【技术实现步骤摘要】
基于压缩图神经网络的自动心律失常分析方法
本专利技术涉及医学信号处理
,更确切地说,本专利技术涉及一种基于压缩图神经网络的自动心律失常分析方法。
技术介绍
近些年,针对心电图的辅助诊断设备发展迅速,随着信息领域的科技进步,特别是随着模式识别技术的进展,心电图设备的功能不再是仅仅获取心电信号、打印心电图,而是向着挖掘心电图中的有效数据以及自动识别、统计心拍信息方向发展。带自动识别心拍功能的分析设备能够为医生提供更直观有效的心电图信息,有效节省诊断时间,提高医生的诊断效率,是重要的辅助医疗设备之一。工作在计算器件上的自动心律失常分析系统是此类设备的核心,技术途径有两种,一是通过提取表征了心电图有效信息的特征向量,输入到分类器算法得到心拍的类别;二是通过深度学习技术自动学习特征并进行识别,得到心拍的类别。基于深度学习技术的心律失常分析系统可以利用数据红利,有效提高识别精度,然而目前的心律失常分析系统尚不足以满足临床应用的准确率需求。
技术实现思路
本专利技术的目的是为解决现有心律失常分析系统尚不足以满足临床应用的准确率需求的问题,而提供一种基于压缩图神经网络的自动心律失常分析方法。一种基于压缩图神经网络的自动心律失常分析方法,它包括:1)采用两种采样方式进行复合采样,生成多通道心电图样本;a.对每个导联的心电信号,前后各取100个点再重采样到固定维度600;b.对每个导联的心电信号,前取2个周期的R-R波区间,后取1个周期的R-R波区间,再重采样到固定维度600;将上述两种采样方式所得的600维心电信号沿第二个维度拼接,每导联心电信号由600*1维扩增为2*6 ...
【技术保护点】
1.一种基于压缩图神经网络的自动心律失常分析方法,它包括:1)采用两种采样方式进行复合采样,生成多通道心电图样本;a.对每个导联的心电信号,前后各取100个点再重采样到固定维度600;b.对每个导联的心电信号,前取2个周期的R‑R波区间,后取1个周期的R‑R波区间,再重采样到固定维度600;将上述两种采样方式所得的600维心电信号沿第二个维度拼接,每导联心电信号由600*1维扩增为2*600*1维,此时的2为该导联心电信号的通道数;将原始每个导联的心电数据经过所述复合采样方式形成上述4*600*1维的心电信号样本X,作为深度神经网络模型的输入Input,即为图一中的Input1, Input2, Input3, Input4;2)搭建深度神经网络深度神经网络包括多个依次串联的卷积层单元和全连接层单元,且在合并层单元和卷积层单元间有图像编码层用于将心电信号由一维编码为二维图像;每个所述卷积层单元包括一个卷积层以及该卷积层输出端依次串联的一激励单元操作和一池化层操作;所述卷积单元使用的是二维卷积,用于提取二维心电信号编码图片的特征;3)学习深度神经网络的参数;4)对样本进行自动识别。
【技术特征摘要】
1.一种基于压缩图神经网络的自动心律失常分析方法,它包括:1)采用两种采样方式进行复合采样,生成多通道心电图样本;a.对每个导联的心电信号,前后各取100个点再重采样到固定维度600;b.对每个导联的心电信号,前取2个周期的R-R波区间,后取1个周期的R-R波区间,再重采样到固定维度600;将上述两种采样方式所得的600维心电信号沿第二个维度拼接,每导联心电信号由600*1维扩增为2*600*1维,此时的2为该导联心电信号的通道数;将原始每个导联的心电数据经过所述复合采样方式形成上述4*600*1维的心电信号样本X,作为深度神经网络模型的输入Input,即为图一中的Input1,Input2,Input3,Input4;2)搭建深度神经网络深度神经网络包括多个依次串联的卷积层单元和全连接层单元,且在合并层单元和卷积层单元间有图像编码层用于将心电信号由一维编码为二维图像;每个所述卷积层单元包括一个卷积层以及该卷积层输出端依次串联的一激励单元操作和一池化层操作;所述卷积单元使用的是二维卷积,用于提取二维心电信号编码图片的特征;3)学习深度神经网络的参数;4)对样本进行自动识别。2.根据权利要求1所述的一种基于压缩图神经网络的自动心律失常分析方法,其特征在于:所述的搭建深度神经网络,当心电数据集拥有两导联信号时,输入信号维度为4*600*1;将四个通道的输入信号输入到合并层中沿最后一维合并,合并层输出为600*4维的信号,合并层的输出作为图像编码层的输入,合并层中将心电信号归一化到0-1的范围之间,再使用量化的方法,乘以量化电平数255即可将数据范围映射到0-255之间,再使用One-hot编码的方式对信号编码,编码后的心电信号维度为600*1024;对编码后的信号使用线性缩放的方式缩小20倍,缩小后的维度为30*52,调整输出维度为52*30*1作为卷积层的输入,图像编码层输出连接到串联的三层卷积层单元中,每一层卷积层单元的输出端依次串联的一激励单元操作和一池化层操作;第一个卷积层单元的卷积核数为32个,卷积核大小为(3,3),其后的激励单元为relu函数,池化层单元的池化步长为(2,2);第二个卷积层单元的卷积核数为32个,...
【专利技术属性】
技术研发人员:刘通,危义民,臧睦君,邹海林,贾世祥,柳婵娟,周树森,
申请(专利权)人:鲁东大学,
类型:发明
国别省市:山东,37
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。