一種心電信號分類識別方法與流程

本發明涉及醫療技術領域，尤其涉及一種對心電信號進行分類的識別方法。

背景技術：

醫院心電檢查，雖然數據精度高，但是只能記錄患者在特定且極短時間內的一段心電波形，對非持續性心律失常，尤其是對一過性心律失常及短暫的心肌缺血發作常常漏檢，延誤了診斷。目前得到普遍應用的24小時動態心電圖(dcg)能夠記錄長時間的心電圖(ecg)信號，但是dcg沒有處理數據的能力，不能對信號進行自動分類，不能自動識別出具有醫學意義的病態信號，必須等待24小時監護結束，才能交由醫生對數據進行分析并做出結論。

對ecg信號進行智能分析的技術一直在發展。通過分析在醫學特征空間中ecg數據的分布情況可知，要能以較高準確率對ecg信號進行分類，需要一個高度復雜的非線性函數，所以問題的實質是對復雜非線性函數的擬合。目前已有技術中對這一函數的擬合仍然不夠理想。比如，一種現有技術采用的小波變換來提取信號特征，利用基函數的多尺度特性將ecg信號在不同尺度下展開并提取有用信息。然而，小波變換實質只是簡單的積分變換，其非線性函數擬合能力非常有限。另一種現有技術采用支持向量機(svm)，svm可以看成是網絡結構和權值自適應調整的3層徑向基網絡，但是它面臨非線性函數擬合能力受到限制，當給定訓練樣本，svm所能擬合的函數族就完全確定了，但對于更復雜的非線性函數，當前svm就無能為力。

技術實現要素：

本發明針對現有技術的缺陷，提供一種基于卷積神經網絡，利用卷積神經網絡對復雜非線性函數的擬合能力，通過合理的設計使其適用于一維ecg信號，實現對ecg信號更有效、更準確的分類識別方法。

為解決上述技術問題，本發明采用如下技術方案：一種心電信號分類識別方法，其特征在于：包括以下實施步驟，

a、取得測量時間在10秒以上的原始心電圖波形數據，并根據原始心電圖波形數據進行心電圖節律信息和pqrst波形的提取，獲取心電圖節律信息和pqrst波形的數字化數據；

b、設計構造卷積神經網絡并對其進行訓練，將步驟a得到的pqrst波形數據從訓練完的卷積神經網絡的輸入端輸入，經卷積神經網絡進行分類后，從其輸出端得到類型數據。

其中步驟a使用10秒以上的原始心電圖波形數據具有數量充足的波形，使得提取得到的心電圖節律信息、pqrst波形數據更加準確。其中pqrst波形的提取能夠有效減小非診斷要素如人體移動、電極不穩定帶來的波形變化影響提升最終得到的心電圖分類結果的正確率；

步驟b中使用的卷積神經網絡是人工智能領域的機器學習方法，卷積神經網絡通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示，實現了特征提取與模式分類的融合統一。卷積神經網絡目前已經在圖像識別等應用領域證明了有效性，能夠大幅度提高了傳統方法的識別精度。本發明中把卷積神經網絡導入心電圖分類領域，合理地結合心電圖分類的特點，并通過以上步驟對深度學習方法進行訓練并用深度學習方法進行波形分類，能夠大幅度提高心電圖分類結果的正確率。

優選地，步驟a使用的原始心電圖波形數據，即ecg信號為雙導聯信號，其較單導聯數據具有更加充分的信息，能提升相關的心電圖分類輔助信息的精確度，相較更多導聯的設計，雙導聯更容易在便攜式設備上實現，使得本發明的適用范圍更廣。

優選地，步驟b設計的卷積神經網絡將卷積層與下采樣層合并設計為卷積下采樣層，將輸入層與神經元數目不同的三個卷積下采樣層加上多層感知機構成的輸出層組合成為一個完整的卷積神經網絡；

其中卷積下采樣層1按如下步驟產生，先由6個初始值不同的2×13卷積核對輸入層做卷積，得到含有6個特征面的卷積層c1，再對卷積層c1使用2×3取樣核產生6個子采樣層s1；卷積下采樣層2按如下步驟產生，先對子采樣層s1相鄰2個特征面進行組合得到6個新特征面，然后使用6個2×10卷積核與之做卷積運算，產生含36個特征面的卷積層c2，對卷積層c2的每個特征面采用2×3取樣核產生36個子采樣層s2；卷積下采樣層3按如下步驟產生，先對子采樣層s2進行3相鄰面組合得到12個新特征面，然后使用6個2×6卷積核，產生含72個特征面的卷積層c3，對卷積層c3使用2×3取樣核產生72個子采樣層s3。

