[發明專利]一種基于判別式深度置信網絡的心律失常自動分類方法

有效

• 申請號: 201910266921.5
• 申請日: 2019-04-03
• 公開（公告）號: CN109998525B
• 公開（公告）日: 2022-05-20
• 發明（設計）人: 宋立新;房奇
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: A61B5/318
• 分類號: A61B5/318;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 哈爾濱華夏松花江知識產權代理有限公司 23213
• 代理人: 高志光

1.一種基于判別式深度置信網絡的心律失常自動分類方法，其特征是：該方法包括如下步驟：

步驟一：ECG信號預處理；

ECG信號送入DDBNs模型前，需經過濾波、R峰定位和歸一化，作為樣本數據,樣本數據包括訓練樣本和測試樣本；

步驟二：DDBNs模型構建；

DDBNs模型是學習提取訓練樣本深層次表示的圖形模型，由堆疊的RBM組成，DDBNs模型包括GRBM和DRBM；

(1)GRBM

RBM是具有可見和隱含層互連的典型神經網絡，在同一層中的任何兩個神經元之間沒有連接，在可見層上具有二元輸入的RBM為BB-RBM，而在可見層上具有實值輸入的RBM為GB-RBM；

(2)DRBM；

DRBM是采用具有兩組可見層的單個RBM來訓練聯合密度模型，除了表示輸入數據的單元A外，還有一個相當于“Softmax”的分類標簽單元B，通過計算測試樣本在每個類別標簽下的概率，從而預測最可能的類別y；其中DRBM在DDBNs模型中為頂層DRBM，即一層BB-RBM，

其中y∈{1,2,…,k}，k為樣本類別數；

步驟三：DDBNs模型訓練；

整體DDBNs模型采用貪婪的分層方式進行訓練，訓練樣本送入GRBM網絡中，經過逐層無監督訓練，每層RBM的輸入為前一層的輸出，以從訓練樣本中學習到高層次的特征結構，頂層DRBM通過有監督學習后，能夠得到測試樣本在各類別下的后驗概率，由此輸出對測試樣本分類的判別結果；

步驟四：DDBNs模型有監督微調；

DDBNs模型的逐層預訓練完成后，將其轉換為使用Softmax回歸層作為輸出的DNN，通過最小化損失函數，反向傳播來調整網絡參數，執行監督分類，微調階段使用小批量梯度優化方法；

步驟五：將待分類的ECG信號送入DDBNs模型；

對送入DDBNs模型的256維采樣點x與三維RR間期特征r分別進行歸一化處理，得到一個心拍歸一化待分類的樣本數據，送入DDBNs模型的網絡頂層DRBM中，

所述的步驟五的具體過程為：

對送入DDBNs模型的256維采樣點x與三維RR間期特征r分別進行歸一化處理，得到一個心拍歸一化待分類的樣本數據，送入網絡頂層DRBM中，如式(1)所示：

其中，μ_t為訓練集心拍樣本的第t個均值；

σ_t為訓練集心拍樣本的第t個標準差；

而對當前心拍RR間期、下一心拍RR間期、相鄰RR間期差異度三維間期特征R中的特征r歸一化，得到一個心拍的間期特征，結合GRBM提取的形態特征，送入頂層DRBM實現分類，如式(2)所示：

其中，r_tmax為訓練集RR間期特征的第t個最大值；

r_tmin為訓練集RR間期特征的第t個最小值。

2.根據權利要求1所述的一種基于判別式深度置信網絡的心律失常自動分類方法，其特征是：所述的步驟一包括如下過程：

首先，對信號進行9尺度小波分解，將第1層細節系數90～180Hz和第9層近似系數0～0.35Hz置零，其他小波系數進行自適應小波閾值濾波處理后重構，去除基線漂移及高頻干擾；

然后，通過R峰定位來確定心拍位置；

最后，選取包括P波和T波的心拍長度為256個采樣點，即取R峰前90、后165個采樣點。