[發(fā)明專(zhuān)利]一種基于一維卷積神經(jīng)網(wǎng)絡(luò)和S變換的心律失常分類(lèi)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710814713.5
• 申請(qǐng)日: 2017-09-10
• 公開(kāi)（公告）號(hào): CN107811626A
• 公開(kāi)（公告）日: 2018-03-20
• 發(fā)明（設(shè)計(jì)）人: 呂衛(wèi);王粟瑤;褚晶輝
• 申請(qǐng)（專(zhuān)利權(quán)）人: 天津大學(xué)
• 主分類(lèi)號(hào): A61B5/024
• 分類(lèi)號(hào): A61B5/024;A61B5/0452;A61B5/00
• 代理公司: 天津市北洋有限責(zé)任專(zhuān)利代理事務(wù)所12201
• 代理人: 杜文茹

技術(shù)領(lǐng)域

本發(fā)明涉及一種心律失常分類(lèi)方法。特別是涉及一種基于一維卷積神經(jīng)網(wǎng)絡(luò)和S變換的心律失常分類(lèi)方法。

背景技術(shù)

心律失常是心臟電信號(hào)的速率，節(jié)律或傳導(dǎo)受到干擾引起的心臟功能不規(guī)則的異常現(xiàn)象，被認(rèn)為是最常見(jiàn)的心臟病。它可以通過(guò)分析記錄的ECG波形來(lái)檢測(cè)，該波形由與心房和心室的去極化和再極化模式相關(guān)聯(lián)的不同電位形成，并提供關(guān)于心臟狀況的重要信息。對(duì)于醫(yī)生，在短時(shí)間內(nèi)很難分析長(zhǎng)時(shí)間的ECG信號(hào)，并觀(guān)察心電信號(hào)的微小形態(tài)變化，這可能導(dǎo)致醫(yī)生在診斷的時(shí)候丟失重要的信息。ECG信號(hào)分析面臨的另一個(gè)問(wèn)題是不同患者以及同一患者的ECG波形的形態(tài)和時(shí)間特征的變化很大。對(duì)于不同時(shí)間的同一患者，ECG波形可能不同，對(duì)于具有不同類(lèi)型心跳的不同患者，ECG波形可能不同。因此需要精準(zhǔn)的計(jì)算機(jī)輔助的心率失常分類(lèi)系統(tǒng)。心率失常分類(lèi)方法包括：預(yù)處理、特征提取、特征融合和分類(lèi)四個(gè)步驟。

特征提取有深度學(xué)習(xí)方法和手動(dòng)提取的方法。深度學(xué)習(xí)在大數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征的表示，得到更有效果的特征表達(dá)。手工設(shè)計(jì)的特征主要依靠設(shè)計(jì)者的先驗(yàn)知識(shí)。

目前深度學(xué)習(xí)已經(jīng)是模式識(shí)別領(lǐng)域中有效的提取特征的方法，依靠大數(shù)據(jù)量，自動(dòng)學(xué)習(xí)到內(nèi)部的特征關(guān)系，有效的表達(dá)特征以更好的進(jìn)行分類(lèi)預(yù)測(cè)等，適用于圖像分析，文本處理，醫(yī)學(xué)信號(hào)分析等各個(gè)領(lǐng)域中。目前已有學(xué)者利用深度學(xué)習(xí)網(wǎng)絡(luò)嘗試提取ECG信息，劉志華等人利用深度神經(jīng)網(wǎng)絡(luò)無(wú)監(jiān)督地提取特征并分類(lèi)，利用DBN網(wǎng)絡(luò)得到的準(zhǔn)確率90％左右；利用SAE稀疏自編碼的方法提取心電信號(hào)特征；另外，將一維心電數(shù)據(jù)轉(zhuǎn)換成二維的圖片形式，經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取。

除了深度學(xué)習(xí)的抽象的非線(xiàn)性特征外，在心電信號(hào)分析中，需要充分考慮到信號(hào)本身時(shí)頻域特征，這里有三種手動(dòng)提取特征的方法：時(shí)域分析，基于統(tǒng)計(jì)方法，基于變換方法。

