【技术实现步骤摘要】
本专利技术涉及心电信号处理，具体涉及一种基于压缩感知和神经网络的心率信号重构和分类方法。
技术介绍
1、
2、压缩感知是一种信号处理技术，可以通过减少数据采样的数量来实现数据压缩，同时保持原始信号的重要特征，其基本思想是，对于具有稀疏表示的信号，可以使用远远少于传统采样率的采样点进行重构。由于心电信号在时域和频域的稀疏特性，所以适合使用压缩感知对其进行优化。现有基于压缩感知的模型能够有效解决穿戴设备的有限能耗和带宽问题，然而，其依然存在着一些问题：1.模型中的恢复算法复杂程度高，不能实时监测心电信号；2.用于信号压缩的测量矩阵忽略了信号的结构，导致模型性能不佳。
3、卷积神经网络是一种在图像、信号识别等领域表现出色的深度学习算法。近年来，卷积神经网络在许多研究领域取得不俗的成效，许多基于卷积神经网络的方法被提出，致力于解决基于压缩感知的心电信号重建问题。相比传统的压缩感知方法，这些方法直接使用数据训练一个深度学习网络，充分利用了信号的特性，从而获得了更好的恢复质量。例如，acharya等人在2017年提出了一个9层的深度学习模型，该模型有能力自动分类心率失常的类别，并且有着较高的准确性。同样，kachuee等人在2018年开发了一个分类网络，其在mbit-bih心律失常和ptb诊断的数据集上取得了令人兴奋的准确性。即使这些基于卷积神经网络的分类模型可以成为非专业人士或者病了甚至是医生的有效的辅助诊断工具，但由于其直接使用原始心电信号进行训练，忽略了长期心电检测带来的能量损耗。
4、因此，提供一
技术实现思路
1、针对现有技术中的缺陷，本专利技术提供一种基于压缩感知和神经网络的心率信号重构和分类方法、系统、设备及介质。
2、第一方面，提供一种基于压缩感知和神经网络的心率信号重构和分类方法，该方法包括：
3、获取待处理心电信号；
4、将所述待处理心电信号输入预先构建的深度感知网络模型，得到重构的心电信号及对应的心电分类结果；
5、其中，所述深度感知网络模型包括压缩感知模块、共享模块和任务分支，所述任务分支包括重建任务分支和分类任务分支；所述压缩感知模块用于对所述待处理信号进行压缩，获取低维测量向量；所述共享感知模块用于对所述低维测量向量进行特征提取，获取心电信号特征；所述任务分支用于对所述心电特征信号进行重建和分类，得到重建心电信号及心电类型。
6、优选的，所述压缩感知模块包括一个可学习的测量矩阵。
7、优选的，所述共享层包括1个全连接层、4个卷积模块和1个多尺度特征模块；其中，所述卷积模块包括卷积层、relu激活层、bn批量标准化层、最大池化层，所述卷积层的卷积核大小为3，所述最大池化层的窗口大小为2；所述多尺度特征提取模块包括4个并行连接的卷积层，每个并行连接的卷积层的卷积核大小均不相同，分别为5、7、9和11。
8、优选的，每个卷积模块依次连接，第一个卷积模块的输入与所述全连接层的输出连接，最后一个卷积模块的输出分别与所述多尺度特征提取模块的输入与输出连接。
9、优选的，所述重建任务分支包括1个输出维为2048的全连接层、tanh激活函数、1个输出维度为187的全连接层；所述分类任务分支包括1个输出维度为2048的全连接层、2个tanh激活函数、1个输出维度为5的全连接层和1个输出层。
10、优选的，所述深度感知网络模型的损失函数为：
11、ltotal＝αlrec+βlcls
12、
13、
14、式中，ltotal为总损失，lrec为重建损失，lcls为分类损失，lcls为重建心电信号，x为原始心电信号，k为数据集的样本数量，g为真实心电类型，p为预测心电类型，α、β为常数。
15、第二方面，提供一种基于压缩感知和神经网络的心率信号重构和分类系统，该系统包括：
16、获取模块，用于获取待处理心电信号；
17、重建分类模块，用于将所述待处理心电信号输入预先构建的深度感知网络模型，得到重构的心电信号及对应的心电分类结果；
