自适应细菌觅食优化算法和神经网络诊断心脏疾病的研究

埃及信息学杂志（2017）18，67开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com利用自适应细菌觅食优化和神经网络Padmavthi Koraa，*， Sri Rama Krishna Kalvaba印度海得拉巴Gokraju Rangaraju工程技术学院欧洲经委会系b部印度维杰亚瓦达，V R Siddhartha工程学院接收日期：2015年4月7日;修订日期：2016年3月23日;接受日期：2016年4月24日2016年6月6日在线发布摘要医学工作者通过研究从心电图（ECG）采集的数据来分析人体心脏的电活动，从而预测各种疾病束支传导阻滞（BBB）是一种心脏病，当电脉冲的路径上有障碍时发生这种异常使心脏跳动不规则，因为心脏分支中存在阻塞，这导致脉搏比平常慢我们目前的研究是利用自适应细菌觅食优化算法（ABFO）来诊断这种心脏问题从MIT/BIH心律失常BBB数据库收集的数据应用于ABFO算法，以从每个ECG搏动获得最佳（重要）特征。这些特征后来被馈送到基于Levenberg Marquardt神经网络（LMNN）的分类器。实验结果表明，本文提出的基于ABFO的分类算法优于文献中报道的一些新算法©2016制作和主办由Elsevier B.V.代表计算机与信息学院开罗大学。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/）。1. 介绍在全球范围内，心脏病是人类死亡的最普遍原因。每年有940万人死于*通讯作者。开罗大学计算机和信息系负责同行审查。高血压（BP），包括51%死于中风和45%死于冠心病。大多数心脏病都是由风险因素引起的，如饮食不均衡、高血压、吸烟、肥胖、糖尿病和缺乏体育活动。当心脏内电脉冲的传导路径出现阻滞时，就会发生血脑屏障血脑屏障使心脏难以有效地泵血通过心脏循环系统，因为脉冲偏离了优选的路径。这种延迟可以通过ECG的变化观察到。有两种类型的BBB：左束支阻滞（LBBB）和右束支阻滞http://dx.doi.org/10.1016/j.eij.2016.04.0041110-8665© 2016制作和主办Elsevier B. V.代表开罗大学计算机和信息学院这是一篇基于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关键词心电图;束支传导阻滞;LMNN;MIT–BIH68P. Kora，S.R.K. 卡尔瓦（RBBB）。左束支传导阻滞（LBBB）的心电图改变是● QRS波群持续时间增加（>0.12 s）。● Q波振幅增加。● T波异常。● 右束支传导阻滞（RBBB）的ECG变化● QRS波群持续时间增加（>0.12 s）。● RSR● T波倒置如图1A和1B所示。 一比三心电图是分析心脏异常的经济有效的工具心脏病的诊断由医生通过遵循标准规则集（变化）完成。在这个项目中，我们的目标是使上述过程自动化，以便正确诊断BBB疾病良好的性能取决于有效和准确的ECG特征检测本文采用ABFO技术作为特征提取（优化）技术.近年来，许多基于生物进化行为的模型被提出，并被应用于解决现实世界中的实际问题。其中，细菌觅食优化（BFO）[27-29]可能是一种基于种群的搜索优化技术。细菌饲料活性的大肠杆菌（E。大肠杆菌）细菌被广泛用作解决许多工程应用的模型。近年来，BFO已成功地应用于谐波估计[5]、优化管理[7]、减少机器学习和传输损耗[6，25，26，34]等工程概念。在[9，10]中解释了通过经典梯度下降搜索算法对模拟趋化性的科学分析。分析表明，与固定步长相比，改变趋化性步长可以导致更好的收敛。的自适应计划，提出了自动调整的步长，是简单的，不施加任何额外的负担，BFO算法关于过多的功能。一些研究人员已经研究了确定性和随机梯度下降优化算法中步长的自适应[11-16]图1正常搏动。图2左束支传导阻滞。图3右束支传导阻滞。in the context上下文of training训练neural神经network网络. 与[11-它们完全基于个体的适应度信息，避免了在最优值附近的任何振荡行为，加速了细菌向最优值的收敛。