【技术实现步骤摘要】
本专利技术属于信号处理领域及心电信号与心磁信号联合分析，具体涉及一种基于心电和心磁多尺度融合的心脏电生理信号分类方法及系统。
技术介绍
1、心电信号和心磁信号是由心肌细胞离子跨膜运动而生成的同源异构信号，相较于心电信号组织传导衰减及皮肤接触产生的极化电压，心磁信号来源于对心脏周围磁场的测量，在传导过程中不受组织、血液等的影响，能够丰富心脏电生理信息的表征，提供与心电图互补的信息，具有更高的敏感性和特异性。不同生理信号反应的生理机制有所区别，因此通过对不同生理信号的联合分析，对于识别不同类型的心脏电生理信号能提供多角度的信息，相比单一信号的判断方法更加准确。
2、与传统手动提取特征的机器学习分类方法相比，神经网络可以从原始时间序列中自动挖掘数据中的深层特征，通过共享底层特征提高模型的性能。现有模型大部分基于对单一心电信号的识别，考虑到心电信号与心磁信号之间的差异特征，提出一种基于双输入卷积循环神经网络模型的心脏电生理信号识别方法，设计合理结构提取ecg信号和mcg信号的显著特征以及时序特征，以提高多输入分类模型的性能。融合两种生理信号的分类任务中应用深度学习技术的研究通常参考心电多分类研究任务中的网络结构。ecg和mcg信号都是时间序列信号，一般通过深度卷积神经网络(cnn)识别心跳波形的局部特征，由循环神经网络(rnn)提取时间序列特征，这两类网络结构通常使用cnn和lstm进行组合。lstm是为了解决梯度消失及梯度爆炸问题提出的一种rnn变种结构，gru在结构上比lstm简单，参数更少，但在实践中与lstm的性能却
技术实现思路
1、为解决现有技术存在的问题，本专利技术提供了一种基于心电和心磁多尺度融合的心脏电生理信号分类方法及系统，目的在于通过联合多种信号及多域特征，综合不同信号的优势，实现更加准确的心脏电生理信号分类。
2、为实现上述目的，本专利技术提供了如下方案：
3、本专利技术提供了一种基于心电和心磁多尺度融合的心脏电生理信号分类方法，包括以下步骤：
4、获取原始心电信号和原始心磁信号，分别将原始心电信号和原始心磁信号进行预处理，并根据r波定位划分心拍，提取心跳信号，将提取的心跳信号经傅里叶变换后获得对应的频域信息，其中，所述频域信息包括：一维时域特征、二维频域特征及时频域特征；
5、将获得的一维时域特征、二维频域特征及时频域特征，输入到卷积循环神经网络进行浅层特征提取，分别以ecg、mcg信号为输入，设计具有两个并行分支的卷积循环神经网络实现心电信号和心磁信号的联合分析；
6、通过融合单心跳周期即心拍在时域和频域的特征，综合地对心脏电生理信号进行分类检测。
7、优选的，获取原始心电信号，将原始心电信号进行预处理，并根据r波定位划分心拍，提取心跳信号，将提取的心跳信号经傅里叶变换后获得对应的频域信息包括：
8、采用小波阈值去噪对原始心电信号进行预处理去除数据原有的噪声，滤除基线漂移和工频干扰，使用多阶daubechies小波对输入信号进行小波分解，得到不同层次的系数，其中，系数包括近似系数和细节系数，根据细节系数计算去噪阈值λ，将频率最高的两个高频分量的小波系数置零，将小于阈值的系数设为零来去除噪声，使用小波反变换将处理后的系数转换回时域信号，得到去噪后的整段心电信号，得到预处理后的时间序列s1；
9、以固定长度的心拍作为输入，截取时间序列数据s1中r波前后长度为fs的数据点为一个心跳周期信号，从而划分心拍；
10、对每个心跳周期信号进行fft，获得该心拍信号的频谱图，对每个心跳周期信号进行stft获得该心拍的时频谱图，然后构建一维ecg信号、二维ecg频谱图、二维ecg时频谱图数据集；
11、其中，阈值λ的计算方法为：
12、
13、其中，d为处理后的小波系数，c为信号长度，median表示取中位数；
14、其中，截取时间序列数据s1中r波前后长度为fs的数据点为一个心跳周期信号包括：
15、使用pan-tompkins检测算法定位r波，再以r波位置作为参照点，向前取个采样点，向后取个采样点，共计截取fs个采样点作为一个完整的心跳周期的长度，其中fs为采样率。
16、优选的，获取原始心磁信号，将原始心磁信号进行预处理，并根据r波定位划分心拍，提取心跳信号，将提取的心跳信号经傅里叶变换后获得对应的频域信息包括：
17、采用频率为1-40hz的带通滤波及300窗口中值滤波对原始心磁信号进行去噪，并去除基线漂移；
18、使用pan-tompkins检测算法实现r波增强，然后通过计算信号的幅度、斜率和波形特征来检测r波的位置；
19、确定心拍的窗口大小后，提取每个心跳周期信号，通过傅里叶变换获得对应的频域信息，然后构建一维mcg信号、二维mcg频谱图、二维mcg时频谱图数据集。
20、优选的，卷积循环神经网络采用三模块组合结构，其中第一个模块是双输入卷积模块，包含两个并行的卷积分支，每个分支具有相同的结构，包含卷积层、批归一化层、relu激活函数以及最大池化层；第二个模块是由门控循环单元gru构成的时序特征提取模块，包括重置门和更新门；第三个模块是决策模块，包含扁平层、全连接层、密集层，最后经过softmax函数输出多分类概率分布，获得分类结果。