時(shí)域方法即ECG信號(hào)的形態(tài)特征。如提取RR間隔、QRS復(fù)合波和T波持續(xù)時(shí)間、ECG信號(hào)采樣值，ECG信號(hào)的時(shí)變動(dòng)力學(xué)和形態(tài)特征顯示不同患者和不同時(shí)間和物理?xiàng)l件下的顯著變化。即使是健康受試者的心電圖QRS復(fù)合體，P波和R-R間隔的形狀在不同情況下從一次跳動(dòng)到另一次不一樣，所以利用形態(tài)學(xué)特征并不能很有效準(zhǔn)確地表達(dá)ECG信號(hào)細(xì)微的變化和隱藏的信息。

基于統(tǒng)計(jì)的方法ECG信號(hào)特征，如通過(guò)高階累積量提取特征來(lái)獲取ECG信號(hào)的特征。此類(lèi)方法可以抑制高斯噪聲，檢驗(yàn)和表征信號(hào)中隱藏的非線(xiàn)性的信息。但是通過(guò)實(shí)驗(yàn)驗(yàn)證，雖然能提取到一些隱藏的特征但分類(lèi)效果并不明顯，計(jì)算量大。

基于變換的方法時(shí)將信號(hào)從時(shí)域中轉(zhuǎn)換到頻域中，比如傅里葉變換能得到信號(hào)的頻域特征，但對(duì)于心電信號(hào)的非平穩(wěn)性而言是不能夠用該方法表示時(shí)頻域之間的相互關(guān)系。用短時(shí)傅里葉變化、小波變換、S變換等時(shí)頻域變換能適用于信號(hào)的非平穩(wěn)性分析，反應(yīng)信號(hào)頻率隨時(shí)間變化的關(guān)系，能夠有效提取非平穩(wěn)信號(hào)的局部特征，有助于分類(lèi)效果的提升。

特征融合可以將兩種不同的特征結(jié)合起來(lái)，相互補(bǔ)充，更有效地學(xué)習(xí)到ECG信號(hào)的信息有助于分類(lèi)效果的提升?；谏疃葘W(xué)習(xí)框架，實(shí)現(xiàn)端到端的輸入輸出，全連接層可以將其每一個(gè)結(jié)點(diǎn)都與上一層的所有結(jié)點(diǎn)相連，不需要進(jìn)行相關(guān)性分析等復(fù)雜運(yùn)算就可把前邊提取到的特征綜合起來(lái)。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問(wèn)題是，提供一種不需要對(duì)心電信號(hào)進(jìn)行壓縮和雙線(xiàn)性插值來(lái)得到固定像素點(diǎn)的圖片形式來(lái)提取特征的基于一維卷積神經(jīng)網(wǎng)絡(luò)和S變換的心律失常分類(lèi)方法

本發(fā)明所采用的技術(shù)方案是：一種基于一維卷積神經(jīng)網(wǎng)絡(luò)和S變換的心律失常分類(lèi)方法，包括如下步驟：

1)對(duì)心電信號(hào)預(yù)處理；

2)利用一維卷積神經(jīng)網(wǎng)絡(luò)提取心電信號(hào)的深度非線(xiàn)性特征；

3)利用S變換提取心電信號(hào)的時(shí)頻域特征；

4)將心電信號(hào)的深度非線(xiàn)性特征和心電信號(hào)的時(shí)頻域特征融合到一起，經(jīng)過(guò)全連接層繼續(xù)進(jìn)行特征學(xué)習(xí)，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(jīng)網(wǎng)絡(luò)的softmax層進(jìn)行分類(lèi)；

6)輸出分類(lèi)結(jié)果。

步驟1)所述的預(yù)處理包括：采用中值濾波和低通濾波器去除噪聲，依據(jù)MIT-BIH數(shù)據(jù)庫(kù)中的標(biāo)注文件，找到心電信號(hào)R峰位置并提取心電信號(hào)片段。

對(duì)所提取的心電信號(hào)片段進(jìn)行z-score標(biāo)準(zhǔn)化，使數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布。

步驟2)所述的提取心電信號(hào)的深度非線(xiàn)性特征包括：

設(shè)一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為卷積層和池化層的組合，分別設(shè)定卷積核和池化層的大小，在卷積層和池化層之間加BatchNormalization規(guī)范化處理。