案例式推理与类神经网路在心电图诊断之应用研究【精品-ppt】.ppt

案例式推理與類神經網路在心電圖診斷之應用研究;第一章 緒論;研究動機;研究流程;第二章 文獻探討;心電圖簡介;類神經網路簡介;類神經網路在心電圖診斷上的應用 利用類神經網路進行心電圖波形辨識與分類時，是先提供一組已知病症的心電圖訊號特徵的訓練組（Training）給類神經網路學習，經由不斷反覆學習產生辨識能力，然後再提供另一組測試組或稱為回憶組（Recalling），也就是未經學習之病症訊號讓類神經網路作辨識。 以類神經網路來做心電圖的病症辨識可達到極高的辨識率。但使用類神經網路做心電圖的病症診斷仍有許多不足的地方。第一、遇到相似但不完全相同的病症時，它無法像人類專家一樣從過去的診斷經驗進行改編。第二、類神經網路模型無法解釋產生的結果，也沒有辦法保證訓練後就能得到最佳解。 為了解決上述的限制，而有案例式推理的引用。 ;案例式推理簡介;案例式推理的發展至今已有二十多年的歷史，相關的研究依其研究的動機可分成兩個學派，即為認知科學與人工智慧。 從認知科學學派的中可知，研究者主要的研究焦點在於知識的表現方式，並只在特定的範圍內進行知識的再利用，且著重在案例式推理的本質及領域。此派學者認為是案例式推理是在探討人類的認知模式，案例指的即是事件，許多整合了其他推理方法的案例式系統，但並不是模擬人類的推理模式皆不被接受。 在人工智慧學派的中，對於案例式推理的定義較為有彈性，所發展的許多系統皆是植基於人工智慧－案例式推理的觀點而來。案例式推理被轉化成建立專家系統的方法，一些像是圖表、規則、模型與樣本都可被當作是案例來使用，主要的特色在於藉由改編從過去的經驗所得到的大量資訊來解決新問題。人工智慧學派的觀點主要就是將許多不同的方法整合在一起，以實用的角度來建立系統以因應不同的領域和不同的問題。;『案例式推理系統的運作流程圖』;第三章 研究方法;心電圖訊號的前置處理;濾波器（Filtering）部份，我們提出的方法是利用一種稱為雙向濾波器（Bilateral Filter），是為了在影像處理中能有效地將雜訊平滑化且又可以把重要的邊界保留著，它是非線性濾波器的一種原理，主要是同時在空間域（Spatial Domain）與強度域（IntensityDomain）做高斯平滑化（Gaussion Smoothing）。其數學定義如下： →其中 X (k)是原來的訊號，而 X? (k) 是處理過後的新平滑訊號，w是濾波器W (k,n )的寬度。 Ws 是表示在空間域的高斯平滑函數，而 Wr 則是表示在強度域的高斯平滑函數。 心電圖訊號經過上述雙向濾波器的處理之後，由於已將雜訊去除，故可以更準確地在時間軸上以移動平均法與斜率法求得心電圖的特徵點。 ;特徵點偵測法→利用一種最基本而又有效的趨勢判別指標『移動平均線』，將其應用在偵測心電圖訊號中振幅最大的R 波。步驟說明如下： （一）首先我們利用原訊號點的前10 個訊號點的平均值計算出移動 平均線。 （二）接著我們用原來的訊號線減去移動平均線得到新的訊號線。 （三）當新的訊號點為零，也就是原訊號線與移動平均線相交的地 方，此即為訊號的高峰或谷底所在之處。 （四）此時所找到的訊號點可能不完全是我們所需要的，故我們以 訂定臨界值的方式來找到R 波的位置。 找到R 波之後，再依據其相關位置找P 波、Q 波、S 波與T波，原則上皆以斜率轉折點為波形的波峰。在本研究中，我們使用的斜率法之差分方程式如下：;心電圖訊號特徵擷取;案例式推理系統流程;案例式推理系統流程圖;案例索引的建立 案例式推理系統中的索引是案例庫中儲存案例的指標或元素，而這些索引通常是案例的特徵、屬性或其他能夠表示一個案例的組成元素，藉由索引的建立，我們可以輕易地從案例庫中搜尋案例。 ※倒傳遞網路 倒傳遞演算法對多層的類神經網路訓練提供了一個相當有系統的方法，其主要原理是藉由調整神經元之間連結的權重來不斷地讓輸出誤差越來越小，而收斂至某一個局部的最小值。網路的架構基本上是由一組輸入層、一組或數組隱藏層以及一組輸出層組合而成。 ;;在倒傳遞網路中，網路第n 層的第j 單元的輸出值為第1 ? n 層單元輸出值的非線性函數 倒傳遞網路最常用的非線性轉換函數為雙彎曲函數為 ;因為監督式學習旨在降低網路輸出單元之目標輸出值與推論輸出值之間的差距，所以一般以下列誤差函數代表學習的品質。 Tj 為輸出層目標輸出值，而Yj 為輸出層推論輸出值。 ;;如果網路為三層的結構，其中包含輸入層、輸出層及一層隱藏層， ;;;倒傳遞網路與案例分類 在本研究中，由於心電圖資料的輸入變數（特徵）與輸出變數（病症）能夠明確定義，故可以監督式學習中的倒傳遞網路進行案例分類。心電圖特