一种基于改进ALO-SVM的ECG深度诊断方法技术

本发明专利技术公开了一种基于改进ALO

【技术实现步骤摘要】
一种基于改进ALO
‑
SVM的ECG深度诊断方法


[0001]本专利技术涉及心电图智能识别
，具体涉及一种基于改进ALO
‑
SVM的ECG深度诊断方法。

技术介绍

[0002]心电图是应用心电图机以图形形式记录心肌电流的变化的一种技术。目前，基于心电图的检测分析仍是医学上诊断和评估心血管疾病的重要手段。ECG信号的波形复杂，信息量庞大，传统依靠人工标注心电图的方法费时费力，且容易出现误判的情况，这极大影响了医师对心血管疾病患者的识别和诊断，因此基于计算机技术实现对ECG信号自动识别和分类是刻不容缓的。另一方面，采集到的ECG信号往往含有大量的噪声，对后续的分类识别工作带来了极大的困难。常见的噪声滤除方法有数字滤波、连续小波变换等，但这些去噪方法对参考信号敏感，当用户运动时，其去噪效果就会大打折扣。选择合理的去噪方法，对后续的特征提取和心电分类都起着至关重要的作用。在大数据时代，采用深度学习技术实现各类健康指标检测逐渐成为了一种主流。卷积神经网络(convolution neural networks,CNN)在时间序列生物信号中具有广阔的应用前景，相比传统方法，CNN模型能够自适应地提取相关特征，避免了人工特征提取、选择和降维的烦恼，并通过海量的训练数据集显著提高了分类准确率，但是，CNN本身存在小样本情况下容易过拟合以及不可解释性的问题。
[0003]例如，一种在中国专利文献上公开的“识别具有相同形态的ECG信号”，其公告号为“CN107714033A”，本专利技术题为识别具有相同形态的ECG信号。本专利技术公开了一种方法，该方法包括选择在人类受检者的单个心跳上获取的心电图(ECG)信号的初始组，具有相应形态的该组待用作受检者的心律失常的模板，以及接收在人类受检者的后续心跳上获取的ECG信号的后续组。该方法还包括执行初始组与后续组之间的互相关以便生成相关系数，相关系数是初始组与后续组的几何结构之间的拟合优度的度量，以及当相关系数超过阈值系数时，将后续心跳当作已由心律失常引起。但是该方法通过滤波器去噪，对参考信号比较敏感。

