基于深度神经网络的心电图智能诊断方法技术

本发明专利技术的基于深度神经网络的心电图智能诊断方法，包括：a).信号归一化处理；b).确定训练样本空间；c).确定验证样本空间；d).确定神经网络结构；e).确定激活函数和目标函数；f).训练神经网络；g).心电图信号的自动分析。本发明专利技术的基于深度神经网络的心电图智能诊断方法，以MIT-BIH心率失常数据库中的数据为样本，采用Logistic函数作为神经元的激活函数、交叉熵成本函数为目标函数对神经网络进行训练，对心电图信号分析时，利用训练出的神经网络即可得出分析结果，即使诊断医生不具有十分丰富的临床经验，也可获取精确的诊断结果，无需耗费心脏专家大量的精力，减轻医生负担。

【技术实现步骤摘要】
基于深度神经网络的心电图智能处理方法
本专利技术涉及一种基于深度神经网络的心电图智能处理方法，更具体的说，尤其涉及一种基于大样本异常心电图数据训练的深度神经网络分类器，可以根据样本所含异常种类进行自主学习，构建特征空间从而达到智能处理心电图目的的基于深度神经网络的心电图智能处理方法。
技术介绍
心脏是人体的重要器官，为人体循环系统提供动力，把血液运送至身体各处，其健康与否直接影响人体各项功能。心电图是心脏电周期活动的直观表现，心脏专家可以通过心电图获取有关心脏的大量信息，因此心电图在临床上具有不可替代的重要作用。但是诊断心电图需要十分丰富的临床经验，同时耗费心脏专家大量的精力。心电图自动分析算法的专利技术能够协助心脏专家对心脏进行诊断，减轻医生负担。现有的心电图分析算法主要依靠特征识别手段，通过模板匹配法、形态学运算、小波分析等方法对心电图信号进行解析，识别出心电异常在心电信号中表现出的特征，然后构建特征空间，使用不同的模式识别算法依据特征空间对心电图进行分类，以此给出心电图分析结果。但是对心电信号的解析和构建特征空间需要心脏专家的经验知识，工程师不仅需要掌握这些精深的医学知识，还必须遴选特征空间，耗费大量人力，而且效果往往不够理想。深度神经网络可以自主学习数据，抽象数据特征，能够建立复杂的特征空间，可以很好地解决上述心电图分析算法中的问题。深度神经网络是近年来在传统神经网络基础上发展起来的一种机器学习方法，它通过多神经元多处理层对数据进行学习，逐步抽象地表示数据，从而发现隐藏在数据中的复杂结构。后向传播(BP)算法的专利技术极大提高了深度神经网络的学习效率，使其在商业和学术领域得到了广泛的认可。深度神经网络在对象识别、自然语言处理等诸多问题上都有突破性的进展，尤其是在大数据时代，保证了深度学习有可靠的数据来源。深度神经网络由三部分组成，第一层为输入层，最后一层为输出层，中间各层统称为隐藏层。除输入层之外，每一层的输入均来自上一层的输出，数据由输入层经过各个隐藏层处理之后在输出层输出结果。网络中的每个点成为一个神经元，对应一个激活函数，在实际应用中通常采用传统的Sigmoid函数，如Logistic函数、双曲正切函数，以及近年来更常用的校正线性单元ReLU。神经网络的目标函数又称作成本函数，训练神经网络的目的就是优化各个神经元之间的权重，不断减小目标函数的过程。常用目标函数有二次成本函数、交叉熵成本函数。其中交叉熵成本函数作为目标函数的效果一般优于二次成本函数。求解神经网络目标函数的最优解需要使用梯度下降法(GradientDescent)，而BP算法是求解目标函数关于多层神经网络权值的梯度的通用算法，通过对求导链式法则的应用，可以知道目标函数对于某层输入的梯度可以通过对下一层输入的梯度求得。因此，从网络的输出层到输入层，反复利用上述法则，就可以求解目标函数对每一层上面的输入的梯度。梯度下降法在训练数据过大的情况下效率降低，一个较好的解决方法是随机梯度下降法(StochasticGradientDescent)，在每一次训练过程中，随机选取部分样本，不仅能够提高效率，同时也能够增强整个网络的泛化能力。。
技术实现思路