所提出的ABFO与遗传算法（GA）[20，21，4，19]进行了比较，遗传算法是一种用于优化ECG特征的传统算法，其性能指标包括收敛速度和最终输出的准确性。使用神经网络模糊学习的细菌觅食特征分类在[8]中实现。本文的布局安排如下。在第二节中，我们概述了心电图的预处理，如数据采集，去噪和分割的心拍。在第三节中，我们解释了经典的BFO算法和对BFO算法的修改。第4节提供了ABFO特征的分类。第5节包含结果，第6节和第7节提供讨论和结论。图1所示的分类流程图。 四、束支传导阻滞69表1MIT–BIH record记录NBLBBBRBBB100223700011858001032080001061505001090249001110212101180021641231513001240015292070145785总377860689193图4ECG分类流程图。16001400120010008006002. ECG数据2.1. 数据采集从MIT-BIH心律失常数据库[30]中收集分类数据每个类别中的节拍总数如表1所示。2.2. 噪声去除和节拍分割为了消除信号中存在的基线漂移，使用Sgolay FIR平滑滤波器，如图所示。 五、RR间期是两个R峰之间的距离。将R峰左侧1/3的RR间期样本和R峰右侧2/3的RR间期样本视为一次搏动。不同的患者有不同的RR间期。每个ECG搏动被重新采样为200个样本，以便易于处理它们。RR间期的1/3：（R峰）：RR间期的2/3。3. 细菌觅食优化E. 大肠杆菌[24]被用作提取（优化）ECG特征的灵感。特征选择可能是机器学习中的一个国际性优化问题。它减少了特征的数量，这些特征是冗余的和有噪声的，从而导致可接受的精度。Passino[2，3]在2002年提出的细菌觅食优化（BFO）依赖于倾向于用低搜索方法去除生物体的选择。几个世代的不良觅食方法已被淘汰，而只有良好的搜索策略的生物生存，因为他们是最适合的。BFO制定了搜索4002000-2000 100020003000400050006000700080009000 10000时间图5 ECG基线漂移去除，向上信号：原始信号，向下信号：基线漂移去除信号。行为表现为E. coli来解决优化问题。某些现实世界的优化问题[33]，据报道，BFO在最终精度方面优于几个强大的优化算法。细菌随机移动，寻找有利于增加营养的方向因此，当成本函数的梯度未知时，这种优化技术是有用的BFO是好的，因为它的数学复杂性较低 BFO是一个非梯度优化问题，其启发来自于E。大肠杆菌微生物，因为它最大限度地提高其能量摄入每单位时间花费在搜索。每单位面积细菌的三个操作步骤是(a) 趋化(b) 蜂拥(c) 再现(a) 趋化性：E. 大肠杆菌的鞭毛可以通过两个步骤来解释，游泳和翻滚。基本上，E.大肠杆菌会以两种不同的方式移动。它将在同一方向内游泳一段时间，或者它将翻滚（改变方向）。它将在这两个振幅70P. Kora，S.R.K. 卡尔瓦ð þ Þ¼ ð Þþð Þ-XH2-在其整个生命周期的运作模式。 假设x（i）代表第i个细菌，C是在由游程长度指定的随机方向上采取的步长，在趋化过程中，细菌的x（ i+1）也可以由下式给出：x i1x i C iDelMar德尔泰希山ð1Þ其中，“De 1”表示在随机方向上的向量，其元素位于1到1中。模拟E.大肠杆菌可以被看作是一个随机的爬山。(b) 群集：在E. 如在几个物种中一样，观察到大肠杆菌细菌群行为，其中在半固体营养培养基中形成复杂和稳定的时空群。急诊大肠杆菌形成一个环状的移动圈，向下移动到有营养的食物中。E. 大肠杆菌在高浓度琥珀酸的刺激下，释放出一种引诱剂天冬氨酸，这有助于它们形成群体，从而以高密度的同轴模式成群移动。通过以下目标函数计算每种细菌的细胞与细胞适合度Dfx100. x-x22I1þðxi-1Þið2Þ吉吉1/1其中d是维度，xi是第i个细菌。(c) 繁殖：不健康的细菌最终死亡，而剩余的健康细菌（产生更高成本函数值的细菌）无性分裂成2个细菌，然后放置在同一位置，并保持群体大小恒定。3.1. BFO算法下面给出了使用BFO进行特征优化的完整伪代码，BFO算法的流程图如图所示。第六章步骤1设置BFO参数。N：群体中的细菌数量。Nc：趋化性步骤计数。