[發明專利]一種弱監督下的心電圖像識別方法

在審

• 申請號: 201810190859.1
• 申請日: 2018-03-08
• 公開（公告）號: CN108464827A
• 公開（公告）日: 2018-08-31
• 發明（設計）人: 李智;彭韻陶;李健;牟文鋒
• 申請（專利權）人: 四川大學
• 主分類號: A61B5/0402
• 分類號: A61B5/0402;A61B5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種弱監督下的心電圖像識別方法，屬于圖像識別領域。其特點在于包括以下步驟：1）使用去噪算法，去除心電信號噪聲；2）通過定位算法，定位心電信號中的每個心拍，再將心電信號切割成單個心拍，并保證每個心拍包含一次心跳的所有信息；3）將一維心拍轉換成心拍圖片，再將心拍圖片分為訓練圖片、驗證圖片和測試圖片三部分；4）將心拍訓練圖片輸入到卷積神經網絡進行訓練，構建心拍圖片識別模型；5）將心拍驗證圖片輸入到步驟4中的識別模型中，用于驗證模型的心拍圖片識別準確度和各關鍵參數數值的調節。6）最后，將心拍測試圖片輸入到步驟5中調節參數后的心拍圖片識別模型中，進行分類。本發明對心拍圖片的分類精確率高，且模型構建只需少量圖片數據，對心電信號精準識別有著重要意義。

技術領域

本發明屬于圖像識別領域，涉及一種弱監督下的心電圖像識別方法。

背景技術

深度學習是機器學習中一種基于對數據進行表征學習的方法。深度學習的概念是由Hinton等人于2006年提出的。深度學習的概念源于人工神經網絡的研究。含有多個隱藏層的多層感知器就是一種深度學習結構。深度學習通過組合低層特征形成更加抽象的高出特征，以發現數據的分布式特征表示。

卷積神經網絡是近幾年發展起來的高效識別方法。20世紀60年代，Hubel和Wiese在研究貓腦皮層中用于局部敏感和方向選擇的神經元時發現其獨特的網絡結構可以有效地降低反饋神經網絡的復雜性，繼而提出了卷積神經網絡。卷積神經網絡包括兩層，其一為特征提取層，其二為特征映射層。通過第一層實現輸入圖像的特征提取，通過第二層使結構非線性。

心電信號是心臟電活動在體表的綜合反映，而心率失常是一種極其常見但又非常重要的心電活動異常狀態，因此在心臟病診斷中對心電信號進行自動分類具有重要意義。但由于不同人同種類型的心拍有各種形態，不同種類型的心拍在形態上彼此也可能相似，導致心拍的特征提取困難和分類精確度不高問題。

隨著深度學習的發展，大量科研人員已經將一維卷積神經網絡（1-D CNN）應用到自動心電信號分類這個領域中，獲得了不錯的效果，但仍存在精確度不高的問題。

就上述問題，由于卷積神經網絡在圖片識別上的優勢，且檢索相關文獻發現沒有研究人員將一維心拍轉換為心拍圖片，因此我們采用深度學習的方法，使用Alexnet卷積神經網絡，通過獲取一維心拍信號的時間幅值信息，將其轉換為心拍圖片，再送入卷積神經網絡中，可得到高精確度的心拍分類結果，對輔助醫生識別心臟病種類有著重要意義。

發明內容

本發明提出了一種弱監督下的心電圖像識別方法，該方法旨在使用少量心電圖片信號構造卷積神經網絡模型，實現高精確度的心電信號分類。

本發明所采用的技術方案如下：

一種弱監督下的心電圖像識別方法，其具體步驟如下：

步驟1、使用去噪算法，去除心電信號噪聲；

步驟2、心電信號中含有多個心拍，通過定位算法，定位心電信號中的每個心拍，再將心電信號切割成單個心拍，并保證每個心拍包含一次心跳的所有信息；

步驟3、將一維心拍轉換成心拍圖片，再將心拍圖片分為訓練圖片、驗證圖片和測試圖片三部分；

步驟4、將心拍訓練圖片輸入到卷積神經網絡進行訓練，構建心拍圖片識別模型；

步驟5、將心拍驗證圖片輸入到步驟4中的識別模型中，用于驗證模型的心拍圖片識別準確度和各關鍵參數數值的調節；

步驟6、將心拍測試圖片輸入到步驟5中調節參數后的心拍圖片識別模型中，進行分類；