本专利技术为了克服上述技术问题的缺点，提供了一种基于深度神经网络的心电图智能处理方法。本专利技术的基于深度神经网络的心电图智能处理方法，其特别之处在于，通过以下步骤来实现：a).信号归一化处理，在MIT-BIH心率失常数据库中，选取数据库中具有更高信噪比的预处理之后的信号作为训练神经网络使用，利用公式(1)对选取的信号进行归一化处理：其中，S为原始信号，S′为归一化之后的信号，Min(X)为对样本空间进行作用，返回样本空间内数值最小的信号；Max(X)为对样本空间进行作用，返回样本空间内数值最大的信号；b).确定训练样本空间X，心电图信号经过公式(1)的归一化处理后，所有信号数值S∈[0,1]，之后将每个信号序列按顺序划分为长度为10000的输入向量x，舍弃长度不足10000的信号组，最后得到满足输入要求的训练样本空间X:X＝{xi|xi∈[0,1]m,i＝1,2,...,m＝10000}；每个训练样本xi对应的心电图异常种类向量yi为：其中，10项心电异常种类如下表所示：所有的yi就形成了训练样本空间X对应的期望输出空间Y；c).确定验证样本空间，采用与步骤a)和b)相同的方法，确定出检验用的验证样本空间X′和对应的验证样本期望输出空间Y′；d).确定神经网络结构，设L1、Ln分别为神经网络的输入层、输出层，L1至Ln之间的隐藏层分别为L2、L3、…、L(n-1)；L1、L2、…、Ln层中的神经元数目依次递减，并设其分别为n1、n2、…、nn；n1＜n2＜…＜nn；e).确定激活函数和目标函数，选择如公式(3)所示的Logistic函数作为神经元的激活函数；选择如公式(4)所示的交叉熵成本函数为目标函数；其中，x为输入心电图信号向量，w为神经网络权值，b为神经网络偏置项，n为训练样本的样本容量，y为x对应的心电图异常向量，a为神经网络输出向量；f).训练神经网络，从训练样本空间X中选取n个训练样本，在训练过程中采用随机梯度下降法计算梯度，采用步骤c)中确定出的验证样本空间X′和对应的验证样本期望输出空间Y′进行检验，当正确率超过98％时终止训练，此时得到权值w和偏置项b确定的神经网络；获取如公式(5)所示的心电图异常种类与心电图信号存在的函数关系式：y＝Γ(x；w,b)(5)；g).心电图信号的自动分析，假设有一待分析心电图信号，格式化之后的序列为x～，将x～带入公式(7)即可得到分析结果y～。本专利技术的基于深度神经网络的心电图智能处理方法，为了进一步增强神经网络的泛化能力，提高对心电图异常分类的准确率，解决过拟合问题，采用公式(6)中的正则化交叉熵成本函数，代替步骤e)中公式(4)所示的交叉熵成本函数：其中，λ＞0，是正则化参数；本专利技术的基于深度神经网络的心电图智能处理方法，步骤d)中所述的L1至Ln之间的隐藏层数目为9个，输入层、9个隐藏层和输出层中神经元的数目如下表所示：本专利技术的有益效果是：本专利技术的基于深度神经网络的心电图智能处理方法，以MIT-BIH心率失常数据库中的数据为样本，建立训练样本空间X和验证样本空间X′，采用Logistic函数作为神经元的激活函数、交叉熵成本函数为目标函数对神经网络进行训练，并利用验证样本空间X′对训练出的神经网络进行检验，当成功率超过设定阈值时则认为训练出的神经网络已满足要求。对采集的待分析心电图信号分析时，利用训练出的神经网络即可得出分析结果，即使诊断医生不具有十分丰富的临床经验，也可获取精确的诊断结果，无需耗费心脏专家大量的精力，减轻医生负担。附图说明图1为本专利技术中所采用的深度神经网络的结构图；图2为本专利技术中训练神经网络的流程图；图3为本专利技术中使用经训练的神经网络的示意图。具体实施方式下面结合附图与实施例对本专利技术作进一步说明。本专利技术的具体实施涉及到两部分，第一部分对心电图信号进行预处理，主要是归一化处理，第二部分是使用MIT-BIH心律失常数据库中的数据对深度神经网络进行训练，经过训练的神经网络可以作为分类器对待分析心电图进行分析。第一部分：预处理心电图本文档来自技高网...