Nre：总繁殖步骤。n：问题的维度。Ned：消除扩散事件的总数。Ped：消除扩散的概率C（i）：翻滚时的步长。第2步开始消除分散循环。步骤3对于每个再现步骤执行以下操作。步骤4对于每个趋化性步骤，执行以下操作。(i) 计算初始种群的适应度函数（J），使用公式：（二）、(ii) 设置Jlast=J保持这个值。(iii) 翻滚：创建一个从1到1的随机矢量增量。(iv) 移动：使用等式C（i），让细菌移动到步长为C（i）的位置（1）称为翻滚。(v) 再次游泳(a) m = 0。图6 BFO流程图。(b) 而mNs（如果没有爬太久）。<(c) m= m +1。(d) 如果J（i）>J last（如果做得好）。(e) 再次使用Eq. （一）.用这个J来计算新的 J ， 如 第 （ iv ） 点 所 示 。 设 Jlast=J（i）。(f) 否则，设m=Ns; while语句的结束。(g) 转到下一个细菌，即转到（i）以计算下一个细菌。5.趋化循环结束？如果否，重复步骤4。第6步开始复制循环。(i) 通过找到每个细菌的最大成本值来计算每个细菌的健康状况(ii) 具有最低J健康值的细菌死亡，并且具有最佳值的剩余细菌分裂成两种细菌，从而使细菌的数量恒定。3.2. 自适应BFO：我们的贡献具有固定步长C（i）的BFO存在两个主要问题[1]：束支传导阻滞71BBBCC@01BBCCBCCCCACACA如果步长很大，则虽然细菌很快到达最佳点附近，但精度会下降。它在剩余趋化步骤的最大值附近移动。已经对上述数据进行了转置，使得矩阵的行表示特征。0细菌1如果步长很小，则需要许多趋化步骤才能到达最佳点。因此收敛速度降低。它可能不会达到最佳点使用少量的迭代。因此，为了提高收敛速度和减少最终输出的误差，步长起着主要作用。因此需要调整步长-数据T¼B@f1f1f1f1f1f2f2f2f2f2f3f3f3 f3f3 f3f4f4f4 f4 f4 f4f5f5 f5 f5 f5 f5f6f6 f6 f6 f6 f6大小取决于细菌与最佳点之间的距离。如果变化非常高，则步长要增加，如果偏差小，表明细菌接近最佳点，则步长必须减小。在这里，自适应增量模的原理-在这里，我们的目标是减少特征（行），以保持人口的大小在应用ABFO算法之后，特征被减少，如下面的矩阵中所示0细菌1控制步长。在自适应增量调制中，对实际信号和信号预测值之间的误差进行积分，然后将积分器的输出作为压控振荡器的输入数据T¼Bf2f2f2f2f2f1f1f1f1f1f3f3 f3 f3f3 f3(VCO)来调整步长。自适应步长的程序如图所示。第七章X：要优化的参数。E（j）：与期望值的偏差。C（i，j）：根据先前步骤中的偏差，在每个趋化性步骤中要修改的步长。在这里，我们在最后的趋化步骤中取偏差，并乘以前一步的步长。乘数相应地增大或减小步长。下一步的X是通过将步长加到前一个值上来获得的。3.3. 心电图特征提取2002年，Passino通过模仿E. 大肠杆菌细菌存在于我们的中间染色。下面的矩阵显示有N个细菌，每个细菌具有六个特征。通过使用ABFO算法[31，32，35]，可以通过仅采用具有良好适应度策略的特征来减小特征的大小0细菌1f 1F2F3f4F5f61具有最低健康值的要素将死亡，其余特征按照其成本值（健康状态）的降序放置再次找到上述矩阵的转置为细菌1F2f1 f3–F2f1 f3数据Tf1 f3–F2f1 f3B@细菌NF2 f1 f3CAECG搏动特征优化为20个特征。ABFO为分类提供了优化的特征（最佳特征）。优化前的ECG搏动特征=[123. 200]。使用ABFO算法优化的ECG特征（20个特征）为[6768666965707164726373627461607559765877]。4. BP神经网络反向传播神经网络（BPNN）[23]广泛用于机器学习应用。BPNN结构由互连层组成：输入层，隐藏层（一个或多个）和输出层。输入层的输入由数据¼BB@–f1 f2 f3 f4 f5 f6–f1f2 f3 f4 f5 f6–f 1 f 2 f 3 f 4 f 5 f 6细菌Nf 1F2F3f4F5F6外部来源。输入和输出之间的内在联系-由隐藏层提供放置层。神经网络的输出结果可以从输出层获取，如图所示。 