[發明專利]一種基于深度殘差網絡的心電圖分類方法及系統

有效

• 申請號: 201910067775.3
• 申請日: 2019-01-24
• 公開（公告）號: CN109948647B
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 錢步月;李曉宇;劉濤;陳思睿;李安;林佳亮;劉璇;呂欣;鄭慶華
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

1.一種基于深度殘差網絡的心電圖分類方法，其特征在于，包括以下步驟：

S1，樣本數據預處理：采集獲取預設數量的標注好的心電圖數據，預處理后獲得作為模型訓練輸入的心電圖樣本數據和類別標簽；根據心電圖樣本數據提取關鍵波形位置獲取關鍵波形標簽；將心電圖樣本數據、類別標簽和關鍵波形標簽以及它們之間的對應關系整合為數據集；將數據集按照預設比例劃分為訓練集和驗證集；

S2，構建具有分支的深度殘差網絡模型：構建基本的深度殘差網絡，在其主干網絡預設位置構建用以重構關鍵波形位置的分支；分支包括：卷積層和Sigmoid層；具有分支的深度殘差網絡模型的訓練過程中，通過構建的基本的深度殘差網絡計算出分類損失函數，通過構建的分支計算出波形檢測的損失函數，根據計算出的分類損失函數和波形檢測的損失函數得出最終的損失函數；

S3，設置批處理數量和初始學習率，通過步驟S1得到的訓練集對步驟S2構建的具有分支的深度殘差網絡模型進行訓練；通過步驟S1得到的驗證集對訓練后的具有分支的深度殘差網絡模型進行驗證，當驗證集損失函數達到預設收斂條件則完成訓練，獲得訓練好的具有分支的深度殘差網絡模型；

S4，將待分類檢測的心電圖數據輸入步驟S3獲得的訓練好的具有分支的深度殘差網絡模型，模型輸出心電圖分類結果；

其中，步驟S1中，關鍵波形包括P波和R波中的一種或兩種；

步驟S2構建的基本的深度殘差網絡模型中：數據進入模型后，先依次經過卷積層、批歸一化層和ReLU激活層；然后分為兩部分，一部分直接經過最大池化層進行處理，另一部分依次經過卷積層、批歸一化層、ReLU激活層、Dropout層、卷積層和最大池化層進行處理，處理完畢獲得的兩部分數據加到一起，再依次經過預設數量的卷積塊進行處理，處理后的數據再依次經過批處理層、ReLU激活層、全連接層和Softmax層處理后輸出；分支的卷積層的輸入端與主干網預設位置的卷積塊的輸出端相連接；

卷積塊內的數據流分為兩個分支處理；一個分支只經過一個最大池化層處理，另一個分支依次經過預設數量的卷積層、批歸一化層、ReLU激活層和Dropout層之后再經過一個最大池化層處理，兩個分支處理后的數據再加到一起作為所述卷積塊的輸出。

2.根據權利要求1所述的一種基于深度殘差網絡的心電圖分類方法，其特征在于，步驟S1中的預處理包括：將采集的心電圖數據進行歸一化和濾波去噪處理；

具體包括：將采集的心電圖數據補齊至統一預定長度進行歸一化，然后先后通過低通濾波器和高通濾波器以濾去噪音信號。

3.根據權利要求1所述的一種基于深度殘差網絡的心電圖分類方法，其特征在于，分類損失函數的計算公式為：

式中，S為經過預處理后的心電圖序列，Y是類別標簽，p()函數是預測當前心電圖屬于某個類別的概率，N是類別數量，y_i是第i個類別。

4.根據權利要求3所述的一種基于深度殘差網絡的心電圖分類方法，其特征在于，步驟S2中，在構建的基本的深度殘差網絡的主干網的兩個預設位置分別引入一個分支，每個分支后分別連接一個卷積層和Sigmoid層，卷積層的神經元數量設置為2，Sigmoid層輸出一個三維的張量（b，f，2），b表示批處理數量，f表示特征的長度，2表示這個張量來預測一個二元組（x，c），x為關鍵波形頂點的相對位置，c為關鍵波形的概率。

5.根據權利要求4所述的一種基于深度殘差網絡的心電圖分類方法，其特征在于，波形檢測的損失函數的計算公式為：

式中，S為經過預處理后的心電圖序列，X表示關鍵波形位置標簽，C表示置信度標簽；表示做x相對坐標回歸的系數，表示對沒有物體的網格計算預測結果的系數，用于控制正例和負例對結果的貢獻比例；和分別表示有物體和沒有物體時值為1，否則為0；和分別表示預測物體的真實相對位置和真實置信度，和分別表示當前模型預測的物體相對位置和置信度。