[發(fā)明專利]一種基于短時(shí)單導(dǎo)聯(lián)心電信號(hào)的房顫?rùn)z測(cè)模型MCNN-BLSTM

在審

• 申請(qǐng)?zhí)枺?/td>: 202211198567.5
• 申請(qǐng)日: 2022-09-29
• 公開（公告）號(hào): CN115736944A
• 公開（公告）日: 2023-03-07
• 發(fā)明（設(shè)計(jì)）人: 張宏坡;谷紅壯;陳冠赫;劉明喆
• 申請(qǐng)（專利權(quán)）人: 鄭州大學(xué)
• 主分類號(hào): A61B5/346
• 分類號(hào): A61B5/346;A61B5/361;A61B5/00;G06F18/10;G06F18/213;G06F18/24;G06N3/08;G06N3/0442;G06N3/045
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于短時(shí)單導(dǎo)聯(lián)心電信號(hào)的房顫?rùn)z測(cè)模型MCNN-BLSTM，其特征在于，該方法包括：

步驟1：模型獲取短時(shí)單導(dǎo)聯(lián)心電信號(hào)后，對(duì)信號(hào)進(jìn)行預(yù)處理，獲取切片后的多個(gè)相同長(zhǎng)度的不同心電片段輸出；過程如下：

心電信號(hào)利用Daubechies 6(db6)小波變換對(duì)原始心電信號(hào)進(jìn)行九級(jí)小波分解，消除D1、D2和A9分量，然后重構(gòu)剩下的分量，得到濾波后的信號(hào)。

重構(gòu)后的心電信號(hào)降采樣至120Hz。降采樣是降低心電記錄采樣率的過程，它有助于降低模型的復(fù)雜性，縮短模型的訓(xùn)練時(shí)間。

降采樣后的心電信號(hào)根據(jù)切片數(shù)量n，切片長(zhǎng)度l以及信號(hào)長(zhǎng)度L計(jì)算重疊量ol，其中ol計(jì)算公式如下所示：

將切片后的心電信號(hào)使用Z-score標(biāo)準(zhǔn)化技術(shù)，使心電信號(hào)的幅度服從數(shù)據(jù)均勻分布。Z-score的定義如下：

其中E(x)為樣本數(shù)據(jù)的均值，Var(x)是樣本數(shù)據(jù)的方差。

步驟2：MCNN模塊根據(jù)切片的數(shù)量，設(shè)置不同的支路對(duì)切片進(jìn)行特征學(xué)習(xí)；

步驟3：BLSTM模塊進(jìn)一步對(duì)各個(gè)支路提取到的特征進(jìn)行加強(qiáng)，提高模型的分類能力；

MCNN模塊和BLSTM過程如下：

通過預(yù)處理步驟獲取D＝{(x¹,y¹),(x²,y²),…,(x^m,y^m)}作為訓(xùn)練集，其中m表示心電信號(hào)的個(gè)數(shù)，xⁱ表示第i條心電信號(hào)，yⁱ∈{0,1,2}表示第i條心電信號(hào)的類別，0代表正常節(jié)律，1代表房顫節(jié)律，2代表其他節(jié)律。

對(duì)于一條心電信號(hào)xⁱ，將其輸入到模型MCNN-BLSTM中獲得輸出zⁱ，公式如下所示：

zⁱ＝g(xⁱ,θ) (3)

其中θ表示模型中的相關(guān)參數(shù)。

步驟4：分類模塊根據(jù)最終提取到的特征對(duì)心電信號(hào)進(jìn)行分類，這里分類為正常、房顫和其他三種類別；過程如下：

經(jīng)過模型計(jì)算后獲取每一類的特征向量zⁱ，將zⁱ輸入到線性層，獲取與類別數(shù)量相同的輸出，并加入softmax函數(shù)輸出心電信號(hào)為正常節(jié)律、AF節(jié)律或其他節(jié)律的概率，對(duì)應(yīng)的softmax函數(shù)計(jì)算如下：

其中c＝3表示心電信號(hào)的類別數(shù)，為輸入向量zⁱ的類別概率。

2.根據(jù)權(quán)利要求1所述的一種基于短時(shí)單導(dǎo)聯(lián)心電信號(hào)的房顫?rùn)z測(cè)模型MCNN-BLSTM。模型整體包含四個(gè)模塊：預(yù)處理模塊、MCNN模塊、BLSTM模塊和分類模塊。其中預(yù)處理模塊包括：降噪、降采樣、切片和標(biāo)準(zhǔn)化等操作。MCNN模塊包括多個(gè)卷積分支，每個(gè)卷積分支包含12個(gè)卷積層和4個(gè)池化層。12個(gè)卷積層分為4個(gè)組，每個(gè)組的卷積層分別為4、3、3和2。第一組過濾器的數(shù)量為8、16、32和32。第二組有64個(gè)過濾器。第三組有128個(gè)過濾器。最后一組卷積層有256個(gè)濾波器。每個(gè)卷積層后包含一個(gè)BN層。BLSTM模塊將每個(gè)分支學(xué)習(xí)到的特征進(jìn)行進(jìn)一步的加強(qiáng)。分類模塊使用Softmax函數(shù)計(jì)算每條信號(hào)屬于正常、房顫和其他類別的概率。

3.根據(jù)權(quán)利要求1所述的一種基于短時(shí)單導(dǎo)聯(lián)心電信號(hào)的房顫?rùn)z測(cè)模型MCNN-BLSTM，其特征在于：模型在訓(xùn)練過程中使用SGD和沖量相結(jié)合作為模型的優(yōu)化器，加速模型在正確方向上的收斂速度。模型設(shè)置batch size為32，沖量系數(shù)為0.7，初始學(xué)習(xí)率為0.1，每10次迭代，學(xué)習(xí)率會(huì)進(jìn)行衰減，最大迭代次數(shù)為100，在每一次循環(huán)迭代中更新模型參數(shù)。其中學(xué)習(xí)率μ衰減公式如下所示：

μ＝μ₀*0.1^N/10 (5)

其中，μ₀為初始學(xué)習(xí)速率，N為迭代次數(shù)。