[發明專利]一種基于模型融合的生理信號分類方法

在審

• 申請號: 202110270113.3
• 申請日: 2021-03-12
• 公開（公告）號: CN113116300A
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 楊翠微;蘭天杰
• 申請（專利權）人: 復旦大學
• 主分類號: A61B5/00
• 分類號: A61B5/00
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 張磊

本發明涉及一種基于模型融合的生理信號分類方法。所述方法包括：首先對采集得到的生理信號進行去噪、重采樣、分割等預處理得到一維信號片段，將信號片段作為輸入，建立一維神經網絡模型進行訓練；同時對預處理后的一維信號片段進行時頻變換，將時頻圖作為輸入，建立二維神經網絡模型進行訓練。在分類預測階段，分別將預處理后的一維信號片段和其對應的二維時頻圖像輸入訓練好的一維和二維網絡模型中，將不同模型在決策層進行融合得到最終分類結果。本方法將神經網絡和集成學習思想相結合，通過模型融合技術提高分類準確率，可以應用于不同類型的生理信號分類場景中，在信號處理領域和疾病研究領域均有一定的應用價值。

技術領域

本發明涉及一種基于模型融合的生理信號分類方法。

背景技術

心血管疾病是導致人類死亡的首要原因，由于社會老齡化和城市化進程加快，以及不健康生活方式的普遍，患病人數仍在持續增加，心血管疾病的診療已成為我國國民健康穩定發展的重要課題。心律失常是最常見的心血管疾病，它可以單獨發作，或者是和其他心血管疾病一起發作，危害人體健康。動態連續的生理信號監測有利于捕獲此類疾病信息，減少疾病的漏檢。但是，動態連續的生理信號會產生大量的數據，這些海量數據給醫生診斷帶來負擔，利用計算機輔助人工診斷是當前的一個研究熱點。針對動態連續的生理信號進行分類從而自動檢測疾病的算法近年來受到了廣泛的關注。

隨著大數據時代的來臨，基于神經網絡的研究受到越來越多的關注，神經網絡可以自動學習信號中的特征，對研究者的先驗知識依賴較小，可以實現端對端的分類，算法效率也比較高，在很多場景中都表現出優越的性能，目前在圖像分類、語音識別以及自然語言處理等領域中已得到廣泛應用。

基于神經網絡進行生理信號分類是一個重要的研究方向，如何對算法進行優化，得到準確率高、泛化能力強的分類模型，使其滿足實際應用需求，具有重要的研究意義。此外，在神經網絡建模的過程中，為了使結果最優，通常會對多種算法進行探索（如使用不同結構的模型或者提取不同特征等），同時建立多個模型進行對比，最終選出性能最優的模型用于分類。但是這種做法有兩個缺點，一方面，神經網絡訓練通常需要花費大量的時間，最終只選用單個模型，浪費了用于訓練其他模型的時間；另一方面，在當前測試集上分類效果較好的模型，未必在更多新樣本上性能也最優，舍棄其他模型而可能會錯失其中泛化能力最強的模型。

發明內容

本發明的目的在于提出一種基于模型融合的生理信號分類方法。本發明方法將神經網絡和集成學習思想相結合，通過模型融合技術提高分類準確率。將原始數據的多個特征分別輸入多個神經網絡模型中進行訓練，得到不同模型的輸出結果，然后在決策層進行綜合性考量。

本發明提出的一種基于模型融合的生理信號分類方法，具體步驟如下：

（1）采集生物個體的生理信號，并對生理信號進行預處理，所述預處理包括片段分割、重采樣、噪聲濾除和幅值歸一化等操作，得到一維信號片段，將預處理后的一維信號片段按照標簽分成若干種不同的類別；

（2）針對步驟（1）得到的一維信號片段，選用合適的時頻變換方法，確定時頻變換的各項參數，將一維信號片段轉變為帶灰度信息的二維時頻幅度矩陣，該二維時頻幅度矩陣類似于圖像，對該圖像進行歸一化等操作，得到歸一化后的二維時頻矩陣；

（3）將經步驟（1）和（2）處理后得到的全部數據劃分成訓練集和測試集：

針對步驟（1）得到的一維信號片段，按照一定比例劃分（如，9:1、8:2或7:3）得到訓練集和測試集；將步驟（2）得到的二維時頻矩陣也按照同樣比例劃分得到訓練集和測試集；其中：在一維信號片段的訓練集中出現的樣本，其對應的二維時頻矩陣樣本也被劃分入同一個訓練集中；在一維信號片段的測試集中出現的樣本，其對應的二維時頻矩陣樣本也被劃分入同一個測試集中；

（4）將一維信號片段作為輸入，構建一維神經網絡模型進行分類，將步驟（3）得到的一維信號片段的訓練集數據輸入到該一維神經網絡模型中進行網絡訓練，直至一維神經網絡模型收斂或者達到預設訓練次數，得到分類模型1；