基于类内类间距离的CNN模型心拍分类方法技术

本发明专利技术涉及ECG心拍分类技术领域，尤其涉及基于类内类间距离的CNN模型心拍分类方法。基于类内类间距离的CNN模型心拍分类方法，包括：构建心拍特征数学模型；基于心拍特征数学模型，构建共性CNN模型；基于心拍特征数学模型，在共性CNN模型的基础上，采用类内距最小化类间距最大化方法对共性CNN模型进行改进，用以构建个性CNN模型；综合个性CNN模型的输出信息对心拍进行分类。本发明专利技术建立了共性CNN模型提取心拍的类间共性特征、类内距最小化类间距最大化的个性CNN模型提取心拍的类别个性特征，解决了由心拍类数据量不平衡导致的不能有效提取心拍特征的问题；将完整的心拍作为CNN的输入特征，实现了模型完全自动充分的提取心拍特征，进而准确的对心拍分类。

【技术实现步骤摘要】
基于类内类间距离的CNN模型心拍分类方法
本专利技术涉及ECG心拍分类
，尤其涉及基于类内类间距离的CNN模型心拍分类方法。
技术介绍
心脏疾病严重威胁人类的身体健康，世界卫生组织2015年公布的全球十大死亡病因中，因缺血性心脏病(又称冠心病)死亡的人数占876万人，位于第一位；ECG诊断是检测心脏疾病最基础、最常用的方法，而人工诊断不能有效的提取ECG中的特征，导致误诊率比较高，2004-2013年发表在中文医学期刊并经遴选纳入误诊疾病数据库的急性心肌梗死文献共485篇，累及误诊病例7840例，误诊率19.62％；因此，使用计算机挖掘ECG中的深层特征，实现计算机自动ECG诊断成为ECG研究的重要方向，其中ECG心拍分类对ECG自动诊断和临床有重要价值。研究人员在ECG心拍特征提取方面做了大量的研究工作，研究分为单个心拍特征提取和海量心拍特征提取两个阶段。在单个心拍特征提取中，王超文等(王超文.小波变换应用于QRS波检测的研究[D]；天津大学,2000.)使用小波变换检测QRS波准确率达99.71％；陈日清等(陈日清,吴剑,韩永贵,etal.基于双侧累计面积的心电信号P波检测[J].中国医药导刊,2015,(s1):36-9.)使用累计面积法检测P波准确率达99％；宋晋忠等(宋晋忠,严洪,李力,etal.一种基于R波和T波的心电图ST段夹逼检测方法[J].生物医学工程学杂志,2011,28(5):855-9.)根据R波和T波的位置检测ST段准确率达到92％以上；综上所述R波、P波、T波等特征检测准确率很高，这为海量心拍特征的自动提取做了铺垫。在海量心拍特征提取中，颜昊霖等(颜昊霖,安勇,王宏飞,etal.基于卷积神经网络的心电特征提取[J].计算机工程与设计,2017,(04):1024-8.)先人工提取RR间期特征和QRS波群作为CNN的输入特征，经过神经网络的卷积和池化操作提取心拍特征，把平均灵敏度提高到88.51％、平均阳性检测率提高到63.27％；Zhang等(ZHANGZ,DONGJ,LUOX,etal.Heartbeatclassificationusingdisease-specificfeatureselection[J].ComputersinBiology&Medicine,2014,46(1):79-89.)先人工提取RR、QT、PR间期等特征作为支持向量机(SupportVectorMachine，SVM)的输入，然后训练SVM提取心拍深层特征，把F类心拍灵敏度提高到93.81％；Mar等(MART,ZAUNSEDERS,MARTNEZJP,etal.Optimi-zationofECGclassificationbymeansoffeatureselection[J].IEEETransactionsonBiomedicalEngineering,2011,58(8):2168-77.)先人工提取RR间期、QRS时限等特征作为多层感知机(Multi-layerPerceptron，MLP)的输入，然后训练MLP挖掘心拍深层特征，把N类心拍的阳性检测率提高到99.12％；SKiranyaz等(KIRANYAZS,INCET,PULKKINENJ,etal.Personalizedlong-termECGclassification:Asystematicapproach[J].ExpertSystemswithApplications,2011,38(4):3220-6.)先人工提取了RR间期等特征作为K-means聚类的输入，然后提取ECG中的高维特征，把V类心拍的灵敏度提高到96.89％，阳性检测率提高到99.46％；鄢羽等(鄢羽,孙成.基于聚类分析的心电节拍分类算法[J].计算机应用,2014,34(7):2132-5.)将心拍作为聚类的输入特征，利用心拍的差异性，使用两级聚类分析提取ECG心拍特征，把S类心拍灵敏度提高到89.82％、阳性检测率提高到92.17％。上述研究提出的方法有四点不足：(1)大部分研究中提供了人工特征(例如：RR间期等)，不是完全自动挖掘心拍中的全部特征；(2)只很好的提高了某一心拍类的分类指标，其它指标相对较低；(3)都没有很好的解决由心拍类数据严重不平衡导致的难以有效提取高辨别性心拍特征的问题；(4)没有充分利用各类心拍间的共性信息和个性信息。
技术实现思路
针对上述问题，本专利技术提出了基于类内类间距离的CNN模型心拍分类方法，进一步提升ECG自动诊断的性能。为了实现上述目的，本专利技术采用以下技术方案：基于类内类间距离的CNN模型心拍分类方法，包括：步骤1：构建心拍特征数学模型；步骤2：基于心拍特征数学模型，构建共性CNN模型；步骤3：基于心拍特征数学模型，在共性CNN模型的基础上，采用类内距最小化类间距最大化方法对共性CNN模型进行改进，用以构建个性CNN模型；步骤4：综合个性CNN模型的输出信息对心拍进行分类。进一步地，所述步骤1包括：ECG的心拍特征数学模型表示如下：ρ(Xt)＝ρ(Xt)c+ρ(Xt)s(1)其中，Xt∈RD是t时刻D维ECG心拍向量，ρ(Xt)为心拍特征，ρ(Xt)c为心拍的类间共性特征，ρ(Xt)s为心拍的类别个性特征。进一步地，所述步骤2包括：步骤2.1：将训练集X∈RD×T、训练集的4维标注向量Y∈R4×T输入传统CNN模型，基于构建的心拍特征数学模型进行训练；所述训练集由等量的D维4类随机心拍数据组成；步骤2.2：输出第i层第n个由Ti个矩阵组成的卷积函数i＝1，...，3；n＝1，...，N的权重和的偏移量第j层第m个池化函数j＝1，...，2；m＝1，...，M的权重和的偏移量输出层的损失函数的权重和fh的偏移量bh∈R；步骤2.3：根据如下公式采用后向传播算法计算步骤2.2得出的wh的误差项bh的误差项的误差项的误差项的误差项及的误差项其中，ε为收敛阈值，c为类别数，Relu为激活函数；并依据优化器的学习速率ρ对wh、bh、和进行调整，得到共性CNN模型；所述优化器采用AdamOptimizer，学习速率ρ＝0.0001。进一步地，所述步骤3包括：步骤3.1：采用如下公式作为个性CNN模型的损失函数：其中，表示第t个训练数据属于c类的实际概率值，是第t个训练数据的标注向量；是基于交叉熵的类间距，当等于Yt时不参与类间距的计算；是基于交叉熵的类内距；公式(3)进一步表示为：其中表示实际类型为的训练数据在CNN上输出的期望概率；步骤3.2：将训练集Xk∈RD×T，k＝1，...，4、k类心拍训练集的4维标注向量Yk∈R4×T、共性CNN模型的i＝1，...，3；n＝1，...，N及其对应的输出权重和偏移量j＝1，...，2；m＝1，...，M及其对应的输出权重和偏移量及其对应的输出权重和偏移量bh∈R输入传统CNN模型，基于构建的心拍特征数学模型进行训练；步骤3.3：输出k类心拍对应的i＝1，...，3；n＝1，...，N及其对应的输出权重和偏移量j＝1，...，2；m＝1，...，M及其对应的输出权重和偏移量及其对应的输出权重和偏移量bh∈R；步骤3.4：根据如下公式采用后向传播算法计算本文档来自技高网...