優選地，步驟b對卷積神經網絡的訓練使用mit-bih心律失常數據庫中的48條記錄對卷積神經網絡進行；記錄為雙導聯信號，先經過0.5～25hz的帶通濾波器，濾除高頻干擾和基線漂移；在每個導聯，以r波為中心，取r波前100點，后199點，包括r波在內共300采樣點組成一個完整心搏，提取25000個樣本進行訓練，將訓練集做劃分，分50組，每組500個，每次取8組做訓練，2組做校驗。

進一步地，具體過程按以下步驟實施，

(1)獲取雙導聯心電圖波形數據，并根據心電圖波形數據截取其中長度為10秒的數據作為原始心電圖波形數據；

(2)根據需要對步驟(1)得到的原始心電圖波形數據進行去噪處理，去噪處理采用高通濾波器去除基線漂移噪音，噪音過高時使用低通巴特沃斯濾波器去除噪音干擾；

(3)設定卷積神經網絡輸入層、隱含層、輸出層的節點個數，并隨機設定相鄰層各節點之間的權重；

(4)對卷積神經網絡進行訓練，訓練用數據來自通過體檢等手段獲取的預記錄數據以及mit-bih數據庫數據；將訓練用數據從卷積神經網絡的輸入端輸入，經卷積神經網絡進行分類后，從卷積神經網絡的輸出端得到類型數據；將卷積神經網絡輸出端得到的類型數據與預記錄數據的類型標記進行比較，基于輸出端和真實波形類型的檢測偏差，利用后向傳遞算法修改卷積神經網絡內各節點的權值；

(5)重復步驟(4)直到卷積神經網絡判讀結果符合真實波形類型，即卷積神經網絡結構參數收斂時，獲得訓練好的卷積神經網絡；卷積神經網絡在經過大量心電圖波形的學習后，將波形分類特征要素反映到卷積神經網絡里面，以達到后續對其他心電圖數據進行分類時可在短時間內得出正確的分類結果。

進一步地，具體操作步驟如下，

使用mit-bih數據庫進行訓練時共有48條記錄，每條記錄都為雙導聯，經過0.5～25hz的帶通濾波器，濾除高頻干擾和基線漂移；在每個導聯，以r波為中心，取r波前100點，后199點，包括r波在內共300采樣點組成一個完整心搏，提取50000個樣本，取25000個樣本進行訓練，剩余樣本做測試；將訓練集做劃分，分50組，每組500個，每次取8組做訓練，2組做校驗；

卷積神經網絡的三個卷積核分別取[2，13]，[2，10]和[2，6]；三層取樣核均為[2，3]，即在單獨一個導聯的3個相鄰點進行均值模糊；三個特征面數分別為6，36和72，多層感知機的隱含層的神經元數為50，而輸出層神經元數為6；

雙導聯數據構成2×300的輸入層，使用6個初始值不同的2×13卷積核，每個卷積核對輸入層做卷積運算，一共可以得到6個新的特征面，每個的維度是2×288，此6個新特征面即是卷積層c1；然后對卷積層c1使用2×3取樣核產生含6個2×96特征面構成子采樣層s1；

對子采樣層s1相鄰2個特征面進行疊加取均值組合得到6個新特征面，縱坐標0-5表示s1的6個特征面，用第0個與第1個組合成新的第0個特征面，記錄在橫坐標，類似的構成另外5個；然后使用6個2×10卷積核，每個卷積核產生含36個2×87的特征面，構成卷積層c2，對卷積層c2的每個特征面采用2×3取樣核產生36個2×29特征面構成子采樣層s2；

對子采樣層s2進行3相鄰面組合得到12個新特征面，然后使用6個2×6卷積核，產生含72個2×24特征面的卷積層c3，對卷積層c3使用2×3取樣核產生72個2×8特征面的子采樣層s3；從子采樣層s3到輸出層是一個基本型的多層感知機，其中間隱含層設定50個神經元，與子采樣層s3全連接；輸出層設定6個神經元，與隱含層之間全連接。

本發明對ecg信號的特征提取與模式分類相融合，避免了復雜且不可靠的特征數據提取問題。根據已有理論，ecg信號的智能分類是一種模式識別問題，常規解決方案需要分析提取ecg信號特征值構成特征空間，然后對特征空間進行模式分類。特征值的提取非常關鍵又非常復雜，很多文獻提出了不同的方法但是都沒有可靠地解決這一問題。而卷積神經網絡的設計已經把特征提取包含在分類過程中，避免了特征提取過程出現的偏差。

通過設計使卷積神經網絡能夠合理處理一維ecg信號。卷積神經網絡應用于處理二維圖像信號具有優異的模式分類效果，其在處理圖像時選取的卷積核一般為n×m矩陣，本發明處理雙導聯ecg信號時使用2×m卷積核，由于ecg雙導聯信號之間并不具有類似于圖像相鄰像素的緊密相關性，因此在卷積運算時2×m卷積核分成兩個1×m卷積核對兩個導聯的數據分別進行一維卷積，運算結果仍作為二維數據保存并以二維形式送入多層感知機構成的輸出層產生分類結果。

