一种基于改进卷积神经网络的心电信号精确分类方法技术

本发明专利技术公开了一种基于改进卷积神经网络的心电信号精确分类方法，包括：采集心电信号并进行预处理，将心电信号转化为二维图像；对二维图像进行裁剪实现数据增强；构建心电信号分类模型，包括依次连接的第一卷积模块、第一SE模块、第二卷积模块、第二SE模块、第三卷积模块、第三SE模块、第四卷积模块、第四SE模块、全连接层和softmax分类器，各卷积模块包括依次连接的第一卷积层、第一线性整流单元、第一批量归一化层、第二卷积层、第二线性整流单元、第二批量归一化层和池化层；将数据增强后的图像输入心电信号分类模型，获得心电信号分类结果。该方法可避免削弱原始心电信号，保证数据真实性，提高信号处理速度和分类准确度。提高信号处理速度和分类准确度。提高信号处理速度和分类准确度。

【技术实现步骤摘要】
一种基于改进卷积神经网络的心电信号精确分类方法


[0001]本专利技术属于信号分析
，具体涉及一种基于改进卷积神经网络的心电信号精确分类方法。

技术介绍

[0002]心律失常是心血管疾病(CVD)的一种常见类型，是指正常心律的任何不规则变化，包括心房颤动、过早收缩、心室颤动和心动过速。虽然单次心律失常心跳可能不会对生活产生严重影响，但持续的心律失常可能会导致致命的情况。例如，长时间的室性早搏(PVC)搏动偶尔会变成室性心动过速(VT)或心室颤动(VF)搏动，可立即导致心力衰竭。因此，定期监测心律以管理和预防心血管疾病非常重要。
[0003]近年来，深度学习技术凭借着对复杂映射关系的出色表示能力，在图像识别，自然语言处理和许多其他领域都相继取得了成功。随着深度学习的发展，利用深度学习技术进行生物医学信号处理的“深度医疗”技术也逐渐走进了大众的视野。基于数据驱动的“深度医疗”技术完全摆脱了先验知识、专家经验以及场地的限制。简单、高效的特点使其一举成为了当下研究的热点。但是仍存在如下缺陷：
[0004]其中，噪声滤波技术所带来的信号损耗问题最值得关注。心电信号的采集是一项非常精密的工作，除了电极位置的变化会影响心电信号外，呼吸、噪声和伪影都有可能使受试者的心电信号产生变化。为了避免噪声导致错误的生物特征认证，现有技术中通过对心电信号进行降噪预处理。但是，具有宽频谱分布的干扰(例如肌电信号)会与心电信号产生重叠，导致了在噪声滤波的同时会改变信号频率内容从而影响测量结果，这对于基于数据驱动的深度学习来说，影响无疑是巨大的。且现实环境中，大多数心电数据是正常的，只存在少数异常数据。在这种情况下，梯度下降学习算法会将批次中多数类对应的损失优先减少，从而导致少数类被相对忽略，不利于提高模型精度。

