通滤波器，并且使用Gabor滤波器的主要优点是，它具有在空间上和空间上呈现信号的最佳特性的能力。和时域。此外，这些滤波器减少了时间和空间中普遍存在的Gabor滤波的结果在等式中描绘（18）和（19）。Jk<$G½Ek]18d ¼本征值W×WT22mmd最大值<$$>最大值<$;d最小值< $最小值<$23毫米3.3.3. 心律失常分类本节介绍了所提出的算法的算法步骤的深刻见解3.3.3.1. SVNN的架构。图4示出了SVNN的架构，其包括三层，即输入层、隐藏层和具有偏置的输出层。SVNN的输入是所使用的ECG信号的提取特征我是说K瓦尔河k熵k能K圣丹达拉德河k偏度峰度gð19Þ用于执行心律失常分类，并且SVNN的输入在等式2中描述。（20）.隐藏层表示为，HH和H是指存在的隐藏层的总数在SVNN。隐藏层的权重表示为3.2.3. 特征集成特征矩阵包括时间间隔特征，并且并且网络对隐层和输出层都有偏置。因此，SVNN的输出表示为，使用Gabor滤波器提取的Gabor特征和使用基于多分辨率小波的方法获得的ECG波。现在，特征向量被给出为，Ok¼WH×logsig12第1页fkωWj！B1#B2fk½X;I]20mm其中，B1和B2是输入层和输出层的偏置。fk是对应于第k个患者的特征向量，其中，时间间隔特征的维度是，1/2Xk]1/21×5]，并且Gabor特征的维度是，1/2Ik]1/21×7]：因此，第k个患者的特征向量的维度是，1/21×1 2]。3.3. 用于ECG信号中心律失常分类的GB-SVNN在本节中，提出了所提出的GB-SVNN，并且清楚地提供了基于GB优化算法生成最优权重的步骤。所提出的算法是有意义的，因为它能够确定高质量的最优权重，用于训练SVNN在执行心律失常的最佳3.3.1. 解编码解决方案编码是使用所提出的GB优化算法生成的解决方案的表示，图3示出了解决方案向量。该算法确定了最佳的权重，用于训练SVNN在获得类值的心律失常分类。解向量的维数为[1× 15]。3.3.2. 适应度函数适应度函数的设计是基于Eq。（21）其目标是适应性度量的最大值。适应度测量被设计用于使用任何算法的最优权重更新和用于选择权重更新的过程。适应度函数由下式给出，F¼dmaxdminCXjOk-Oωj21其中，Oωk表示基础数据的类值，Ok表示SVNN的估计输出，n表示记录中存在的训练样本总数或患者数量。正则化因子表示为C。图三.建议的GB-SVNN的解决方案编码。16k6n，Wj表示输入层的权重，第一节;第二节. ：;12，WH表示隐藏层的权重。3.3.3.2. 训练算法：- GB优化算法。影响神经网络分类成功的参数之一是网络中使用的权重。发现这些权重的最佳值是很棘手的，最佳值是由搜索或训练算法确定的。有多种算法用于训练神经网络。所提出的方法利用GA和Bat优化算法（Yang，2010）来确定用于训练SVNN的最佳权重。遗传算法在降低求解成本的前提下，能最大限度地逼近问题，具有生成高质量解的趋势。由于遗传学和神经网络有着广泛的实际应用领域，因此它存在着各种各样的缺点。因此，我们结合蝙蝠算法和遗传算法来确定最优权重。Bat算法是杨新社于2010年提出的一它的灵感来自于微型蝙蝠的回声定位行为，具有不同的脉冲发射率和响度。微型蝙蝠回声定位的理想化描述如下：每只蝙蝠都利用回声定位来感知距离，它们熟悉食物/猎物和背景障碍之间的区别。蝙蝠以固定的频率、不同的波长和音量随机飞行以寻找猎物。每只蝙蝠都能根据目标的远近来在Bat算法中，搜索过程通过局部随机游走来加强选择过程继续，直到满足停止标准蝙蝠群的动态行为由频率调谐方法控制，并且探索和利用之间的平衡由调谐蝙蝠算法中的算法相关参数与ABC（Kumarand Kumar，2016）、PSO、GA等算法相比，蝙蝠算法具有最高的分类精度。所提出的算法确定了高质量的最佳权重，用于训练SVNN进行心律失常的最佳分类。本文提出的训练算法是将遗传算法和蝙蝠算法相结合的GB优化算法，它结合了两种算法的优点GB优化算法是更有利的，因为它具有自动放大到最佳解决方案可能存在的区域;J;J;J;J;J;J60诉Bhagyalakshmi等人/Journal of King Saud University我-半]2½]见图4。 SVNN的架构定位具有自动收敛的最优解，并确定具有高质量的全局最优解。该算法具有简单、灵活、易于实现、收敛速度快、能解决非线性问题等优点。此外，它还具有生成更多解的能力，从而可以确定高度准确的解。遗传算法是一种受自然选择启发的启发式算法，它具有使用父染色体生成高质量解的倾向，本文基于两个不同的指标选择父染色体每个亲本染色体都具有不同的属性，这些属性被突变以产生高质量的后代，从而产生最佳解决方案。