[發明專利]一種基于一維卷積神經網絡和S變換的心律失常分類方法

在審

• 申請號: 201710814713.5
• 申請日: 2017-09-10
• 公開（公告）號: CN107811626A
• 公開（公告）日: 2018-03-20
• 發明（設計）人: 呂衛;王粟瑤;褚晶輝
• 申請（專利權）人: 天津大學
• 主分類號: A61B5/024
• 分類號: A61B5/024;A61B5/0452;A61B5/00
• 代理公司: 天津市北洋有限責任專利代理事務所12201
• 代理人: 杜文茹

技術領域

本發明涉及一種心律失常分類方法。特別是涉及一種基于一維卷積神經網絡和S變換的心律失常分類方法。

背景技術

心律失常是心臟電信號的速率，節律或傳導受到干擾引起的心臟功能不規則的異常現象，被認為是最常見的心臟病。它可以通過分析記錄的ECG波形來檢測，該波形由與心房和心室的去極化和再極化模式相關聯的不同電位形成，并提供關于心臟狀況的重要信息。對于醫生，在短時間內很難分析長時間的ECG信號，并觀察心電信號的微小形態變化，這可能導致醫生在診斷的時候丟失重要的信息。ECG信號分析面臨的另一個問題是不同患者以及同一患者的ECG波形的形態和時間特征的變化很大。對于不同時間的同一患者，ECG波形可能不同，對于具有不同類型心跳的不同患者，ECG波形可能不同。因此需要精準的計算機輔助的心率失常分類系統。心率失常分類方法包括：預處理、特征提取、特征融合和分類四個步驟。

特征提取有深度學習方法和手動提取的方法。深度學習在大數據中自動學習特征的表示，得到更有效果的特征表達。手工設計的特征主要依靠設計者的先驗知識。

目前深度學習已經是模式識別領域中有效的提取特征的方法，依靠大數據量，自動學習到內部的特征關系，有效的表達特征以更好的進行分類預測等，適用于圖像分析，文本處理，醫學信號分析等各個領域中。目前已有學者利用深度學習網絡嘗試提取ECG信息，劉志華等人利用深度神經網絡無監督地提取特征并分類，利用DBN網絡得到的準確率90％左右；利用SAE稀疏自編碼的方法提取心電信號特征；另外，將一維心電數據轉換成二維的圖片形式，經過卷積神經網絡進行特征提取。

除了深度學習的抽象的非線性特征外，在心電信號分析中，需要充分考慮到信號本身時頻域特征，這里有三種手動提取特征的方法：時域分析，基于統計方法，基于變換方法。

時域方法即ECG信號的形態特征。如提取RR間隔、QRS復合波和T波持續時間、ECG信號采樣值，ECG信號的時變動力學和形態特征顯示不同患者和不同時間和物理條件下的顯著變化。即使是健康受試者的心電圖QRS復合體，P波和R-R間隔的形狀在不同情況下從一次跳動到另一次不一樣，所以利用形態學特征并不能很有效準確地表達ECG信號細微的變化和隱藏的信息。

基于統計的方法ECG信號特征，如通過高階累積量提取特征來獲取ECG信號的特征。此類方法可以抑制高斯噪聲，檢驗和表征信號中隱藏的非線性的信息。但是通過實驗驗證，雖然能提取到一些隱藏的特征但分類效果并不明顯，計算量大。

基于變換的方法時將信號從時域中轉換到頻域中，比如傅里葉變換能得到信號的頻域特征，但對于心電信號的非平穩性而言是不能夠用該方法表示時頻域之間的相互關系。用短時傅里葉變化、小波變換、S變換等時頻域變換能適用于信號的非平穩性分析，反應信號頻率隨時間變化的關系，能夠有效提取非平穩信號的局部特征，有助于分類效果的提升。

特征融合可以將兩種不同的特征結合起來，相互補充，更有效地學習到ECG信號的信息有助于分類效果的提升?；谏疃葘W習框架，實現端到端的輸入輸出，全連接層可以將其每一個結點都與上一層的所有結點相連，不需要進行相關性分析等復雜運算就可把前邊提取到的特征綜合起來。

發明內容

本發明所要解決的技術問題是，提供一種不需要對心電信號進行壓縮和雙線性插值來得到固定像素點的圖片形式來提取特征的基于一維卷積神經網絡和S變換的心律失常分類方法

本發明所采用的技術方案是：一種基于一維卷積神經網絡和S變換的心律失常分類方法，包括如下步驟：

1)對心電信號預處理；

2)利用一維卷積神經網絡提取心電信號的深度非線性特征；

3)利用S變換提取心電信號的時頻域特征；

4)將心電信號的深度非線性特征和心電信號的時頻域特征融合到一起，經過全連接層繼續進行特征學習，得到全連接層輸出特征；

5)將全連接層輸出特征接到一維卷積神經網絡的softmax層進行分類；

6)輸出分類結果。

步驟1)所述的預處理包括：采用中值濾波和低通濾波器去除噪聲，依據MIT-BIH數據庫中的標注文件，找到心電信號R峰位置并提取心電信號片段。

對所提取的心電信號片段進行z-score標準化，使數據符合標準正態分布。

步驟2)所述的提取心電信號的深度非線性特征包括：

設一維卷積神經網絡結構為卷積層和池化層的組合，分別設定卷積核和池化層的大小，在卷積層和池化層之間加BatchNormalization規范化處理。