【技术保护点】
1.基于类内类间距离的CNN模型心拍分类方法，其特征在于，包括：步骤1：构建心拍特征数学模型；步骤2：基于心拍特征数学模型，构建共性CNN模型；步骤3：基于心拍特征数学模型，在共性CNN模型的基础上，采用类内距最小化类间距最大化方法对共性CNN模型进行改进，用以构建个性CNN模型；步骤4：综合个性CNN模型的输出信息对心拍进行分类。

【技术特征摘要】
1.基于类内类间距离的CNN模型心拍分类方法，其特征在于，包括：步骤1：构建心拍特征数学模型；步骤2：基于心拍特征数学模型，构建共性CNN模型；步骤3：基于心拍特征数学模型，在共性CNN模型的基础上，采用类内距最小化类间距最大化方法对共性CNN模型进行改进，用以构建个性CNN模型；步骤4：综合个性CNN模型的输出信息对心拍进行分类。2.根据权利要求1所述的基于类内类间距离的CNN模型心拍分类方法，其特征在于，所述步骤1包括：ECG的心拍特征数学模型表示如下：ρ(Xt)＝ρ(Xt)c+ρ(Xt)s(1)其中，Xt∈RD是t时刻D维ECG心拍向量，ρ(Xt)为心拍特征，ρ(Xt)c为心拍的类间共性特征，ρ(Xt)s为心拍的类别个性特征。3.根据权利要求2所述的基于类内类间距离的CNN模型心拍分类方法，其特征在于，所述步骤2包括：步骤2.1：将训练集X∈RD×T、训练集的4维标注向量Y∈R4×T输入传统CNN模型，基于构建的心拍特征数学模型进行训练；所述训练集由等量的D维4类随机心拍数据组成；步骤2.2：输出第i层第n个由Ti个矩阵组成的卷积函数的权重和的偏移量第j层第m个池化函数的权重和的偏移量输出层的损失函数的权重和fh的偏移量bh∈R；步骤2.3：根据如下公式采用后向传播算法计算步骤2.2得出的wh的误差项bh的误差项的误差项的误差项的误差项及的误差项其中，ε为收敛阈值，c为类别数，Relu为激活函数；并依据优化器的学习速率ρ对wh、bh、和进行调整，得到共性CNN模型；所述优化器采用AdamOptimizer，学习速率ρ＝0.0001。4.根据权利要求3所述的基于类内类间距离的CNN模型心拍分类方法，其特征在于，所述步骤...

【专利技术属性】
技术研发人员：游大涛，武相军，耿旭东，魏梦凡，原永朋，朱凯歌，任广龙，方旭阳，
申请(专利权)人：河南大学，
类型：发明
国别省市：河南,41