[發明專利]一種基于一維卷積神經網絡的心電信號特征自動提取方法

在審

• 申請號: 201811550660.1
• 申請日: 2018-12-18
• 公開（公告）號: CN109620203A
• 公開（公告）日: 2019-04-16
• 發明（設計）人: 洪申達;傅兆吉;周榮博;俞杰
• 申請（專利權）人: 安徽心之聲醫療科技有限公司
• 主分類號: A61B5/0402
• 分類號: A61B5/0402;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京同輝知識產權代理事務所(普通合伙) 11357
• 代理人: 張明利

1.一種基于一維卷積神經網絡的心電信號特征自動提取方法,其特征在于，提取方法包括以下步驟：

一、心電信號數據采集與預處理

a、記采集的心電信號的導聯數為c，長度為n，原始心電信號長度大于n，在預處理階段，將原始心電信號截取至少兩個長度為n的信號；原始心電信號長度小于n，則在預處理階段，將原始心電信號補0至長度為n的信號，記預處理后的心電信號為

b、在采集的同時給出該心電信號X的診斷結論T；診斷結論至少為兩個，從診斷結論集合S中選取，S＝{S₁,S₂,S₃,…,S_m}，集合S的大小為m，將每個心電信號的診斷結論T編碼為標簽向量L，L∈[l₁,l₂,…,l_m]，l_i∈{0,1}，當S_i在T中，則l_i＝1，表示X患有S_i的概率為1，當l_i＝0，表示X患有S_i的概率為0；

二、構建深度神經網絡

a、記深度神經網絡為F，F的輸入是心電信號輸出為概率向量P＝[p₁,p₂,…,p_m]，p_i∈[0,1]；

b、深度神經網絡F是K層的一維卷積神經網絡層首位相接而成的結構，即第i-1層的輸出是第i層的輸入，K是大于等于1的整數，該數值是一個超參數；

c、構建一個一維卷積神經網絡層，需要指定以下參數：卷積核的大小、卷積核的數量、卷積的步長；

d、上述神經網絡結構，第k層輸出的結果其中n_k≤n_k-1，隨著卷積層的深入，心電信號的長度n_k在縮短，而維度64k在增加，長度縮短，心電信號變得更加緊密，維度增加，信息量更豐富；

e、在第K層，即最后一層一維卷積神經網絡層，得到了

f、將進行線性組合，得到緊密的較低維度特征并輸出，d表示線性組合的個數；

g、將進行帶有Sigmoid激活函數的線性組合，得到最終的概率向量輸出其中m是診斷集合的大小；

三、深度神經網絡參數的學習

a、定義目標函數Loss，度量真實標簽L和預測概率P之間的差異，本發明選用交叉熵損失函數CrossEntropy；

當l_i＝1時，CrossEntropy(l_i,p_i)＝-log(p_i)；當l_i＝0時，CrossEntropy(l_i,p_i)＝-log(1-p_i)；

b、用梯度下降法迭代更新參數，使用批隨機梯度下降計算梯度，對梯度進行反向傳播的方式，在反向傳播的過程中更新網絡參數,經過多次的迭代，得到穩定的網絡參數，并保存這些參數，作為最終的模型；

四、改造深度神經網絡為多層特征提取器

a、多層特征提取器改造依賴于上述訓練完畢的網絡，參數保持不變；

b、對于第k層的特征提取器，首先取第k層的一維卷積神經網絡層的輸出采用全局平均池化操作，此時長度n_k變為1，得到第k層的特征向量計算公式為

五、特征提取

對于任意一個新來的心電信號數據輸入到F中，進行前向傳播，根據具體需求，取第k層的特征提取器結果作為提取到的特征向量。

2.根據權利要求1所述的一種基于一維卷積神經網絡的心電信號特征自動提取方法,其特征在于，所述步驟二中構建深度神經網絡，在第K層，采用全局平均池化操作，此時長度n_k變為1，得到計算公式為

3.根據權利要求1所述的一種基于一維卷積神經網絡的心電信號特征自動提取方法,其特征在于，所述步驟二中維度特征D_k的計算公式為D_k＝M_kE_k，其中，M_k表示線性組合的權重矩陣，該公式代表矩陣乘法。

4.根據權利要求1所述的一種基于一維卷積神經網絡的心電信號特征自動提取方法,其特征在于，所述步驟二中概率向量輸出P的計算公式為：P＝Sigmoid(WD_k)，W表示線性組合的權重矩陣，該公式代表矩陣乘法，