[發明專利]一種基于小波變換與DCNN的心電圖分類方法和裝置

在審

• 申請號: 202010145852.5
• 申請日: 2020-03-05
• 公開（公告）號: CN111202512A
• 公開（公告）日: 2020-05-29
• 發明（設計）人: 成金勇;趙運祥;張平
• 申請（專利權）人: 齊魯工業大學
• 主分類號: A61B5/0402
• 分類號: A61B5/0402;A61B5/00;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 劉淑風

本發明提供一種基于小波變換與DCNN的心電圖分類方法和裝置，屬于生物醫學與模式識別領域。本發明基于小波變換與深度卷積神經網絡的心電圖信號自動分類方法和裝置，利用小波函數將心電圖信號分解成不同頻率尺度的子信號，經過分段過濾后進行小波重構，利用24層卷積神經網絡采用交叉大小卷積核進行特征提取，在傳遞特征信息時采用dropout和Batch Normalization來防止數據過擬合，最終利用softmax分類器進行分類。該方法已在2017 PhysioNet/CinC Challenge所提供的ECG數據集上得到驗證，其準確率為0.871，F1得分為0.8652。研究表明：通過小波變換能夠更有效地消除心電圖信號噪音，利用24層深度卷積神經網絡能夠提取多層次特征，同時加大卷積核的大小增加感受視野，從而提升模型的分類性能。

技術領域

本發明涉及生物醫學與模式識別領域，具體涉及一種基于小波變換與DCNN的心電圖分類方法和裝置。

背景技術

心房顫動(房顫)是臨床最常見的持續性快速心律失常。房顫的主要危害是增加血管栓塞的危險，是缺血性腦卒中的主要原因之一。房顫表現在心電圖上就是各導聯上竇性P波消失，QRS波形態、振幅與竇性心律基本相同，R-R間期絕對不均衡。心電圖自動分析與分類系統可以為醫生診斷心臟疾病提供巨大幫助，對提高醫療效率，降低醫療成本，預防診斷心臟疾病具有重要意義。

近幾年國內外對心電信號自動識別分類進行了廣泛的研究。隨著機器學習的發展，利用支持向量機(SVM)來進行多分類任務，利用內積核函數代替向高維空間的非線性映射，實現高效的從訓練樣本到預測樣本的“推理轉換”。Kumar提出了一種基于小波變換心電信號自動分類方法，對心電信號進行節拍分割。并對每個心電節拍進行小波變換，最后采用支持向量機來分類。Ramírez對597例慢性心力衰竭伴竇性心律患者的心電圖記錄進行分，最終使用支持向量機將患者分為三組，取得了良好的結果。SmisekIt提出利用個體節拍和整體心電圖的不同節律和形態特征分別表示短期事件和整體趨勢，最后用支持向量機進行分類。但是由于SVM的計算能力對數據規模和機器設備有較大的依賴，應用到多分類問題的時候，對數據高維度特征必須進行降維處理后才能進行分類，降維往往會丟失數據特征，從而影像分類精度，所以應用到多分類問題時，使用深度學習更有優勢。

隨著深度學習的迅速發展，神經網絡在特征提取方面所體現的優勢逐漸明顯，深度學習通常將簡單的模型組合在一起，將數據從一層傳遞到另一層來構建更復雜的模型。卷積神經網絡(CNN)是目前最流行的深度學習算法之一，CNN尤其適用于發現圖像中的模式，直接從圖像數據中學習，使用模式對圖像進行分類，CNN在各個應用中都展現了不錯的效果。Rubin提出使用訓練數據集訓練兩個卷積神經網絡(CNN)模型(主模型接受15s的ECG段，第二個模型處理較短的9s段)來進行分類。Pyakillya提出了基于一維卷積層和FCN層的心電分類深度學習模型，并給出了分類結果。Warrick提出將卷積神經網絡(CNNs)與循環神經網絡相結合，并采dropout和歸一化來提高其精度。Rizwan從心電圖波形中提取特征并訓練機器學習分類器。Hannun開發了一種深度神經網絡(DNN)，對單導聯心電圖信號中的12種信號進行分類，其分類性能準確度高達83.7％，超過了人類心臟病醫生的78％。

由于通過人體體表采集的心電信號不可避免的存在大量的噪音干擾，如肌電干擾，工頻干擾等。Ari提出了一種基于遺傳算法的IMF閾值技術，實驗結果表明該方法優于傳統的基于EMD降噪中的方法。Wu通過心電圖信號增強消除噪音，提高信噪比(SNR)的同時保持了和較低的均方根誤差(RMSE)。Ari和Wu所論述的方法由于沒有考慮到心電圖信號的本身特征，因此去除噪音的同時，也可能消除信號中的奇異點。本發明采用了基于小波變換來進行數據預處理，通過對ECG信號進行連續的小波變換(SWT)，將原始信號進行分解重構，消除噪音對信號的影響。在特征提取和分類方面，通過深度卷積網絡用來對心電圖信號進行特征提取，卷積神經網絡的每個層檢測信號不同的特征。卷積層濾波器會應用到不同分辨率的各個訓練數據，從而提取到深層心電圖特征，在心電圖信號分類上顯示出良好的性能。

發明內容