一种基于卷积神经网络的第一导联心电图心拍分类方法技术

本发明专利技术涉及一种基于卷积神经网络的第一导联心电图心拍分类方法，包括下面的步骤：步骤1：准备好训练的第一导联心电图心拍数据和相应的类别标签；步骤2：利用一维卷积神经网络，设计针对第一导联的心电图心拍的卷积神经网络结构，设定卷积层的个数以及每个卷积层特征图的个数和大小；步骤3：前向计算：将归一化到196长度的第一导联心拍训练数据输入到CNN，顺序经过各中间层，提取中间层特征；步骤4：误差反向传播：计算分类损失，并根据链式法则将损失进行反向传播；步骤5：采用梯度下降法对权重进行更新；步骤6：迭代训练。

【技术实现步骤摘要】
一种基于卷积神经网络的第一导联心电图心拍分类方法
本专利技术涉及单导联心电图、心拍分类、深度学习领域，特别涉及一种第一导联心电图心拍分类的方法。
技术介绍
心电图(electrocardiogram,ECG)反应了人体心脏电位的变化，从专利技术、应用至今已有一百多年的历史，由于其具有诊断可靠、方法简易、无创采集等优点，逐步成为了心血管疾病临床诊断中应用最广泛、最常用的技术手段之一。传统的心电图分析是由人工完成的，医生通过肉眼观察病人的心电图信号，然后根据相关规则和个人经验做出最终的诊断。然而，由于心电图信号数据量庞大，医疗工作人员有限，这种人工的方法就会显得力不从心，对于那些长期专业于大量心电图分类识别工作的医务人员来说，由于不可避免的疲劳、失误等原因，漏检或错检的情况很容易发生。因此，为了把医务人员从繁琐复杂的心电图识别工作中解脱出来，将精力集中到更有价值的事情上，计算机辅助心电图分析方法[1]应运而生，并且越来越受到大家的关注，也成为了心电图领域的研究热点之一，同样在医学上具有非常深远的意义。根据采集电极放置部位的不同，心电信号可以分为12个导联，分别是6个肢体导联I、II、III、aVR、aVL、aVF和6个胸导联V1～V6。医院的常规心电图检测通常采用的是12导联系统。而随着心电远程监护技术的迅速发展和普及，以及当下可穿戴设备的流行，以手环或手表等形式将电极连接在左右上肢，形成模拟第一导联的电信号的方式，因其极大的便捷性和科学性，受到了更多人的青睐。通过第一导联心电图，医生可以检测出诸多心脏疾病，例如窦性心律失常，早搏，传导阻滞等，在临床上也具有非常重要的意义。因此，针对第一导联心电图的自动检测方法也变得越发重要。然而，从目前对心电图的研究来看，针对第一导联心电图检测分类的方法少之又少，究其原因可能是，第一导联信号的采集容易受到外界干扰，而且强度相对较弱，特征难以提取，正确分类的难度相对较大。现有的心电图心拍分类算法可以分为两类，一种是基于手工特征的方法，另一种是基于学习特征的方法。基于手工特征的方法例如文献[2]，实验的最好结果采用的是第一和第二两个导联的数据，使用了包括心拍间隔和自相关序列在内的八种传统的特征，对心拍进行分类实验。这类方法往往需要提取ECG信号的形态方面的特征，例如心拍间期、形态特征、频率分析、小波变换等，这些特征往往停留在表面，不能提取到更丰富、深层、内在的信息，属于浅层特征，不能很好的区分不同种类的心拍。基于学习特征的方法例如文献[3]，采用人工神经网络(ArtificialNeuralNetworks，ANN)的学习方法对心拍进行分类，但传统ANN模式学习能力较弱，在ECG心拍分类的实际任务中泛化能力较弱。参考文献[1]CliffordGD，AzuajeF，McSharryP.AdvancedMethodsandToolsforECGDataAnalysis[M].Norwood，MA，USA：ArtechHouse，2006.[2]LlamedoM，KhawajaA，MartínezJP.Analysisof12-leadclassificationmodelsforECGclassification[C].ComputinginCardiology.Belfast，NorthernIre-land，2010：673-676.[3]YuSN，ChenYH.Electrocardiogrambeatclassificationbasedonwavelettransformationandprobabilisticneuralnetwork[J].PatternRecognitionLetters，2007，28(10)：1142-1150.
技术实现思路