蝙蝠算法依赖于蝙蝠的回声定位，因为它们具有识别猎物，检测障碍物的存在，猎物的速度，和不同的-适应度度量：适应度函数是为了获得最大值而设计的。最初，单独确定使用BA和GA生成的解决方案的适应度，并比较适应度，使得权重更新基于保持最大适应度值的算法。- 交叉：使用GA算法的权重更新基于等式（26）. 为了生成新的解，选择来自两个不同索引的染色体，并且参数a和b指示染色体的索引。换句话说，来自索引a的染色体的50%和来自索引b的染色体的50%被选择为亲本，并且被组合以表示新的解。Ccrossovercrossot1000cCacrossot1000-ccCbcrossot2000aroundn1eKr1-1127吃的猎物的类型。回波发射之间的时间偏差为-¼蝙蝠接受的信息对于确定- -×eK -1个月Þ从蝙蝠的位置到猎物的位置，以及回声信号的传播距离取决于波的频率让b¼roundpop-捷克克朗2 1K-11ð28Þ我们将蝙蝠的随机速度定义为，V1以固定频率dmin出现在随机位置Z1，其波长和响度变化以确定猎物的位置。因此，球棒的最佳位置由球棒基于由它们产生的回波的频率的优化来提供3.3.3.2.1. GB优化算法中涉及的步骤。以下是GB优化所涉及的步骤：优化算法中的主要步骤是初始化，初始化优化问题中首先，解决方案是gen-以确定最佳权重。其中，r1和r2是在0之间变化的随机数;1和K表示选择压力。K构成的值越大，指数a和b的值越大，使得色度-有些排在第一位，是一个更好的解决方案。c表示随机数，c0; 1：基于BA优化算法的权值更新：使用Bat算法的更新遵循Eq. （29）这取决于蝙蝠在先前迭代中的位置和蝙蝠在蝙蝠当前位置Cbatt1CbattVit1 29Ct¼ fCt;16i6zg25我V t1我V tC最佳D30我式中，z为染色体总数，Ci为1/21×1 5]。我的 þÞ ¼ii-]× iÞdi¼d min最大值d最大值-d最小值b31Σ诉Bhagyalakshmi等人/Journal of King Saud University61我我我我我我我其中，b是指随机向量，并且b2½0;1]。di表示，其中，F½Ccrossoverver[f]是指解的适应度值frequenc y. V t1 是当前迭代的速度，Vt使用GA确定，F½Cba t确定适应度表示前一次迭代的速度。Cbest表示使用BA确定的当前最佳解决方案。使用所提出的GB优化算法计算SVNN的权重：在本小节中讨论所提出的算法的主要部分。使用所提出的GB优化算法来最佳地确定权重，使得SVNN提供准确的分类结果。使用GA和BA来确定解决方案，并且评估解决方案的适应度，使得对应于适应度度量的最大值的算法用于更新SVNN的权重如果使用GA确定的解决方案的适应度大于GA的解决方案向量被用来更新SVNN的权重如果BA优化-的最大值，那么，BA优化-使用BA确定的新解决方案。C crossovercrossot100 and是使用GA和BA的当前迭代的解。3.3.3.3. GB-SVNN的测试阶段。每当测试信号到达用于心律失常检测的GB-SVNN分类器时，基于等式（24）通过从ECG信号提取特征向量来计算SVNN的输出。如果网络的输出结果为1，则其指示心律失常的存在和心律失常的不存在，在零的情况下作为SVNN的输出。的更新SVNN的权重O测试¼。1;心律失常ð33Þ（Ccrossovercrossut）;ifF½Ccrossovercrossot1]>F½Cbatcrossot1]k0;无心律失常Cit1i我我Cbatt1;否则ð32Þ所提出的使用GB-SVNN的分类方法在对ECG信号进行分类时表现为有效的，使得这使得心脏病专家能够进行有效的决策。用于心律失常分类的拟定GB-SVNN1输入：ECG信号，Ek2输出：ECG信号的心律失常分类3开始4阅读：5生成特征，fk Xk，Ik6//GB-SVNN训练和分类。7初始化染色体，Ct Ct我;1我 z8利用遗传算法选择最佳染色体C交叉t1C t1C ti a b9计算GA的适应度10使用BA确定蝙蝠的最佳位置Cbat t1Cbat t V t 1我我我11计算BA的适应度12//计算最优权重13如果F C交叉 t1我F C蝙蝠T我114{15Cit1C交叉我不 116其他17Ci t1Cbat t我118}19应用最佳权重来训练SVNN。20//心律失常分类21如果O测试K122{23存在心律失常24其他25无心律失常26}27端图五. 伪码的提出的心律失常分类方法。62诉Bhagyalakshmi等人/Journal of King Saud University¼¼ðÞ¼ðÞ图5示出了用于心律失常分类的伪代码。