【技术实现步骤摘要】
基于跳跃连接的CNN与LSTM结合的房颤信号分类方法
本专利技术涉及信号处理
,具体涉及一种基于跳跃连接的CNN与LSTM结合的房颤信号分类方法。
技术介绍
心血管疾病是造成世界人口减少的主要原因之一,其中,房颤在心血管疾病是最为常见的。ECG信号对判断房颤是一种有效的手段,所以,越来越多的ECG信号自动检测技术被相继的提出。传统的ECG信号分类方法有支持向量机(SVMs)、神经网络(NN)等等,但这些方法都存在着繁琐的数据处理工作这一缺点。随着技术的发展,深度学习方法被慢慢拓展开来。它是基于传统方法之一的神经网络(NN)发展而来,目前最常见的深度学习模型主要有:CNN、RNN、LSTM等等。CNN与许多神经网络相类似,是以前馈神经网络为基础的,它的人工神经元可以响应一部分覆盖范围内的周围单元,从而降低了网络的复杂度,进行特征提取有明显的效果。但由于深度学习模型需要的数据是巨大的,CNN的处理效率也变的尤为重要,为此,本专利技术对CNN进行添加跳跃连接的改进,在数据加载到CNN模型的时候,进行特征提取工作分为两条路线,这样会明显提高处理效率。LSTM与常规神经网络相反,LSTM结构能够学习时间依赖性,当处理时间序列数据时有明显的优势,例如,ECG信号。因此需要一种可以对房颤信号进行精准、高效分类的方法。
技术实现思路
本专利技术为了克服以上技术的不足,提供了一种可以对房颤信号进行精准、高效分类的基于跳跃连接的CNN与LSTM结合的房颤信号分类方法。本专利技术克服其技术问题所采用的技术方案是:一种基于跳跃连接的CNN与LSTM结合的房颤信号分类方法,包括如 ...
【技术保护点】
1.一种基于跳跃连接的CNN与LSTM结合的房颤信号分类方法,其特征在于,包括如下步骤:a)将房颤信号数据以频率MHz为标准进行切分,形成Ns一段的数据D,将数据D传入跳跃连接的CNN模型中;b)将数据D加载到CNN模型的卷积层中,设置卷积核大小、通道数、步长对数据D进行卷积处理,卷积处理后形成数据D1;c)将数据D加载到CNN模型的最大池化层中,设置池化核大小、步长对数据D进行池化处理,池化处理后产生数据D2;d)将数据D1加载到CNN模型的激励层中,使用ReLU激励函数,通过公式
【技术特征摘要】
1.一种基于跳跃连接的CNN与LSTM结合的房颤信号分类方法,其特征在于,包括如下步骤:a)将房颤信号数据以频率MHz为标准进行切分,形成Ns一段的数据D,将数据D传入跳跃连接的CNN模型中;b)将数据D加载到CNN模型的卷积层中,设置卷积核大小、通道数、步长对数据D进行卷积处理,卷积处理后形成数据D1;c)将数据D加载到CNN模型的最大池化层中,设置池化核大小、步长对数据D进行池化处理,池化处理后产生数据D2;d)将数据D1加载到CNN模型的激励层中,使用ReLU激励函数,通过公式将数据D1进行非线性变化,产生数据D3;e)将数据D3加载到CNN模型的批量归一化层,通过公式计算均值uβ,式中m为输入的数据的总个数,通过公式计算标准差σβ2,通过公式对数据D3进行归一化处理,产生数据D4,式中ε为常数;f)将数据D4加载到CNN模型的平均池化层,设置平均池化层池化核大小、步长对数据D4进行平均池化处理,池化处理后产生数据D5;g)将数据D5及数据D2汇集加载到LSTM模型中,设置LSTM模型的输出维度及dropout,根据公式ft=σ(wifat+bif+whfht-1+bhf)计算t时刻的Forgetgate忘记的信息内容ft,式中σ为sigmoid激活函数,wif为输入层和忘记门的权值,at为t时刻输入数据,bif为输入层和忘记门的偏移,whf为隐藏层和忘记门的权值,ht-1为t-1时刻隐藏层数据,bhf为隐藏层和忘记门的偏移,通过公式it=(wiiat+bii+whiht-1+bhi)计算t时刻的Inputgate保留的信息内容it,式中wii是输入层和输入门的权值,bii为输入层和输入门的偏移,whi为隐藏层和输入门的权值,bhi为隐藏层和输入门的偏移,通过公式gt=tanh(Wigat+big+whght-1+bhg)计算t时刻的的更新内容gt,式中Wig为输入层和保留信息门的权值,big为输入层和信息保留门的偏移,whg为输入层和保留信息门的权值,bhg为隐藏层和保留信息门的偏移,Forgetgate忘记的信息内容ft与Inputgate保留的信息内容it与更新内容gt组合产生数...
【专利技术属性】
技术研发人员:舒明雷,平永杰,朱清,王英龙,崔焕庆,许继勇,成曦,孙宗锟,燕婷,
申请(专利权)人:山东科技大学,山东省计算中心国家超级计算济南中心,山东大学齐鲁医院,
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。