基于非平衡训练的二级神经网络的ECG信号处理方法技术

本发明专利技术公开了一种基于非平衡训练的二级神经网络的ECG信号处理方法，包括以下步骤：预处理：采集ECG信号，并采用滤波器消除基线漂移和工频干扰；寻找ECG信号的波形的R峰，并进行ECG信号的心拍分割。信号识别：采用非平衡训练的二级神经网络识别心拍分割后的ECG信号，获得异常的ECG信号和正常的ECG信号，其中，非平衡训练需与二级神经网络搭配使用。压缩处理：将所述的ECG信号进行基于智能诊断的自适应压缩。

【技术实现步骤摘要】
基于非平衡训练的二级神经网络的ECG信号处理方法
本专利技术涉及信号处理
，尤其是基于非平衡训练的二级神经网络的ECG信号处理方法。
技术介绍
心脏病是威胁人类生命的主要疾病之一，长期以来，对心脏病的研究一直是医学界的重要课题。人体心电图，作为心脏电活动在体表的综合表现，蕴涵着丰富的反映心脏节律及其电传导的生理和病理信息，所以心电图常用于分析、判断各种心律失常，也可用于诊断心肌受损的程度以及心房、心室的功能结构状况，在指导心脏疾病的治疗和康复上具有重大的参考价值，同时也是目前分析与鉴别各种心律失常最精确的方法之一。心电图作为临床上重要的常规检查手段,是医生诊断心脏疾病的得力助手。大量临床医学观察发现，大部分心律失常都有突发性和偶发性的特点，产生的时间和频率无固定的规律，因此，需要经过长时间不间断的观察才能捕获失常的心律。常规心电图只采集特定时间内的一段心电波形，然而有些患者的心电异常并不在采集的那段时间内发生，因此仅依靠常规心电图来检查一个人是否患有心脏疾病并不可靠。为此，美国物理学、实验物理学家NormanJ.Holter将动态心电图技术应用于心脏活动的监测领域，故称为Holter心电图。这种Holter心电系统将24小时模拟ECG(心电)信号直接记录于磁带式记录仪，这便是早期的动态心电监测。这类早期的心电监测设备，虽然较原本医院里的大型ECG监测设备来讲，基本上满足了连续监测的要求，但是其并不具有智能诊断的功能，只能依靠医生的后期诊断，不能及时作出反馈，且人工分析的数据较为繁多。另外，由于病态心电图种类繁多、变异极大，同种病理不同患者的心电图、甚至同一患者不同时刻的心电图都存在着较大的差异，要对其做出准确判断，必须通常需要医师具有丰富的领域知识和积累大量的临床经验。若医师长期从事大量图形的识别工作，极易疲劳，且容易出现漏检和出错的情况。为了满足心电监测自动分类准确的需求，帮助医师从繁琐的图形识别工作中解脱出来，具有智能诊断功能的穿戴式ECG智能监测设备应运而生，这种设备可以完成ECG智能诊断与ECG信号传输。智能诊断，是对ECG信号波形进行分类，传统的ECG信号波形算法是基于ECG波形形态结构对心拍类型进行自动分类的，该方法包括模板匹配、结构描述、模型参数、线性预测等[]。模板匹配法利用固定或动态模板与检测到的ECG信号进行比较，利用匹配到的模板种类对心拍进行分类。而结构描述法则利用一些复杂的拓扑结构来表征ECG波形，根据ECG信号的实际波形来反推其结构的分类。现存的心律不齐的分类算法主要有两种，一种是基于特征的分类算法，这种算法是通过在神经网络之前加入特征提取模块，即特征工程，然后把特征传入神经网络进行判断。其不足之处在于：第一，同一病人在不同阶段的心电图均有差异，单纯依赖特征工程提取既定的这些特征，可能降低整套算法的泛化能力；第二，提取特征的过程较为复杂，可能增加计算复杂度。第三，选取合适的特征可能需要耗费人力和时间。另一种就是端对端的结构，该结构依赖机器学习算法，直接将原始的波形信号经过非常简单的预处理送入神经网络，由神经网络自动提取特征，完成最后的识别和判断。这种方案通过训练，让网络自动提取特征，规避了很多人的主观判断带来的不合理特征，这样使得整个模型拥有更强的泛化能力，可以达到一个更高的精确度。但是，采用神经网络的方式存在以下不足：处理功耗高，影响穿戴设备电池寿命，且占用体积大。另外，长时间的ECG波形传输耗能较高，为了提高ECG信号的存储和分析效率，必须采用数据压缩技术对ECG信号进行压缩，以便在不损失重要的诊断信息的前提下，取得更大的压缩比，以便节省ECG信号传输所消耗的能量。现存的ECG信号压缩技术分为有损压缩和无损压缩。常见的有损压缩方案主要有三类：第一类是直接压缩，其普遍是基于时域上信号的相关性，消除其中的冗余信息来达到压缩的目的，常见的插值法和多项式预测法。第二类是变换域压缩，其主要是根据信号的频域关系，利用另一个空间里更为稀疏的表示方法来达到压缩的目的，常见的变换方法有傅里叶变换，小波变换等。第三类是基于特征参数提取压缩，这种方法一般采用提取信号的特征点或建立信号模型，在解压时，根据信号的特征点参数或者是模型参数来恢复信号。而无损压缩大多都是基于有损压缩，在设备中设置解压模块，将有损压缩信号和原信号之间相减取得残差，最后将残差与有损压缩信号同时传输。在压缩过程中，存在以下不足之处：第一，通过单纯的无损压缩方案将信号完整的传输出去，虽然可以很好的保留信号的原貌，很难提高压缩比。第二，若只是有损压缩方案将ECG信号传输出去，虽然达到了高压缩比，但是压缩恢复出来的信号质量差，容易丢失重要的诊断信息。
技术实现思路
本专利技术的目的在于提供一种基于非平衡训练的二级神经网络的ECG信号处理方法，本专利技术采用的技术方案如下：基于非平衡训练的二级神经网络的ECG信号处理方法，包括以下步骤：预处理：采集ECG信号，并采用滤波器消除基线漂移和工频干扰；寻找ECG信号的波形的R峰，并进行ECG信号的心拍分割。信号识别：采用非平衡训练的神经网络识别心拍分割的ECG信号，获得异常的ECG信号和正常的ECG信号。压缩处理：将所述异常的ECG信号采用无损压缩，且将所述正常的ECG信号采用有损压缩。优选地，所述神经网络为二级神经网络，且识别单心拍包括以下步骤：预判：向所述第一级神经网络加载数个标准库的单心拍，并向标准库中的异常的单心拍的损失项添加权值m，并联合BP算法训练第一级神经网络，并通过非平衡训练的第一级神经网络判别异常的单心拍和正常的单心拍；所述单心拍的标准库包括N节拍、S节拍、V节拍、F节拍和Q节拍；所述正常的单心拍为N节拍，且异常的单心拍为S节拍、V节拍、F节拍和Q节拍其中之一；所述权值m为大于0的超参数。判断异常的单心拍的类型：将所述异常的单心拍导入第二级神经网络，提取异常的单心拍的波形特征，判断异常的单心拍的类型。更进一步地，向所述第一级神经网络加载数个标准库的单心拍，并向标准库中的异常的单心拍的损失项添加权值m，得到损失函数J(w)，其表达式为：其中，y(i)表示第i个样本的真实类型，Φ(i)表示二值神经网络给出第i个样本的预测结果，n表示样本的总数，w表示训练的权值。更进一步地，所述判断异常的单心拍的类型，包括利用神经网络获取异常的单心拍的波形特征识别求得该异常的单心拍的类型。进一步地，所述基于智能诊断的压缩处理，包括以下步骤：获取经二级神经网络识别的单心拍；按时间顺序提取异常的单心拍和该异常的单心拍前和/或后各K个正常的单心拍，并进行无损压缩；所述K为大于等于1的自然数；按时间顺序提取剩余正常的单心拍，并进行有损压缩，获得连续的动态心电图。优选地，所述按时间顺序提取异常的单心拍和该异常的单心拍前和/或后各K个正常的单心拍，包括以下步骤：步骤R11，若任一异常的单心拍的前一单心拍为正常的单心拍，则判断该异常的单心拍前正常的单心拍的个数是否大于K，若正常的单心拍的个数大于等于K，则同时提取该异常的单心拍前的K个正常的单心拍，否则提取该异常的单心拍前的全部正常的单心拍；步骤R12，若任一异常的单心拍的前一单心拍为异常的单心拍，则向前推移一个单心拍，并重复步骤R11。优选地，所述按时本文档来自技高网...