18、其中，所述深度感知网络模型包括压缩感知模块、共享模块和任务分支，所述任务分支包括重建任务分支和分类任务分支；所述压缩感知模块用于对所述待处理信号进行压缩，获取低维测量向量；所述共享感知模块用于对所述低维测量向量进行特征提取，获取心电信号特征；所述任务分支用于对所述心电特征信号进行重建和分类，得到重建心电信号及心电类型。
19、第三方面，提供一种可穿戴式设备，该设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一项所述的方法。
20、第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法。
21、本专利技术的有益效果体现在：本专利技术提供一种基于压缩感知和神经网络的心率信号重构和分类方法及系统，能够有效结合压缩感知技术和深度学习技术，通过可学习的测量矩阵能够根据心电信号特性保留更多有用信息，通过压缩感知模块、卷积模块、多尺度特征模块等模块的配合，解决了长期监测心电信号带来的能耗和带宽问题，提高了深度感知网络模型的性能，提高了心电信号重建与分类效果。
本文档来自技高网...【技术保护点】
1.一种基于压缩感知和神经网络的心率信号重构和分类方法，其特征在于，包括：
2.根据权利要求1所述的一种基于压缩感知和神经网络的心率信号重构和分类方法，其特征在于，所述压缩感知模块包括一个可学习的测量矩阵。
3.根据权利要求1所述的一种基于压缩感知和神经网络的心率信号重构和分类方法，其特征在于，所述共享层包括1个全连接层、4个卷积模块和1个多尺度特征模块；其中，所述卷积模块包括卷积层、ReLu激活层、BN批量标准化层、最大池化层，所述卷积层的卷积核大小为3，所述最大池化层的窗口大小为2；所述多尺度特征提取模块包括4个并行连接的卷积层，每个并行连接的卷积层的卷积核大小均不相同，分别为5、7、9和11。
4.根据权利要求3所述的一种基于压缩感知和神经网络的心率信号重构和分类方法，其特征在于，每个卷积模块依次连接，第一个卷积模块的输入与所述全连接层的输出连接，最后一个卷积模块的输出分别与所述多尺度特征提取模块的输入与输出连接。
5.根据权利要求1所述的一种基于压缩感知和神经网络的心率信号重构和分类方法，其特征在于，所述重建任务分支包括1个
6.根据权利要求1所述的一种基于压缩感知和神经网络的心率信号重构和分类方法，其特征在于，所述深度感知网络模型的损失函数为：
7.一种基于压缩感知和神经网络的心率信号重构和分类系统，其特征在于，包括：
8.一种可穿戴式设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法。
...【技术特征摘要】
1.一种基于压缩感知和神经网络的心率信号重构和分类方法，其特征在于，包括：
2.根据权利要求1所述的一种基于压缩感知和神经网络的心率信号重构和分类方法，其特征在于，所述压缩感知模块包括一个可学习的测量矩阵。
3.根据权利要求1所述的一种基于压缩感知和神经网络的心率信号重构和分类方法，其特征在于，所述共享层包括1个全连接层、4个卷积模块和1个多尺度特征模块；其中，所述卷积模块包括卷积层、relu激活层、bn批量标准化层、最大池化层，所述卷积层的卷积核大小为3，所述最大池化层的窗口大小为2；所述多尺度特征提取模块包括4个并行连接的卷积层，每个并行连接的卷积层的卷积核大小均不相同，分别为5、7、9和11。
4.根据权利要求3所述的一种基于压缩感知和神经网络的心率信号重构和分类方法，其特征在于，每个卷积模块依次连接，第一个卷积模块的输入与所述全连接层的输出连接，最后一个卷积模块的输出分别与所述多尺度特征提取模块的输入与输出连接。
【专利技术属性】
技术研发人员：郭素峡，陈丽华，廖敏琪，杨燕华，刘华珠，唐穗谷，
申请(专利权)人：东莞市谢岗医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。