[發明專利]基于壓縮圖神經網絡的自動心律失常分析方法

有效

• 申請號: 201810451719.5
• 申請日: 2018-05-12
• 公開（公告）號: CN108962393B
• 公開（公告）日: 2019-10-15
• 發明（設計）人: 劉通;危義民;臧睦君;鄒海林;賈世祥;柳嬋娟;周樹森
• 申請（專利權）人: 魯東大學
• 主分類號: G16H50/70
• 分類號: G16H50/70;G16H50/20;G06K9/00;A61B5/0402;G06K9/62;G06N3/04
• 代理公司: 長春市東師專利事務所 22202
• 代理人: 張鐵生;劉延軍

1.一種基于壓縮圖神經網絡的自動心律失常分析方法，它包括：

1）采用兩種采樣方式進行復合采樣，生成多通道心電圖樣本；

a.對每個導聯的心電信號，心拍前后各取100個點再重采樣到固定維度600的向量；生成Input1和Input3；

b.對每個導聯的心電信號，心拍前取2個周期的R-R波區間，后取1個周期的R-R波區間，再重采樣到固定維度600的向量；生成Input2和Input4；

將上述兩種采樣方式所得的600維心電信號沿第二個維度向量拼接，每導聯心電信號由600*1維擴增為2*600*1維，此時的2為兩種采樣方式，該導聯心電信號的通道數為2；那么原始每個導聯的心電數據經過所述兩種采樣方式形成4*600*1維的心電信號樣本X，作為深度神經網絡模型的輸入Input；

2)搭建深度神經網絡

深度神經網絡包括多個依次串聯的卷積層單元和全連接層單元，且在合并層單元和卷積層單元間有圖像編碼層用于將心電信號由一維編碼為二維圖像；每個所述卷積層單元包括一個卷積層以及該卷積層輸出端依次串聯的一激勵單元和一池化層；所述卷積層單元使用的是二維卷積，用于提取二維心電信號編碼圖片的特征；

3）學習深度神經網絡的參數；

4）對樣本進行自動識別。

2.根據權利要求1所述的一種基于壓縮圖神經網絡的自動心律失常分析方法，其特征在于：

所述的搭建深度神經網絡，當心電數據集擁有兩導聯信號時，輸入信號維度為4*600*1；將四個通道的輸入信號輸入到合并層中沿最后一維合并，合并層輸出為600*4維的信號，合并層的輸出作為圖像編碼層的輸入，合并層中將心電信號歸一化到0-1的范圍之間，再使用量化的方法，乘以量化電平數255即可將數據范圍映射到0-255之間，再使用One-hot編碼的方式對信號編碼，編碼后的心電信號維度為600*1024；對編碼后的信號使用線性縮放的方式縮小20倍，縮小后的維度為30*52，調整輸出維度為52*30*1作為卷積層的輸入，圖像編碼層輸出連接到串聯的三層卷積層單元中，每一層卷積層單元的輸出端依次串聯的一激勵單元操作和一池化層操作；第一個卷積層單元的卷積核數為32個，卷積核大小為(3,3)，其后的激勵單元為relu函數，池化層單元的池化步長為(2,2)；第二個卷積層單元的卷積核數為32個，卷積核大小為(3,3)，其后的激勵單元為relu函數，池化層單元的池化步長為(2,2)；經過第二層池化單元后的特征圖維度為11*6*32；第三個卷積層單元的卷積核數為64個，卷積核大小為(3,3)，其后的激勵單元為relu函數，池化層單元的池化步長為(2,2)；經過第三層池化單元后的特征圖維度為4*2*64。

3.根據權利要求2所述的一種基于壓縮圖神經網絡的自動心律失常分析方法，其特征在于：所述的深度神經網絡為三個依次串聯的卷積層單元和全連接層單元；

將三層卷積層單元輸出的特征圖輸入到全連接層單元中，取全連接層單元的隱藏層數為64，全連接層單元輸出特征圖維度為64；全連接層單元的輸出串聯一個激勵單元為softmax的全連接層，全連接層的輸出維度為4，即類別數，最終所述深度神經網絡模型輸出預測向量維度。

4.根據權利要求3所述的一種基于壓縮圖神經網絡的自動心律失常分析方法，其特征在于：所述的深度神經網絡輸出的預測向量維度為4；使用keras開源框架和python語言搭建，使用交叉熵作為損失函數，使用Adam優化器優化損失函數。

5.根據權利要求1、2、3或4所述的一種基于壓縮圖神經網絡的自動心律失常分析方法，其特征在于：所述的學習深度神經網絡的參數為：初始化所述深度神經網絡的訓練參數，將采樣好的信號劃分為訓練集樣本和測試集樣本；即從總體樣本中隨機抽取一部分數目的樣本當作訓練集，對于其他未選中的樣本視為測試集；再將訓練集中的多通道心電信號X輸入到初始化后的深度神經網絡中，以最小化代價函數為目標進行迭代，以生成所述深度神經網絡并保存下來；其中，每迭代一次則更新一次所述訓練參數，直至最后所述的深度神經網絡的損失值和準確率穩定在某一數值附近，即可停止訓練并保存當前網絡的訓練參數和模型結構信息。

6.根據權利要求5所述的一種基于壓縮圖神經網絡的自動心律失常分析方法，其特征在于：所述的對樣本進行自動識別為：將劃分好的測試集樣本全部輸入到已保存的所述神經網絡中，運行所述深度神經網絡即可獲得測試集樣本對應的4維預測值向量輸出，將測試集樣本的標簽使用one-hot編碼的方法生成4維的標簽向量，再通過將輸出的預測值與測試集樣本的標簽比對來檢查是否分類正確。