八、其中f1，f2，f3，f4和f5是每种细菌的特征在这项研究中，ABFO算法用于减少特征（而不是减少细菌种群）。所以我们图7自适应步长过程。4.1. Levenberg–Marquardt在这项工作中，BBB的检测，反向传播Levenberg-Marquardt神经网络（LMNN）。该NN提供了待训练网络的快速执行。为了测试该算法的性能，标量共轭梯度（SCG）神经网络和LMNN。LMNN算法是一种稳健且非常简单的函数近似方法[36]。LMNN[22]给出了在参数空间上最小化非线性函数的数值解LMNN是高斯-牛顿法的一种替代方法SCG神经网络●●●●●72P. Kora，S.R.K. 卡尔瓦¼●●¼ ×ð Þ¼表3 GA、BFO和ABFO与SCG NN分类器的准确性比较。分类器森（%）Spe（%）准确度（%）GA+ SCG神经网络98.297.297.9BFO+ SCG NN96.595.595.6ABFO+ SCG NN96.796.798.1灵敏度真阳性真阳性假阳性ð4Þ图8前馈反向传播神经网络。方法提供共轭搜索方向，而不是执行线性搜索。通过将总迭代次数设置为1000次，在最小时间要求下均方误差小于0.001，相应地使用12，692和6347个ECG搏动执行网络训练和测试5. 结果将ABFO的性能与遗传算法（GA）和BFO优化技术进行比较，结果见表2。使用SCG NN、LM NN对ABFO和GA特征进行分类，如表3所示：● 用于分类的正常心搏计数● 用于分类的RBBB搏动计数● 用于分类的LBBB搏动计数● 用于分类的心跳总数● 正确分类的心跳数● 总错误分类心跳对于测量准确度，使用以下公式计算两个参数灵敏度（Sen）和特异性（Spe）：精度T P -20001005TPTN FP FN● TP（真阳性）=正确分类的正常搏动。TN（真阴性）=正确分类的异常搏动。FP（假阳性）=归类为异常的正常心搏计数。FN（假阴性）=归类为正常的异常搏动计数。在训练中，我们应用多层NN，检查网络性能，并决定是否对训练过程或数据集、网络架构进行任何更改。首先，检查训练记录，'trainlm'Matlab函数。属性training指示迭代达到验证性能达到最小值的点。在停止之前，训练持续了16次迭代下一步是验证网络，即epoch与均方误差（MSE）的关系图，它显示了网络epoch数与MSE之间的关系，如图9所示。如果训练是完美的，网络输出和目标是完全相等的，但这在实践中很少见。6. 讨论并与小波变换（WT）、连续小波变换（CWT）、小波变换（Wavelet Transform，Wavelet Transform）、特异性真阴性阴性鉴别真阴性样本假阳性样本ð3Þ表2 GA、BFO和ABFO与LM NN分类器的准确性比较。分类器森（%）Spe（%）准确度（%）GA+ LM神经网络98.598.297.1BFO+ LM NN96.596.296.1ABFO+ LM NN98.598.998.74图9神经网络训练性能图。●束支传导阻滞73表4血脑屏障检测的比较研究研究方法准确度（%）Yu等人[37个]WT和PNN98.39Kutlu等人[38个]CWT97.3Ceylan等人[39]第三十九届重量98.1Kora等人[36个]BFPSO98.1该方法ABFO98.74概率神经网络（PNN）和混合细菌觅食和粒子群优化算法（BFPSO）的分类性能进行了比较。[39]中的工作探索了使用WT提取相关特征和基于KNN的分类器检测BBB的实验研究。[38]中提出的工作使用形态学特征进行SVM分类。[37]中提出的工作使用来自MIT/BIH存储库的心律失常数据集，提取了20个形态和小波特征，然后将PNN用于监督学习和分类。[36]中的工作探索了使用混合BFPSO提取相关特征的 实验 研究 ， 并使 用基 于LMNN 的分 类器 检测BBB。从实验中可以得出结论，所提出的ABFO与LMNN分类器优于其他三个算法与最小数量的相关特征的选择。这提高了分类精度，如表4所示。ABFO用于智能地选择最相关的特征，这些特征可以提高分类精度，同时忽略噪声和冗余特征。7. 结论在本研究中，我们开发了一个简单的计算模型，使用ABFO算法检测血脑屏障。ABFO算法可用于ECG特征提取，以改善其收敛性，减小最终输出的误差。 