首先，提取包括ECG的时间间隔特征和Gabor特征的特征，使得分类基于这些特征。SVNN使用GB算法训练网络，权值的选择基于最大适应度度量。 最后，GB-SVNN提供了对ECG信号中心律失常的有效和准确的分类。4. 结果本节介绍了所提出的方法的实验分析以及性能分析，以深入了解所提出的GB-SVNN。对比分析证明了该方法的优越性。4.1. 实验装置该方法在MATLAB 2015中实现。4.4. 实验分析本节提供了所提出的方法的实验分析，其突出了正常ECG的信号和受心律失常影响的信号的差异。图6a、c、e、g、i和k示出了原始ECG信号以及R峰、Q、S、T和P波，而图6b、d、f、h、J和l示出了受心律失常影响的ECG信号及其对应的波。4.5. 竞争方法用于比较的方法包括KNN、NN（Mitra和Samanta，2013）、模糊减法聚类（Homaeinezhad等人，2011）、SVNN（Kohli等人，2010年），这使得能够证明所提出的GB-SVNN的有效性。4.6. 性能度量4.6.1. 精度它是检测正确性的衡量标准，环境与使用2 GB RAM、Intel Core处理器和Windows 10操作系统的个人计算机。精度TNTPTN��ð34Þ4.2. 数据集描述用于分析和分类的数据集是MIT-BIH心律失常数据库（Moody和Mark，2001）和MIT-BIH正常窦性心律数据库（Goldberger等人，2000年）。MIT-BIH正常窦性心律数据库（Goldberger等人，2000）由从波士顿贝斯以色列医院（现贝斯以色列女执事医疗中心）的心律失常实验室获得的18个长期ECG记录组成。数据库中考虑的人包括5名男性和13名女性，年龄分别在26来自波士顿Beth Israel医院的MIT-BIH心律失常数据库（Moody和Mark，2001）拥有48个半小时的双通道动态ECG记录摘录，1975年和1979年的47人，报告以每通道每秒360个样本的速度数字化，分辨率为10 mV范围内的11位。MIT-BIH心律失常数据库包含从1975年至1979年期间BIH心律失常实验室研究的47名受试者中获得的48个半小时双通道动态ECG记录摘录。从波士顿贝斯以色列医院的住院患者（约60%）和门诊患者（约40%）的混合人群中收集的一组4000个24小时动态ECG记录中随机选择23个记录;从同一组中选择其余25个记录，以包括较少常见但临床显著的心律失常，这些心律失常在小随机样本中无法很好地代表。在我们的实验中，使用了18个正常和48个异常文件在每个信号文件中，使用正常和心律失常搏动4.3. 待修复明白了表1表1参数说明。参数值染色体总数（z）10正则化因子（C）90选择压力（k）0分解程度（m）8其中，TP为真阳性，TN为真阴性，FN为假阴性，FP为假阳性。4.6.2. 灵敏度灵敏度表示明确识别的真阳性，并给出为，灵敏度TP35TPFFN4.6.3. 特异性准确的真阴性由特异性提供，并表示为，专属性TN36公司简介4.7. 基于人口规模通过考虑从MIT-BIH心律失常数据库中获取的18个正常和48个心律失常类，通过将数据的训练百分比从40改变到80来进行实验最初，正常（7个信号文件）和异常搏动（19个信号文件）的40%被用于训练，正常（11个信号文件）和异常搏动（29个信号文件）的60%被用于测试。类似地，对于50%、60%、70%和80%的训练数据，进行实验。在本节中，表2中描绘了基于群体大小700使用生物医学+GB-SVNN、统计+SVNN和混合+GB-SVNN的性能分析。对于分析，三种类型的信号被认为是包括生物医学，统计，和混合信号。对于40%的训练数据，使用生物医学信号的准确率为0.9519，当使用统计信号时为0.69，当使用包括生物医学信号和统计信号的混合信号时为0.75。随着训练数据的增加，所提出的方法使用生物医学，统计和混合信号的准确性被发现增加。最后，当训练数据为80%时，使用生物医学信号、统计信号和混合信号的准确率分别为0.9652、0.9457和0.975。它的结论是，使用混合信号的分类的准确性似乎更高。诉Bhagyalakshmi等人/Journal of King Saud University63a) 原始ECG信号b）具有心律失常c）原始ECG信号的R峰d）具有心律失常的e）原始ECG信号的Q峰f）具有心律失常见图6。心律失常分类的样本实验分析。使用生物医学信号的灵敏度比率被获得为：0.98 对于40%的训练数据，当使用统计信号时为0.6305，当使用包括生物医学信号和统计信号的混合信号时为0.81。随着训练数据的增加，所提出的方法使用生物医学，统计和混合信号