21、优选的，所述双输入卷积模块分别采用一维、二维cnn模型作为网络结构，两种心脏电生理信号同时作为模型的输入；将ecg、mcg信号心拍或频谱图、时频谱图分别输入到三条独立的网络支路中，对于一维cnn模型，第一层卷积层后采用批归一化层，用于标准化每个批次的数据；置于批归一化后的最大池化层用于降低特征维度；第二、三层卷积层分别增加卷积核的数量以提取更多特征，其他参数与第一卷积层相同；对于二维cnn模型，则使用二维卷积核进行特征提取。
22、优选的，所述时序特征提取模块采用门控循环单元gru作为网络结构；输入为由双输入卷积模块提取到的浅层信号特征，输出为提取后的时序特征。
23、优选的，在决策模块，首先加入一个卷积层来合并来自前一层的不同输入的结果，再对合并后的结果使用softmax激活函数进行非线性变换；之后，模型使用与上一步输出尺寸相同的卷积核作为全连接层，与softmax激活函数的输出进行卷积，并在全连接层采用了丢弃层和早停策略防止过拟合。
24、本专利技术还提供了一种基于心电和心磁多尺度融合的心脏电生理信号分类系统，所述系统用于实现所述的方法，包括：预处理模块、融合模块和分类模块；
25、所述预处理模块用于获取原始心电信号和原始心磁信号，分别将原始心电信号和原始心磁信号进行预处理，并根据r波定位划分心拍，提取心跳信号，将提取的心跳信号经傅里叶变换后获得对应的频域信息，其中，所述频域信息包括：一维时本文档来自技高网...
【技术保护点】
1.一种基于心电和心磁多尺度融合的心脏电生理信号分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，获取原始心电信号，将原始心电信号进行预处理，并根据R波定位划分心拍，提取心跳信号，将提取的心跳信号经傅里叶变换后获得对应的频域信息包括：
3.根据权利要求1所述的方法，其特征在于，获取原始心磁信号，将原始心磁信号进行预处理，并根据R波定位划分心拍，提取心跳信号，将提取的心跳信号经傅里叶变换后获得对应的频域信息包括：
4.根据权利要求1所述的方法，其特征在于，卷积循环神经网络采用三模块组合结构，其中第一个模块是双输入卷积模块，包含两个并行的卷积分支，每个分支具有相同的结构，包含卷积层、批归一化层、ReLU激活函数以及最大池化层；第二个模块是由门控循环单元GRU构成的时序特征提取模块，包括重置门和更新门；第三个模块是决策模块，包含扁平层、全连接层、密集层，最后经过Softmax函数输出多分类概率分布，获得分类结果。
5.根据权利要求4所述的方法，其特征在于，所述双输入卷积模块分别采用一维、二维CNN模型作为网络
6.根据权利要求4所述的方法，其特征在于，所述时序特征提取模块采用门控循环单元GRU作为网络结构；输入为由双输入卷积模块提取到的浅层信号特征，输出为提取后的时序特征。
7.根据权利要求4所述的方法，其特征在于，在决策模块，首先加入一个卷积层来合并来自前一层的不同输入的结果，再对合并后的结果使用Softmax激活函数进行非线性变换；之后，模型使用与上一步输出尺寸相同的卷积核作为全连接层，与Softmax激活函数的输出进行卷积，并在全连接层采用了丢弃层和早停策略防止过拟合。
8.一种基于心电和心磁多尺度融合的心脏电生理信号分类系统，所述系统用于实现权利要求1-7任意一项所述的方法，其特征在于，包括：预处理模块、融合模块和分类模块；
...【技术特征摘要】
1.一种基于心电和心磁多尺度融合的心脏电生理信号分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，获取原始心电信号，将原始心电信号进行预处理，并根据r波定位划分心拍，提取心跳信号，将提取的心跳信号经傅里叶变换后获得对应的频域信息包括：
3.根据权利要求1所述的方法，其特征在于，获取原始心磁信号，将原始心磁信号进行预处理，并根据r波定位划分心拍，提取心跳信号，将提取的心跳信号经傅里叶变换后获得对应的频域信息包括：
4.根据权利要求1所述的方法，其特征在于，卷积循环神经网络采用三模块组合结构，其中第一个模块是双输入卷积模块，包含两个并行的卷积分支，每个分支具有相同的结构，包含卷积层、批归一化层、relu激活函数以及最大池化层；第二个模块是由门控循环单元gru构成的时序特征提取模块，包括重置门和更新门；第三个模块是决策模块，包含扁平层、全连接层、密集层，最后经过softmax函数输出多分类概率分布，获得分类结果。
5.根据权利要求4所述的方法，其特征在于，所述双输入卷积模块分别采用一维、二维cnn模型作为网络结构，两种心脏电生理信...
【专利技术属性】
技术研发人员：张旭，元梦杨，杨剑之，向岷，郑世强，
申请(专利权)人：北京航空航天大学，
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。