比较了经典BFO算法、ABFO算法和遗传算法等基于进化的算法。 在我们的研究中，我们观察到分类准确性提高。对于所有测试数据，ABFO变体显示出比其经典BFO提供更好的结果。因此，我们应用的ABFO优化方法可能对进一步的此类调查有用。引用[1] Nasir Ahmad NK，Tokhi MO，Ghani N Maniha Abd.新型自适应细菌觅食全局优化算法。Appl Comput Intell SoftComput 2014，7页。[2] Passino KM.用于分布式优化和控制的细菌觅食仿生学。IEEE控制系统杂志2002;22（3）：52-67.[3] Liu Y，Passino KM.用于分布式优化的社会觅食细菌的仿生 学 ： 模 型 ， 原 理 和 紧 急 事 件 。 J Opt TheoryAppl2002;115（3）：603-28.[4] Kim DH，Abraham A，Cho JH.一种求解全局优化问题的混 合 遗 传 算 法 和 细 菌 觅 食 方 法 。 Inform Sci2007;177（18）：3918-37。[5] Mishra S.用于谐波估计的混合最小二乘-模糊细菌觅食策略。IEEE Trans Evol Comput 2005;9（1）：61-73.[6] 张启平，李文，李文.基于FACTS和细菌觅食算法的网损降低。载于：Proc PPSN; 2006年。p. 222比31[7] Mishra S，Bhende CN.基于细菌觅食技术的优化有源电力滤波器负载补偿。IEEE TransPower Delivery 2007;22（1）：457-65.[8] 李文，李文生，等.基于神经网络模糊学习的细菌觅食行为研究.北京：高等教育出版社，2001.载于：国际会计师协会程序; 2005年。p. 2030年6月[9] Avriel M.非线性规划：分析与方法。1st ed. New York：Dover. [第10章，第2节] 10.1]。[10] SnymanJA. 实用数学优化：介绍基本优化理论和经典的和新的基于梯度的算法。New York：Springer-Verlag.[11] Darken C，Moody J.更快的随机梯度搜索在：Proc推进神经信息处理系统（NIPS），卷。四、Palo Alto（CA）：Morgan Kaufmann; 1992.p. 1009-16[12] 阿米霍湖 具有Lipschitz连续一阶偏导数的函数的极小化。Pac J Math1966;16（1）：1-3.[13] Plagianakos VP，Magoulas GD，Vrahatis MN.随机梯度下降中的学习率自适应。在：Proc推进凸和全局优化，noncovex优化应用，卷。54. Dordrecht（荷兰）：Kluwer; 2001年。第433-44页[第104章]27]。[14] 辛慧聪，李庆成，孙明，史克拉巴西。反向传播神经网络的一种自适应训练算法。IEEE TransSystMan Cyber1995;25（3）：512-4.[15] 作者声明：George G.利用曲率信息进行快速随机搜索。在：Proc推进神经信息处理系统，第9卷。Cambridge（MA）：MIT Press.[16] [001 pdf 1st-31files] Giudici M，Queirolo M，Valle M.具有自适应和局部学习率的梯度下降学习算法用于手写数字识别的评估。In：Proc ESANN，Bruges，Belgium; 2002. p. 289比94[17] Le Cun Y ， Simard PY ， Pearlmutter BA. 通 过 在 线 估 计Hessians特征向量实现自动学习率最大化。In：Proc Eursymp artificial neural netw（ESANN）; 2002.第156- 163页。[18] 马夸特湾非线性参数的最小二乘估计算法。 SIAM J ApplMath 1963;11：431-41.[19] Kennedy J，Eberhart R.粒子群优化算法In：Proc IEEE int confneural netw; 1995. p. 1942年到1948年[20] 荷兰JH。