【技术保护点】
一种基于深度神经网络的心电图智能诊断方法，其特征在于，通过以下步骤来实现：a).信号归一化处理，在MIT‑BIH心率失常数据库中，选取数据库中具有更高信噪比的预处理之后的信号作为训练神经网络使用，利用公式(1)对选取的信号进行归一化处理：S′=S-Min(X)Max(X)-Min(X)---(1)]]>其中，S为原始信号，S′为归一化之后的信号，Min(X)为对样本空间进行作用，返回样本空间内数值最小的信号；Max(X)为对样本空间进行作用，返回样本空间内数值最大的信号；b).确定训练样本空间X，心电图信号经过公式(1)的归一化处理后，所有信号数值S∈[0,1]，之后将每个信号序列按顺序划分为长度为10000的输入向量x，舍弃长度不足10000的信号组，最后得到满足输入要求的训练样本空间X:X＝{xi|xi∈[0,1]m,i＝1,2,...,m＝10000}；每个训练样本xi对应的心电图异常种类向量yi为：yi=p1...pj...p10,j=1,2,...,10,]]>其中，10项心电异常种类如下表所示：所有的yi就形成了训练样本空间X对应的期望输出空间Y；c).确定验证样本空间，采用与步骤a)和b)相同的方法，确定出检验用的验证样本空间X′和对应的验证样本期望输出空间Y′；d).确定神经网络结构，设L1、Ln分别为神经网络的输入层、输出层，L1至Ln之间的隐藏层分别为L2、L3、…、L(n‑1)；L1、L2、…、Ln层中的神经元数目依次递减，并设其分别为n1、n2、…、nn；n1＜n2＜…＜nn；e).确定激活函数和目标函数，选择如公式(3)所示的Logistic函数作为神经元的激活函数；σ(Z)=11+eZ---(3)]]>选择如公式(4)所示的交叉熵成本函数为目标函数；C(x,w,b)=-1nΣx[ylna+(1-y)ln(1-a)]---(4)]]>其中，x为输入心电图信号向量，w为神经网络权值，b为神经网络偏置项，n为训练样本的样本容量，y为x对应的心电图异常向量，a为神经网络输出向量；f).训练神经网络，从训练样本空间X中选取n个训练样本，在训练过程中采用随机梯度下降法计算梯度，采用步骤c)中确定出的验证样本空间X′和对应的验证样本期望输出空间Y′进行检验，当正确率超过98％时终止训练，此时得到权值w和偏置项b确定的神经网络；获取如公式(5)所示的心电图异常种类与心电图信号存在的函数关系式：y＝Γ(x；w,b)    (5)；g).心电图信号的自动分析，假设有一待分析心电图信号，格式化之后的序列为将带入公式(7)即可得到分析结果...

【技术特征摘要】
1.一种基于深度神经网络的心电图智能处理方法，其特征在于，通过以下步骤来实现：a).信号归一化处理，在MIT-BIH心率失常数据库中，选取数据库中具有更高信噪比的预处理之后的信号作为训练神经网络使用，利用公式(1)对选取的信号进行归一化处理：其中，S为原始信号，S′为归一化之后的信号，Min(X)为对样本空间进行作用，返回样本空间内数值最小的信号；Max(X)为对样本空间进行作用，返回样本空间内数值最大的信号；b).确定训练样本空间X，心电图信号经过公式(1)的归一化处理后，所有信号数值S∈[0,1]，之后将每个信号序列按顺序划分为长度为10000的输入向量x，舍弃长度不足10000的信号组，最后得到满足输入要求的训练样本空间X:X＝{xi|xi∈[0,1]m,i＝1,2,...,m＝10000}；每个训练样本xi对应的心电图异常种类向量yi为：其中，10项心电异常种类如下表所示：所有的yi就形成了训练样本空间X对应的期望输出空间Y；c).确定验证样本空间，采用与步骤a)和b)相同的方法，确定出检验用的验证样本空间X′和对应的验证样本期望输出空间Y′；d).确定神经网络结构，设L1、Ln分别为神经网络的输入层、输出层，L1至Ln之间的隐藏层分别为L2、L3、…、L(n-1)；L1、L2、…、Ln层中的神经元数目依次递减，并设其分别为n1、n2、…、nn；n1＜n2＜…＜...

【专利技术属性】
技术研发人员：舒明雷，高岩，王英龙，杨明，王春梅，孔祥龙，王海燕，许继勇，陈长芳，单珂，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：山东;37