[發(fā)明專利]一種基于MutiFacolLoss-Densenet的心電信號分類方法

有效

• 申請?zhí)枺?/td>: 201811538183.7
• 申請日: 2018-12-16
• 公開（公告）號: CN109620152B
• 公開（公告）日: 2021-09-14
• 發(fā)明（設計）人: 楊新武;張翱翔;游桂增
• 申請（專利權）人: 北京工業(yè)大學
• 主分類號: A61B5/00
• 分類號: A61B5/00;A61B5/346;G06N3/04
• 代理公司: 北京思海天達知識產(chǎn)權代理有限公司 11203
• 代理人: 沈波

1.一種基于MutiFacolLoss-Densenet的心電信號分類方法，由于每條記錄所測得的心電信號時間長短不一或者時間過長，無法對其進行直接分類，需要對每條記錄以等長的時間間隔分割處理，然后把分割后的心電信號片段進行歸一化處理，最后把處理好的心電信號輸入到卷積神經(jīng)網(wǎng)絡中進行分類；該方法的主干網(wǎng)絡主要采用DenseNet結構的思想；該主干網(wǎng)絡的輸入為分割后的心電信號片段，輸出為心電信號類別個數(shù)，網(wǎng)絡的每個輸出分別為所屬類別的概率，是一種端到端的心電信號分類方法；

其特征在于：具體方法步驟如下，

S1、首先計算每條記錄的總長度為RL，確定分割窗口長度為WL以及窗口向前移動步長為S，然后對每條記錄進行等長度的分割，最后對分割后的心電信號片段進行Z-Score歸一化處理；每條記錄分割出片段數(shù)量為：

其中，S,WL,RL0

S2、構建面向心電信號的MutiFacolLoss-Densenet模型；該模型的每層結構依次順序是：卷積層、池化層、Dense Block1包含四個Bottleneck_Layer、Tansition Layer1、DenseBlock2包含四個Bottleneck_Layer、Tansition Layer2、Dense Block3包含六個Bottleneck_Layer、卷積層、池化層、全連接層；

S3、對步驟2構建的模型進行優(yōu)化訓練；包括每層濾波器的大小與個數(shù)，網(wǎng)絡的層數(shù)，學習率以及MultiFocal-Loss損失函數(shù)等；

MultiFocal-Loss損失函數(shù)定義如下：

其中a_j表示Softmax函數(shù)對樣本屬于類別j的概率輸出；(1-a_j)^γ表示交叉熵損失的調節(jié)因子，γ≥0；

S4、把測試集中每條記錄所分割的等長心電信號片段分別輸入到訓練好的模型中進行分類；根據(jù)每條記錄分割后的心電信號片段分類結果，對其進行加權投票，投票最高的類別作為該記錄最終的分類結果；

所述S4包括如下步驟：

(1)計算每條記錄分割出的所有心電信號片段為Segs＝{seg1,seg2,…,segN},共有N條分割的片段；

(2)把分割的片段Segs輸入到訓練好的模型中，通過softmax函數(shù)得到每條分割片段屬于各個類別的概率向量其中n表示第n條分割的片段，表示第n條片段屬于類的別為k概率；

(3)計算每條分割片段最大概率的類別向量則整個記錄中所有分割片段分別得到的最大概率類別矩陣表示為Kj表示所有K個類別中第j個類別；

(4)通過該記錄的所有分割片段最大概率矩陣MaxW，對各個類別的概率值相加，最終獲得每類的加權投票數(shù)向量WNums＝[w¹,w²,...,w^K]，則投票數(shù)最多的類別即為該記錄的最終分類結果。