[發明專利]一種極限卷積神經網絡的ECG信號診斷方法

在審

• 申請號: 201810916000.4
• 申請日: 2018-08-13
• 公開（公告）號: CN109044339A
• 公開（公告）日: 2018-12-21
• 發明（設計）人: 敖文剛;何賽;喻其炳;汪羽;陳旭東
• 申請（專利權）人: 重慶工商大學
• 主分類號: A61B5/0402
• 分類號: A61B5/0402;A61B5/00;G06N3/04
• 代理公司: 成都天匯致遠知識產權代理事務所(普通合伙) 51264
• 代理人: 韓曉銀

本發明公開了一種極限卷積神經網絡的ECG信號診斷方法，包括以下步驟：S1、數據處理階段：數據源自MIT/BIH的數據庫中，構建3層結構的卷積神經網絡；S2、特征處理階段：利用卷積神經網絡對數據庫中的ECG波形進行特征提取；S3、參數輸入階段：將卷積神經網絡的特征輸出參數輸入到極限學習機中；S3、訓練學習階段：訓練極限學習機的參數，將數據庫中的ECG波形的樣本數據進行網絡訓練；S5、信號診斷階段：通過訓練好的極限學習機對ECG信號進行診斷。本發明達到對ECG信號進行診斷的目的，取消了人為監測信號對ECG進行診斷的形式，采用神經網絡的方式進行信號診斷，效果特別好，十分值得推廣。

技術領域

本發明涉及計算機程序診斷信號技術領域，具體為一種極限卷積神經網絡的ECG信號診斷方法。

背景技術

心律不齊導致的心血管疾病是全世界面臨的一大健康難題，它能導致病患暫時性休克甚至猝死。當前，精確診斷與及時治療是應對心血管疾病最為有效的措施。ECG是目前最主要的檢測和診斷心臟疾病的手段。然而，在疾病的檢查中產生的大量影像信息易使醫生疲勞，且診斷精度受醫師的職業能力、經驗等主觀因素影響。在此背景下，通過機器學習方法來判定心臟是否有問題或心臟疾病的具體類型成為一個得到廣泛關注的研究熱點。

在心臟疾病尤其是心律失常的計算機輔助診斷技術中，被檢測者心跳所屬的具體類型需要通過分類技術實現。為獲得良好的診斷準確率，需找到可以準確描述心律失常心跳樣本的特征量。常用的描述心跳的特征包括形態特征、紋理特征及小波特征等。專利“一種心電信號分類識別方法”(CN107184198A)對原始心電圖波形數據進行心電圖節律信息和PQRST(心電圖的五個基本波)波形的提取，獲取心電圖節律信息和PQRST波形的數字化數據，從而完成心電信號的分類識別，很好的發揮了形態學特征的作用。通常，更多的特征維數可以使分類器建模更加準確與穩定，從而提高分類準確率。但實際上，特征維數較高時，其中可能存在相互依賴或與分類目標不相關的冗余特征，這些特征的存在會使得運算復雜度升高，導致分析特征與訓練模型所需的時間加長。同時，構建的分類模型也會更加復雜，導致其泛化能力下降，出現維數災難。通過對從心跳信號提取出的特征進行選擇，不相關或冗余的特征可被剔除，從而達到減少特征個數，提高模型精度并減少運行時間的目的。因此，在近年與心跳信號相關的多項研究中，特征選擇得到了廣泛應用。其中，專利“基于特征選擇的心律失常分類方法”(CN106377247A)采用Relif(特征權重算法)的方法計算每種特征權重，根據特征權重指導種群初始化，并根據個體適應度好壞依據選擇概率、交叉概率和變異概率分別進行選擇、交叉和變異操作得到下一代，從而達到特征選擇的目的。

為了解決上述問題，現有技術中，申請號為“201810012811.1”的一種基于特征融合的ECG信號分類的方法，包括以下步驟：對原始連續時間內的心電數據預處理得到單心跳的離散數值樣本，并對這些一維信號樣本提取1D-CNN卷積特征和PQRST數值特征；對提取的兩種特征進行融合操作，使不同類型、不同維度的特征整合一體，作為單心跳的代表特征集；測試集和訓練集的每個樣本經過特征融合，可得到一個100維的特征向量；對特征融合后的樣本進行分類，得到每種心電信號的分類精度，提取出一維卷積特征和PQRST特征并將兩者相融合的方法，從而提高心電信號計算機輔助診斷系統的準確率。

但是上述該基于特征融合的ECG信號分類的方法在使用過程中，仍然存在較為明顯的缺陷：在對ECG信號進行分類時，無法對ECG的多種波形進行信號診斷，使得無法很好的通過神經網絡對信號進行診斷，在信號診斷的時候只能采用人工監測診斷的方式，不僅診斷準確性差，而且浪費時間和人力精力，非常不方便。

發明內容

本發明的目的在于提供一種基于卷積極限學習機預測食品廢水進水水質的方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：

一種極限卷積神經網絡的ECG信號診斷方法，包括以下步驟：