[發明專利]一種基于一維卷積神經網絡的心電信號分類方法

在審

• 申請號: 201710622047.5
• 申請日: 2017-07-27
• 公開（公告）號: CN107495959A
• 公開（公告）日: 2017-12-22
• 發明（設計）人: 張強;張建新;李丹;魏小鵬
• 申請（專利權）人: 大連大學
• 主分類號: A61B5/0402
• 分類號: A61B5/0402;A61B5/0428
• 代理公司: 大連八方知識產權代理有限公司21226
• 代理人: 衛茂才

技術領域

本發明涉及生理信號分類以及深度學習領域，具體涉及一種基于一維卷積神經網絡的心電信號分類方法。

背景技術

心血管疾病作為一種慢性疾病，具有危險性高、發病急、病情不明顯等特征，居各種疾病之首，嚴重威脅著人類的身體健康，需引起我們足夠的重視。傳統的心電信號分類方法是先選擇特征提取的方法提取出信號的有效特征，然后再選擇分類的方法進行分類。但是這種方法要求實驗者必須做到對心電信號特征點的精準定位，這樣才能確保提取到高質量的信號特征，進而得到精確的分類結果。雖然目前針對心電信號分類方法的研究很多，但是仍然存在一定的缺陷，如：對噪聲敏感、不能保留局部信號信息等。

發明內容

本發明要解決的技術問題是提供一種能夠避免提取出的特征對噪聲敏感的問題，以及避免對數據的復雜前期預處理問題，解決傳統方法必須對信號特征點進行精準定位的難題，并確保提取到高質量的信號特征的方法。

本發明為解決其技術問題所采用的技術方案是：提出了一種基于一維卷積神經網絡的心電信號分類方法，具體包括以下步驟：

步驟1：采用小波融合的方法完成心電信號的去噪處理并得到R波候選段；

步驟2：建立面向心電信號的一維卷積神經網絡模型；

步驟3：優化步驟2得到的面向心電信號的一維卷積神經網絡模型；

步驟4：將步驟1得到的R波候選段輸入訓練好的一維卷積神經網絡模型，完成心電信號的特征提取和分類。

所述步驟1中包括以下具體步驟：

首先采用小波軟閾值法和小波分解重構法兩者融合的方法完成一維心電信號的妥善去噪處理；其中：

(1)小波軟閾值法：首先選擇db5作為小波函數進行3層分解；然后選擇軟閾值函數，并將無偏似然估計法作為選取閾值的規則，進而對每一級的小波系數進行閾值量化處理；最后進行信號的逆變換。軟閾值處理方法如下：

其中Y為信號的值，t為指定的閾值，其中大于閾值的點變為該點值與閾值的差，小于或等于閾值的點變為0。

(2)小波分解重構法：將含有噪聲信號在某一尺度下分解到不同的頻帶內，然后再將噪聲所處的頻帶置零(或直接提取有用信號所在的頻帶)，進行小波重構，從而達到去噪的目的。分解如下：

其中c_j,k為尺度系數；d_j,k為小波系數；h、g為一對正交鏡像濾波器組；j為分解層數；N為離散采樣點數。然后取出小波系數d_j,k，根據選定的閾值δ_j，將噪聲所處的頻帶置零(或直接提取有用信號所在的頻帶)，處理方法如下：

小波重構過程是分解過程的逆運算，相應的重構公式為：

進一步地，采用雙正交樣條小波的QRS波群識別方法識別出R波峰值點，方法過程如下：

(1)選擇小波基函數和尺度；

(2)將心電信號進行小波變換，得到各尺度的小波系數；

(3)找出各尺度下的正極大值點，從而求出負極大值點；

(4)在選擇好的尺度上找出滿足條件的全部極值點；

(5)找出相應尺度上的模極大值對；

(6)上述極大值對中，過零點的即為R波峰值點。

又進一步地，完成心電信號的分割及降維的工作，得到R波候選段，具體方法：

(1)以R波頂點為基準定位，左右各選擇100個采樣點；

(2)采用分割函數分割心電信號；

(3)采用下采樣函數對分割好的心電信號降維；

(4)得到R波候選段。

所述步驟2中包括以下具體步驟：

構建面向心電信號的一維卷積神經網絡模型。本發明的模型是根據步驟1 中處理好的心電信號數據，經過不斷地實驗，選擇最合適的層數及模型參數，最終構建而成。主要包括：一個輸入層，兩個卷基層，兩個池化層，一個全連接層，一個輸出層。其中，兩個卷基層的卷積核尺寸均設置為7，每層的卷積核的數量均設置為18。池化層采用最大池化方法進行下采樣。

所述步驟3中包括以下具體步驟：

基于步驟2中構建好的面向心電信號的一維卷積神經網絡模型進行參數優化。具體的方法如下：

(1)優化卷積核的尺寸及數量參數；

(2)在卷積核尺寸和數量參數確定的條件下，設置不同量級的學習率；

(3)在卷積核尺寸、數量、學習率等參數確定的條件下，設置迭代次數。

所述步驟4中包括以下具體步驟：