自然和人工系统的适应。AnnHarbor（MI）：Univ. Michigan Press; 1975.[21] 回到T。 进化算法的理论与实践：进化策略。在：Procgenetic algorithms. 伦敦（英国）：牛津大学出版社，1996年。[22] Ibn Hahimy M ， Ahsan R ， Khalifa OO. 基 于 Levenberg-Marquardt的神经网络分类器的设计和优化，用于肌电信号识别手部运动。Meas Sci Rev 2013;13（3）：142-51.[23] Sapna S，Tamilarasi A，Kumar MP.基于Levenberg Marquardt算法的反向传播学习算法。CS IT- CSCP 2012;2012：393-8.[24] 唐伟杰，吴清华，桑德斯。细菌在不同环境中觅食的新模型。In：Proc ICCSA，LNCS，vol. 3980; 2006. p. 556-65[25] 李敏生，唐伟杰，唐文宏，吴清宏，桑德斯.求解最优潮流的 变 种 群 细 菌 觅 食 算 法 。 In ： Proc Evol Workshops ，LNCS，vol.4448; 2007年。p. 32比41[26] Tripathy M，Mishra S.基于细菌觅食的有功损耗和电压稳定极限优化。 IEEE Trans Power Syst2007;22（1）：240-8.[27] Biswas A，Dasgupta S，Das S，Abraham A.粒子群算法和细菌觅食优化的协同作用：数值基准的比较研究第二届国际研讨会混合人工智能系统（HAIS）进展软计算系列，卷。44个。德国：Springer-74P. Kora，S.R.K. 卡尔瓦Verlag ， Innovations in Hybrid Intelligent Systems ， ASC ，2007。第255-263页。[28] Ulagammai L，Vankatesh P，Kannan PS，Padhy NP.人工神经网络和小波神经网络在负荷预测中的应用。神经计算2007;70（16-18）：2659-67.[29] MunozMA，Lopez JA，Caicedo E. 多区域温度实验平台中细菌觅食优化的动态资源分配。Anal Des Intel Syst SCTech ASC2007;41：427-35.[30] www.physionet.org/2000网站。[31] 达斯古普塔·桑巴塔达斯·斯瓦格塔姆亚伯拉罕·阿吉斯细菌觅食优化中的自适应计算趋化性：分析。IEEE TransEvol Comput2009;13（4）.[32] DattaT，Misra IS. 改进的自适应细菌觅食算法在天线阵优化中的应用。ProgrElectromag Res C 2008;1：143-57.[33] BakwadKMetal.Multimodalfunctionoptimizationusingsynchronous bacterial foraging optimization technology.IETE JRes 2010;56（2）：80-7.[34] 科萨利亚湾基于细菌觅食优化的配电网多台分布式电源规模和选址优化。Swarm Evol Comput2014;1：58-65.[35] 徐欣陈慧玲。基于场的自适应计算趋化性在细菌觅食优化中的应用。Soft Comput2014;18（4）：797-807.[36] 科拉·帕德玛瓦蒂，卡尔瓦·室利·罗摩克里希纳。混合细菌 觅 食 和 粒 子 群 优 化 检 测 束 支 传 导 阻 滞 。SpringerPlus2015;4（1）：1-19.[37] 余伟等。多目标遗传算法在建筑节能与热舒适优化设计中的应用。能源建设2015;88：135-43。[38] Yakup Kutlu，Damla Kuntalp，Mehmet Kuntalp等，使用高阶统计信号处理进行心律失常分类。Commun Appl Conf 2008.[39] Ceylan Rahime，Ozbay Yksel，et al.用于束支传导阻滞分类的小波神经网络。Proc World Congr Eng2011;4.