技术实现思路

[0005]本专利技术的目的在于针对上述问题，提出一种基于改进卷积神经网络的心电信号精确分类方法，可避免削弱原始心电信号，保证数据真实性，加快信号处理速度，提高分类准确度。
[0006]为实现上述目的，本专利技术所采取的技术方案为：
[0007]本专利技术提出的一种基于改进卷积神经网络的心电信号精确分类方法，包括如下步骤：
[0008]S1、采集心电信号并进行预处理，预处理为根据时间信息，以心跳搏动为单位将心电信号转化为二维图像，转化公式如下：
[0009]T(Qpeak(n)
‑
m)≤T(n)≤T(Qpeak(n)+m)
[0010]式中，Qpeak(n)为第n个Q波峰值信号，n为心跳搏动次数，m为单个心跳搏动范围的二分之一，T(
·
)为切片函数；
[0011]S2、对二维图像进行裁剪实现数据增强；
[0012]S3、构建心电信号分类模型，心电信号分类模型包括依次连接的第一卷积模块、第一SE模块、第二卷积模块、第二SE模块、第三卷积模块、第三SE模块、第四卷积模块、第四SE模块、全连接层和softmax分类器，各卷积模块包括依次连接的第一卷积层、第一线性整流单元、第一批量归一化层、第二卷积层、第二线性整流单元、第二批量归一化层和池化层；
[0013]S4、将数据增强后的图像输入心电信号分类模型进行检测，获得心电信号分类结果。
[0014]优选地，第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块的输出特征图大小依次为64、128、256和512，卷积层内核为3
×
3、步幅为1，池化层的内核为2
×
2、步幅为2。
[0015]优选地，心电信号分类结果包括非异位、室上性异位、室性异位、融合和未分类的心跳五种类型。
[0016]优选地，对二维图像进行裁剪，裁剪位置包括左上角、中心顶部、右上角、中心偏左、中心、中心偏右、左下角、中心底部、右下角。
[0017]优选地，池化层为平均池化层。
[0018]优选地，全连接层带有sigmoid非线性激活函数。
[0019]优选地，各线性整流单元为ReLU函数。
[0020]与现有技术相比，本专利技术的有益效果为：
[0021]1)采用改进的维度转换公式将心电信号转化为二维图片来处理，相较于传统神经网络对于数据标签的要求更低，检测更简单，信号处理速度更快；
[0022]2)通过图像数据增强，对少数异常数据进行扩充，保证数据真实性的情况下解决了神经网络对于少数异常数据的忽略；
[0023]3)该心电信号分类模型采用改进卷积神经网络，将通道注意力机制融入卷积神经网络，配合维度转换，通过对数据的学习，偏重于学习心电信号都具有的病理特征，相较于现有技术避免了降噪对心电信号本身的破坏，提高分类准确度。
附图说明
[0024]图1为本专利技术的基于改进卷积神经网络的心电信号精确分类方法流程图；
[0025]图2为本专利技术的心电信号分类模型结构示意图。
具体实施方式
[0026]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0027]需要说明的是，除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。
[0028]如图1
‑
2所示，一种基于改进卷积神经网络的心电信号精确分类方法，包括如下步
骤：
[0029]S1、采集心电信号并进行预处理，预处理为根据时间信息，以心跳搏动为单位将心电信号转化为二维图像，转化公式如下：
[0030]T(Qpeak(n)
‑
m)≤T(n)≤T(Qpeak(n)+m)
[0031]式中，Qpeak(n)为第n个Q波峰值信号，n为心跳搏动次数，m为单个心跳搏动范围的二分之一，T(
·
)为切片函数。
[0032]其中，心电信号是一维信号，幅值小且易受干扰，信号自动化分类难度大。本申请采用上式将一维心电信号，根据时间信息，以心跳搏动为单位，转化为二维图像。使得心跳搏动提取和形式转化步骤更加简单，且不涉及任何形式的滤波或噪声去除方法，有利于保证心电信号数据的真实性。需要说明的是，m可根据个人心跳搏动范围来设定。
[0033]S2、对二维图像进行裁剪实现数据增强。现实环境中，大多数心电数据是正常的，只存在少数异常数据。在这种情况下，现有的梯度下降学习算法会将批次中多数类对应的损失优先减少，从而导致少数类被相对忽略，导致模型精度下降。为了解决样本数量差异过大而导致的问题，对少数类数据在不同位置进行裁剪从而增强其比重。
[0034]在一实施例中，对二维图像进行裁剪，裁剪位置包括左上角、中心顶部本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进卷积神经网络的心电信号精确分类方法，其特征在于：所述基于改进卷积神经网络的心电信号精确分类方法包括如下步骤：S1、采集心电信号并进行预处理，所述预处理为根据时间信息，以心跳搏动为单位将心电信号转化为二维图像，转化公式如下：T(Qpeak(n)
‑
m)≤T(n)≤T(Qpeak(n)+m)式中，Qpeak(n)为第n个Q波峰值信号，n为心跳搏动次数，m为单个心跳搏动范围的二分之一，T(
·
)为切片函数；S2、对二维图像进行裁剪实现数据增强；S3、构建心电信号分类模型，所述心电信号分类模型包括依次连接的第一卷积模块、第一SE模块、第二卷积模块、第二SE模块、第三卷积模块、第三SE模块、第四卷积模块、第四SE模块、全连接层和softmax分类器，各所述卷积模块包括依次连接的第一卷积层、第一线性整流单元、第一批量归一化层、第二卷积层、第二线性整流单元、第二批量归一化层和池化层；S4、将数据增强后的图像输入心电信号分类模型进行检测，获得心电信号分类结果。2.如权利要求1所述的基于改进卷积神经网络的心...

【专利技术属性】
技术研发人员：郭方洪，吴嘉昊，刘师硕，董辉，吴祥，陈博，罗立锋，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：