技术实现思路

[0004]本专利技术是为了克服现有ECG信号的波形复杂，信息量庞大且ECG信号去噪问题。提供一种基于改进ALO
‑
SVM的ECG深度诊断方法，该方法中将CNN和支持向量机(SVM)有机结合，并使用改进蚁狮算法(ALO)优化SVM的参数，将数据的特征提取和分类任务集成在一起，提高了整个分类模型的关联性和分类精度，并能够有效且准确的实现对ECG信号的分类识别。
[0005]为了实现上述目的，本专利技术采用以下技术方案：一种基于改进ALO
‑
SVM的ECG深度诊断方法，包括以下步骤：S1，采集受试者的ECG信号作为原始数据集，并基于QRS波的检测定位对原始数据进行心拍分割，同时采用改进阈值提升小波方法对原始数据进行去噪预处理，并将其分为
训练数据和测试数据；S2，对训练数据和测试数据进行标准化处理；S3，构建CNN与改进ALO
‑
SVM混合模型；S4，将准备好的训练样本输入到模型中进行训练；S5，将测试样本数据输入到训练好的CNN与改进ALO
‑
SVM混合模型中进行ECG信号的分类识别；首先将采集到的原始ECG信号进行改进阈值提升小波变换去除噪声，然后将经过预处理的ECG信号输入到所构建的CNN与改进ALO
‑
SVM混合模型中，并对模型进行训练，最后，将测试数据输入到训练好的CNN与改进ALO
‑
SVM混合模型中完成对用户的心电信号的智能识别。采用CNN与改进ALO
‑
SVM混合模型实现了对ECG信号的特征提取和分类识别，该组合模型将CNN和支持向量机(SVM)有机结合，并使用改进蚁狮算法(ALO)优化SVM的参数，将数据的特征提取和分类任务集成在一起，提高了整个预测模型的关联性和分类精度。
[0006]作为优选，所述步骤S1中提升小波方法包括以下步骤：S11，分裂过程，采用如下式子：o
j
‑1(k)＝s
j
(2k
‑
1)，e
j
‑1(k)＝s
j
(2k)式中，奇序列o
j
‑1和偶序列e
j
‑1是由原始数据s
j
按数据的奇偶性分解得到的；S12,预测过程，采用如下式子：d
j
‑1＝o
j
‑1‑
P(e
j
‑1)式中，P为给定的预测算子，d为小波系数；S13,更新过程，采用如下s
j
‑1＝e
j
‑1+U(d
j
‑1)式中，U是给定的更新算子。在实际使用提升算法时，可依据实际情况选用不同的P和U来构成不同的提升算法。
[0007]作为优选，所述步骤S1中改进阙值的方法具体为经小波分解后，信号中噪声的小波系数幅值小于原信号幅值，采用改进的阈值函数消除信号噪声，所述改进的阙值函数为：式中，参数λ是所选的阈值，参数α是阈值函数的调整因子，在(0,1]范围内灵活取值。当数值接近于0时，改进阈值函数趋向软阈值方法，当数值接近1时，改进阈值函数趋向硬阈值方法。
[0008]作为优选，所述步骤S3中构建CNN与改进ALO
‑
SVM混合模型的具体方法为：所述模型包括五层CNN层、一层全局平均池化层和一层ALO
‑
SVM实现信号分类，为了避免梯度弥散问题的发生，每一个卷积层后紧跟批归一化层和最大池化层，在ALO
‑
SVM输出层中，使用改进ALO优化算法对SVM参数进行优化。其中，ALO算法模拟了蚁狮和蚂蚁在捕猎过程中的交互，将待优化的参数视作随机游走的蚂蚁，模仿蚁狮利用沙坑捕获蚂蚁的行为来寻找最优参数提出一种蚂蚁随机变换方法。
[0009]作为优选，所述卷积操作式子如下：
其中为第(t
‑
1)层的第m个特征图的输出值；为第t层第l个特征图与第(t
‑
1)层第m个特征图之间的卷积核；为第t层的第l个特征图所对应的阈值；N
l
为输入的特征图集合；为第t层的第l个特征图的输出值；f(
·
)为激活函数。
[0010]作为优选，所述ALO优化算法式子如下：P(X
ant
)＝[0,cumsum(2r(t1)
‑
1),...,cumsum(2r(t
max
)
‑
1)]式中，max是参数的最大迭代次数，cumsum用于计算累计和，P(Xant)是蚂蚁的自身位置。
[0011]作为优选，所述步骤S4中还包括在模型中还增加了dropout层来防止模型过拟合的操作。
[0012]因此，本专利技术具有如下的有益效果:本专利技术采用CNN与改进ALO
‑
SVM本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进ALO
‑
SVM的ECG深度诊断方法，其特征是，包括以下步骤：S1，采集受试者的ECG信号作为原始数据集，并基于QRS波的检测定位对原始数据进行心拍分割，同时采用改进阈值提升小波方法对原始数据进行去噪预处理，并将其分为训练数据和测试数据；S2，对训练数据和测试数据进行标准化处理；S3，构建CNN与改进ALO
‑
SVM混合模型；S4，将准备好的训练样本输入到模型中进行训练；S5，将测试样本数据输入到训练好的CNN与改进ALO
‑
SVM混合模型中进行ECG信号的分类识别。2.根据权利要求1所述的一种基于改进ALO
‑
SVM的ECG深度诊断方法，其特征是，所述步骤S1中提升小波方法包括以下步骤：S11，分裂过程，采用以下式子：o
j
‑1(k)＝s
j
(2k
‑
1)，e
j
‑1(k)＝s
j
(2k)式中，奇序列o
j
‑1和偶序列e
j
‑1是由原始数据s
j
按数据的奇偶性分解得到的；S12,预测过程，采用以下式子：d
j
‑1＝o
j
‑1‑
P(e
j
‑1)式中，P为给定的预测算子，d为小波系数；S13,更新过程，采用以下式子：s
j
‑1＝e
j
‑1+U(d
j
‑1)式中，U是给定的更新算子。在实际使用提升算法时，可依据实际情况选用不同的P和U来构成不同的提升算法。3.根据权利要求1所述的一种基于改进ALO
‑
SVM的ECG深度诊断方法，其特征是，所述步骤S1中改进阙值的方法具体为经小波分解后，信号中噪声的小波系数幅值小于...

【专利技术属性】
技术研发人员：何志涛，陈永毅，张丹，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：