本专利技术的目的是解决现有的心电图心拍分类中特征提取不充分的问题，并且针对特殊的第一导联心电图信号，提提供一种基于卷积神经网络的第一导联心电图心拍分类方法。从而有效提取心电图心拍的特征，并通过设计具体的深度卷积神经网络参数来提升心拍的分类性能。技术方案如下：一种基于卷积神经网络的第一导联心电图心拍分类方法，包括下面的步骤：步骤1：准备好训练的第一导联心电图心拍数据和相应的类别标签。步骤2：利用一维卷积神经网络，设计针对第一导联的心电图心拍的卷积神经网络结构，设定卷积层的个数以及每个卷积层特征图的个数和大小，如图1所示，网络的输入维数为196×1；卷积层A共有32个特征向量，每个特征向量使用一个11×1的卷积核去卷积，移动步长设为2，该层输出32个93×1大小的特征向量；卷积层B采用9×1的卷积核，输出32个85×1大小的特征向量；池化层a采用3×1的池化核，移动步长为2，产生32个42×1大小的特征向量；卷积层C采用7×1的卷积核，移动步长为2，输出32个18×1大小的卷积核；卷积层D采用5×1的卷积核，输出32个14×1大小的特征向量；池化层b采用3×1的池化核，移动步长为2，产生32个6×1大小的特征向量；卷积层E采用6×1的卷积核，输出32个1×1大小的特征向量；最后一层采用全连接层，使用softmax分类器，输出分类结果；步骤3：前向计算：将归一化到196长度的第一导联心拍训练数据输入到CNN，顺序经过各中间层，提取中间层特征；步骤4：误差反向传播：计算分类损失，并根据链式法则将损失进行反向传播；步骤5：采用梯度下降法对权重进行更新；步骤6：迭代训练；循环执行第3～5步，直至网络收敛或达到最大循环次数。相对于传统心电图心拍分类方法而言，采用本专利技术所述方法，即利用一维卷积神经网络，设计神经网络结构来提取心拍特征用于分类。本专利技术采用深度卷积神经网络，提取了深层的心电图心拍特征，卷积核尺度多样，保证了网络学习到多尺度的心拍特征，有利于最终的分类性能提升。同时，由于简化的卷积操作，该网络的参数量较小，分类速度快，能够有效地对第一导联心电图心拍进行分类。附图说明图1针对第一导联是心电图心拍的卷积神经网络结构具体实施方式该方法的关键点在于如何设计针对第一导联心电图这种一维信号的卷积神经网络。在CNN中，卷积层是通过对输入图像或中间层产生的特征图进行卷积操作来提取特征的。对于一个传统的卷积层，假设X∈RH×W×D表示输入的三维图像或特征图，其中H和W分别代表特征图的高度和宽度，D代表特征图的个数，也称为通道数。用ω∈Rh×w×D×D'表示卷积核的参数，其中h×w代表卷积窗口的大小，D是指输入的通道数，D'为当前卷积层产生的通道数。经过卷积操作后输出的神经元s是一个标量，计算公式为：式中，ωk∈Rh×w×D表示卷积核大小，x∈Rh×w×D表示与卷积核ωk大小一致的属于X的一个空间块。对应的输出特征图fk可以表示为：fk＝X*ωk∈RH×W×1,k＝1,2,...,D(2)式中，*表示输入X与卷积核ωk之间的卷积操作。加上之后的非线性激活层和池化层，卷积层可以提取丰富的多层特征。在CNN网络中，初始的卷积层负责提取浅层特征，如边缘特征，而更深层的卷积层则可以提取更抽象的特征。然而，用CNN分类单导联ECG信号时情况会有所不同。对于一个中间卷积层，其所生成的不是二维特征图，而是一维特征向量。假设输入的X'∈RH×1×D代表D个一维本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的第一导联心电图心拍分类方法，包括下面的步骤：步骤1：准备好训练的第一导联心电图心拍数据和相应的类别标签。步骤2：利用一维卷积神经网络，设计针对第一导联的心电图心拍的卷积神经网络结构，设定卷积层的个数以及每个卷积层特征图的个数和大小，网络的输入维数为196×1；卷积层A共有32个特征向量，每个特征向量使用一个11×1的卷积核去卷积，移动步长设为2，该层输出32个93×1大小的特征向量；卷积层B采用9×1的卷积核，输出32个85×1大小的特征向量；池化层a采用3×1的池化核，移动步长为2，产生32个42×1大小的特征向量；卷积层C采用7×1的卷积核，移动步长为2，输出32个18×1大小的卷积核；卷积层D采用5×1的卷积核，输出32个14×1大小的特征向量；池化层b采用3×1的池化核，移动步长为2，产生32个6×1大小的特征向量；卷积层E采用6×1的卷积核，输出32个1×1大小的特征向量；最后一层采用全连接层，使用softmax分类器，输出分类结果；步骤3：前向计算：将归一化到196长度的第一导联心拍训练数据输入到CNN，顺序经过各中间层，提取中间层特征；步骤4：误差反向传播：计算分类损失，并根据链式法则将损失进行反向传播；步骤5：采用梯度下降法对权重进行更新；步骤6：迭代训练；循环执行第3～5步，直至网络收敛或达到最大循环次数。...

【技术特征摘要】
1.一种基于卷积神经网络的第一导联心电图心拍分类方法，包括下面的步骤：步骤1：准备好训练的第一导联心电图心拍数据和相应的类别标签。步骤2：利用一维卷积神经网络，设计针对第一导联的心电图心拍的卷积神经网络结构，设定卷积层的个数以及每个卷积层特征图的个数和大小，网络的输入维数为196×1；卷积层A共有32个特征向量，每个特征向量使用一个11×1的卷积核去卷积，移动步长设为2，该层输出32个93×1大小的特征向量；卷积层B采用9×1的卷积核，输出32个85×1大小的特征向量；池化层a采用3×1的池化核，移动步长为2，产生32个42×1大小的特征向量；卷积层C采用7×1的卷积核，移动步...

【专利技术属性】
技术研发人员：李潇，何宇清，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12