基于跳跃连接的CNN与LSTM结合的房颤信号分类系统技术方案

一种基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，通过将数据房颤信号数据加载到跳跃连接的CNN模型中，经过卷积、最大池化、激励、归一化、平均池化操作，进行特征提取，之后将特征提取完成的数据加载到LTSM模型中进行学习，最终达到对房颤信号分类的目的，分类的信号精确、高效。

【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组合产生数据D6；h)将数据D6加载到LSTM模型的全连接层进行分类，使用softmax分类器，设置输入维度和输出维度，通过公式计算通过softmax激活函数计算的分类结果softmax(Zj)，式中Zj为LSTM网络输出结果的第j个位置的数据，e为自然常数；i)使用交叉熵损失函数计算分类结果softmax(Zj)的损失，如果损失小于阀值y则跳转至步骤k)，如果损失大于阀值y则跳转至步骤j)；j)使用Adam优化算法优化CNN及LSTM模型参数，如果CNN及LSTM模型已经收敛则跳转至步骤k)，如果CNN及LSTM模型没有收敛，则跳转至步骤a)；k)保存模型参数，运行结束。优选的，步骤a)中M为300，房颤信号数据以频率300Hz为标准进行切分，形成5s一段的数据D。优选的，步骤b)中卷积核大小为10，通道数为10，步长为2。优选的，步骤c)中池化核大小为18，步长为4。优选的，步骤b)与步骤c)并行进行。优选的，步骤f)中池化核大小为2、步长为2。优选的，步骤g)中数据D5及数据D2汇集后加载到Keras框架封装的LSTM模型中。优选的，步骤g)中的LSTM模型的输出维度为100，dropout为0.1。优选的，步骤h)输入维度为100、输出维度为4。优选的，阀值y为0.1。本专利技术的有益效果是：通过将数据房颤信号数据加载到跳跃连接的CNN模型中，经过卷积、最大池化、激励、归一化、平均池化操作，进行特征提取，之后将特征提取完成的数据加载到LTSM模型中进行学习，最终达到对房颤信号分类的目的，分类的信号精确、高效。附图说明图1为本专利技术的模型方法流程图。具体实施方式下面结合附图1对本专利技术做进一步说明。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＝t本文档来自技高网...

【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