[發(fā)明專利]基于S型重構(gòu)的2D卷積神經(jīng)網(wǎng)絡(luò)的心拍分類方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202011108938.7
• 申請日: 2020-10-16
• 公開（公告）號: CN113349790B
• 公開（公告）日: 2022-08-09
• 發(fā)明（設(shè)計）人: 張亞濤;張鋒;李向宇;李楊曉;董文琦
• 申請（專利權(quán)）人: 山東大學(xué)
• 主分類號: A61B5/346
• 分類號: A61B5/346;A61B5/00;A61B5/352
• 代理公司: 濟南圣達(dá)知識產(chǎn)權(quán)代理有限公司 37221
• 代理人: 董雪

本公開公開的基于S型重構(gòu)的2D卷積神經(jīng)網(wǎng)絡(luò)的心拍分類方法及系統(tǒng)，包括：獲取ECG心電信號；對獲取的ECG心電信號預(yù)處理，提取心拍信號；將心拍信號重構(gòu)為二維信號；將獲得的二維信號輸入至2D卷積神經(jīng)網(wǎng)絡(luò)模型中，獲取心拍信號的分類結(jié)果。通過將心拍信號重構(gòu)為二維信號，將二維信號輸入至2D?CNN網(wǎng)絡(luò)模型中進(jìn)行心拍信號的分類識別，由于心拍信號轉(zhuǎn)化為二維信號，從而使得2D?CNN卷積網(wǎng)絡(luò)在卷積時，既能考察相鄰的點，也能考察較遠(yuǎn)距離處的點，挖掘出心拍信號中不相鄰數(shù)據(jù)點間的隱含的聯(lián)系，從而更能準(zhǔn)確反映心拍信號的特征，使得分類結(jié)果更準(zhǔn)確。

技術(shù)領(lǐng)域

本發(fā)明涉及心電分析技術(shù)領(lǐng)域，尤其涉及基于S型重構(gòu)的2D卷積神經(jīng)網(wǎng)絡(luò)的心拍分類方法及系統(tǒng)。

背景技術(shù)

本部分的陳述僅僅是提供了與本公開相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

傳統(tǒng)的心拍分類主要有兩種方法，分別為基于特征提取的機器學(xué)習(xí)算法與無需特征提取的深度學(xué)習(xí)方法。

當(dāng)采用基于特征提取的機器學(xué)習(xí)算法進(jìn)行心拍分類時，需手工提取特征，如時域、頻域特征等，再選擇并訓(xùn)練合適的分類器根據(jù)提取的特征進(jìn)行分類，故選取的特征對分類性能的影響非常關(guān)鍵。基于SVM，Thaweesak等人通過使用二級分類研究輸入特征維度固定且自由選擇的SVM的性能，其方法的缺陷在于特征維度必須固定，限制了特征的擴展，Nasiri J A等人從心電信號中半自動提取了22個特征，將遺傳算法與支持向量機結(jié)合，一定程度上增強了模型的泛化性能。這兩種方法各自能識別出三種和四種類型的心律失常，但提取的特征都較少，不能反映心電信號中全面信息，影響最后的分類精度。基于隨機森林，Ozcift等人提出了一種利用數(shù)據(jù)重采樣策略訓(xùn)練RFs的方法，除了傳統(tǒng)的RFs,RaF的變體也被用于心電圖分類，如斜向隨機森林(ORAF)也被用于對心電圖進(jìn)行質(zhì)量評價，隨機森林的方法在解釋性方面優(yōu)勢顯著，但提取的特征質(zhì)量仍是決定其分類效果的核心要素，精度提高有限。

可見傳統(tǒng)的機器學(xué)習(xí)算法在前期提取特征時比較依賴先驗知識。這種方法對提取出的特征要求比較嚴(yán)格，分類器的設(shè)計十分受限于特征提取對心電信號內(nèi)在屬性的真實反映能力，也就使得心拍分類的性能對特征選擇的正確性、真實性依賴度非常高，影響了心拍分類結(jié)果的準(zhǔn)確性。

當(dāng)基于深度學(xué)習(xí)算法進(jìn)行心拍分類時，可以無需實施特征工程，將經(jīng)過預(yù)處理后的原始數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，直接實現(xiàn)對心拍類別的分類，原始數(shù)據(jù)可以從CCDD數(shù)據(jù)庫提取，也可以來自臨床的原始檢測數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)的每層根據(jù)原始輸出提取出的特征用于最后的分類，但是經(jīng)典的基于深度學(xué)習(xí)方法，如U.Rajendra Acharya等人提出的一種采用一維卷積模板的卷積神經(jīng)網(wǎng)絡(luò)，因為一維信號所含信息有限，不能全面反映心電信號中所包含的心臟動力學(xué)性質(zhì)，限制了精度的提高，使得該種方法的分類精度較低。Sayantan G等人利用深層置信網(wǎng)絡(luò)和主動學(xué)習(xí)對心電圖節(jié)拍進(jìn)行分類，但是現(xiàn)有的深度置信網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，速度較慢，不如卷積神經(jīng)網(wǎng)絡(luò)CNN結(jié)構(gòu)清晰。

發(fā)明內(nèi)容

本公開為了解決上述問題，提出了基于S型重構(gòu)的2D卷積神經(jīng)網(wǎng)絡(luò)的心拍分類方法及系統(tǒng)，通過將心拍信號重構(gòu)為二維信號，將二維信號輸入至2D-CNN網(wǎng)絡(luò)模型中進(jìn)行心拍信號的分類識別，由于心拍信號轉(zhuǎn)化為二維信號，從而使得2D-CNN卷積網(wǎng)絡(luò)在卷積時，既能考察相鄰的點，也能考察較遠(yuǎn)距離處的點，挖掘出心拍信號中不相鄰數(shù)據(jù)點間的隱含的聯(lián)系，從而更能準(zhǔn)確反映心拍信號的特征，使得分類結(jié)果更準(zhǔn)確。

為實現(xiàn)上述目的，本公開采用如下技術(shù)方案：

第一方面，基于S型重構(gòu)的2D卷積神經(jīng)網(wǎng)絡(luò)的心拍分類方法，包括：

獲取ECG心電信號；

對獲取的ECG心電信號預(yù)處理，提取心拍信號；

將心拍信號重構(gòu)為二維信號；

將獲得的二維信號輸入至2D卷積神經(jīng)網(wǎng)絡(luò)模型中，獲取心拍信號的分類結(jié)果。