本發明基于卷積神經網絡，利用卷積神經網絡對復雜非線性函數的擬合能力，通過合理的設計使其適用于一維ecg信號，實現了對ecg信號更有效更準確地分類。在準確分類ecg信號的基礎上能夠實時監護心血管疾病高危人群、亞健康人群、病情待定人群，智能分析正常生活、工作及活動時的心電變化，幫助確定病情，或者捕捉到潛在的心臟疾病的心電信息，對患者起到預警作用，帶來很好的社會效益。

附圖說明

圖1為典型卷積神經網絡的結構圖；

圖2為對子采樣層s1相鄰2個特征面進行疊加取均值組合得到6個新特征面的組合方式坐標圖；

圖3為對子采樣層s2進行3相鄰面組合得到12個新特征面的組合方式坐標圖。

具體實施方式

本實施例中，所述心電信號分類識別方法，按以下步驟進行，

(1)獲取雙導聯心電圖波形數據，并根據心電圖波形數據截取其中長度為10秒的數據作為原始心電圖波形數據；

(2)根據需要，可對步驟(1)得到的原始心電圖波形數據進行去噪處理，去噪處理采用高通濾波器去除基線漂移噪音，噪音過高時使用低通巴特沃斯濾波器去除噪音干擾；

(3)設定卷積神經網絡輸入層、隱含層、輸出層的節點個數，并隨機設定相鄰層各節點之間的權重；該卷積神經網絡的典型結構如圖1所示；

(4)對卷積神經網絡進行訓練，訓練用數據來自通過體檢等手段獲取的預記錄數據以及mit-bih數據庫數據。將訓練用數據從卷積神經網絡的輸入端輸入，經卷積神經網絡進行分類后，從卷積神經網絡的輸出端得到類型數據。將卷積神經網絡輸出端得到的類型數據與預記錄數據的類型標記進行比較，基于輸出端和真實波形類型的檢測偏差，利用后向傳遞算法修改卷積神經網絡內各節點的權值；

(5)重復步驟(4)直到卷積神經網絡判讀結果符合真實波形類型，即卷積神經網絡結構參數收斂時，獲得訓練好的卷積神經網絡。卷積神經網絡在經過大量心電圖波形的學習后，將波形分類特征要素反映到卷積神經網絡里面，后續對其他心電圖數據進行分類時可以在在短時間內得出正確的分類結果。

使用mit-bih數據庫進行訓練時共有48條記錄，每條記錄都為雙導聯，經過0.5～25hz的帶通濾波器，濾除高頻干擾和基線漂移。在每個導聯，以r波為中心，取r波前100點，后199點，包括r波在內共300采樣點組成一個完整心搏，提取50000個樣本，取25000個樣本進行訓練，剩余樣本做測試。將訓練集做劃分，分50組，每組500個，每次取8組做訓練，2組做校驗。

卷積神經網絡的三個卷積核分別取[2，13]，[2，10]和[2，6]；三層取樣核均為[2，3]，即在單獨一個導聯的3個相鄰點進行均值模糊；三個特征面數分別為6，36和72，多層感知機的隱含層的神經元數為50，而輸出層神經元數為6。

雙導聯數據構成2×300的輸入層，使用6個初始值不同的2×13卷積核，每個卷積核對輸入層做卷積運算，一共可以得到6個新的特征面，每個的維度是2×288，這6個新特征面即是卷積層c1；然后對卷積層c1使用2×3取樣核產生含6個2×96特征面構成子采樣層s1；

對子采樣層s1相鄰2個特征面進行疊加取均值組合得到6個新特征面，具體的組合方式如圖2所示。

圖中縱坐標0-5表示s1的6個特征面，用第0個與第1個組合成新的第0個特征面，記錄在橫坐標，類似地構成另外5個。然后使用6個2×10卷積核，每個卷積核產生含36個2×87的特征面，構成卷積層c2，對卷積層c2的每個特征面采用2×3取樣核產生36個2×29特征面構成子采樣層s2；

對子采樣層s2進行3相鄰面組合得到12個新特征面，具體組合方式如圖3所示。

然后使用6個2×6卷積核，產生含72個2×24特征面的卷積層c3，對卷積層c3使用2×3取樣核產生72個2×8特征面的子采樣層s3；從子采樣層s3到輸出層是一個基本型的多層感知機，其中間隱含層設定50個神經元，與s3全連接；輸出層設定6個神經元，與隱含層之間全連接。

以上已將本發明做一詳細說明，以上所述，僅為本發明之較佳實施例而已，當不能限定本申請實施范圍，即凡依本申請范圍所作均等變化與修飾，皆應仍屬本發明涵蓋范圍內。