【技术保护点】
1.基于非平衡训练的二级神经网络的ECG信号处理方法，其特征在于，包括以下步骤：预处理：采集ECG信号，并采用滤波器消除基线漂移和工频干扰；寻找ECG信号的波形的R峰，并进行ECG信号的心拍分割；信号识别：采用非平衡训练的神经网络识别心拍分割的ECG信号，获得异常的ECG信号和正常的ECG信号；压缩处理：将所述异常的ECG信号采用无损压缩，且将所述正常的ECG信号采用有损压缩。

【技术特征摘要】
1.基于非平衡训练的二级神经网络的ECG信号处理方法，其特征在于，包括以下步骤：预处理：采集ECG信号，并采用滤波器消除基线漂移和工频干扰；寻找ECG信号的波形的R峰，并进行ECG信号的心拍分割；信号识别：采用非平衡训练的神经网络识别心拍分割的ECG信号，获得异常的ECG信号和正常的ECG信号；压缩处理：将所述异常的ECG信号采用无损压缩，且将所述正常的ECG信号采用有损压缩。2.根据权利要求1所述的基于非平衡训练的二级神经网络的ECG信号处理方法，其特征在于，所述神经网络为二级神经网络，且识别单心拍包括以下步骤：预判：向所述第一级神经网络加载数个标准库的单心拍，并向标准库中的异常的单心拍的损失项添加权值m，并联合BP算法训练第一级神经网络，并通过训练的第一级神经网络判别异常的单心拍和正常的单心拍；所述单心拍的标准库包括N节拍、S节拍、V节拍、F节拍和Q节拍；所述正常的单心拍为N节拍，且异常的单心拍为S节拍、V节拍、F节拍和Q节拍其中之一；所述权值m为大于0的超参数；判断异常的单心拍的类型：将所述异常的单心拍导入第二级神经网络，提取异常的单心拍的波形特征，判断异常的单心拍的类型。3.根据权利要求2所述的基于非平衡训练的二级神经网络的ECG信号处理方法，其特征在于，其中，向标准库中的异常的单心拍的损失项添加权值m，得到损失函数J(w)，其表达式为：其中，y(i)表示第i个样本的真实类型，Φ(i)表示二值神经网络给出第i个样本的预测结果，n表示样本的总数，w表示训练的权值。4.根据权利要求2所述的基于非平衡训练的二级神经网络的ECG信号处理方法，其特征在于，所述判断异常的单心拍的类型，包括利...

【专利技术属性】
技术研发人员：周军，王宁，
申请(专利权)人：周军，
类型：发明
国别省市：四川,51