一种面向异常心脏节律分类的ECG信号分析方法技术

本发明专利技术提供一种面向异常心脏节律分类的ECG信号分析方法，可以利用SB‑LSTM和TD‑CNN从ECG信号中挖掘信号的长期依赖关系和局部特征；所设计的TAG、FAM、LAM可对所得的长期依赖关系和局部特征进行微调，从而获得精确的ECG整体波动模式和局部波动模式。最终，利用FCN得到ECG信号段的处理结果。该方法充分结合了ECG信号的整体波动模式和局部波动模式信息，能在大规模数据集上使用性能更好。此外，该方法避免了人工分类所产生的个体间差异和个体内差异，能够获得稳定的分类结果。特别地，该方法无需借助任何专家知识、无需手动设计各种特征、无需进行特征选择处理、无需单独地构建分类器，是典型的端到端方法，具有使用便捷、分类精度高等特点。

An ECG Signal Analysis Method for Classification of Abnormal Cardiac Rhythm

The invention provides an ECG signal analysis method for abnormal cardiac rhythm classification, which can use SB LSTM and TD CNN to mine the long-term dependence and local characteristics of signals from ECG signals; the designed TAG, FAM and LAM can fine-tune the obtained long-term dependence and local characteristics, thereby obtaining accurate ECG overall fluctuation mode and local fluctuation mode. Finally, the processing results of ECG signal segment are obtained by FCN. This method fully combines the global and local fluctuation modes of ECG signals, and can be used in large-scale data sets with better performance. In addition, this method avoids the differences between individuals and individuals caused by manual classification, and can obtain stable classification results. In particular, this method is a typical end-to-end method, which does not need any expert knowledge, manual design of features, feature selection and processing, and the construction of classifiers separately. It has the characteristics of convenient use and high classification accuracy.

【技术实现步骤摘要】
一种面向异常心脏节律分类的ECG信号分析方法
本专利技术涉及生物健康计算领域，具体地，涉及一种面向异常心脏节律分类的ECG信号分析方法。
技术介绍
心脏节律通常分为五类：非异位型(N:Non-ectopic)、室性异位型(V:Ventricularectopic)、室上性异位型(S:Supraventricularectopic)、混合型(F:Fusion)、未知型(Q:Unknown)。每种子类型通常具有不同的临床表现，需要不同的治疗方法，因此，对异常心脏节律进行准确分类是提供有效治疗的前提。现有的异常心脏节律分类方法主要分为两大类：1)基于专业医生的人工视检法；2)基于特征工程的计算机辅助分类方法。前者需要医生具有极其丰富的临床经验，且需耗费大量的时间成本，效率很低；此外，由于ECG往往会表现出个体间差异和个体内差异，因此基于专业医生的人工视检法通常精度较低。后者虽然借助计算机技术大大降低了时间成本，且保证了结果的一致性，但其必须根据专家知识提前设计若干个特征。由于ECG波动模式在个体间和个体内都存在巨大差异，统一设计的特征难以准确刻画所有情况下的ECG波动模式，这在某种程度上限制了基于特征工程的计算机辅助处理方法的处理精度。
技术实现思路
针对以上问题，本专利技术提供一种面向异常心脏节律分类的ECG信号分析方法，以解决基于特征工程的计算机辅助处理方法精度较低的问题。本专利技术种基于异常心脏节律分类的ECG信号分析方法的技术方案为：一种面向异常心脏节律分类的ECG信号分析方法，包括以下步骤：S1：对ECG信号进行预处理操作，得到格式统一的ECG信号段；S2：设计基于趋势注意门的多层双向长短时记忆神经网络，从S1输出的结果中挖掘ECG信号的整体波动模式；S3：设计基于特征注意机制及位置注意机制的二维卷积神经网络，从S2输出的结果中挖掘ECG信号的局部波动模式；S4：利用全连接神经网络对S3的输出结果进行进一步处理，使用全连接神经网络对S3输出的结果进行拟合，并使用softMax函数将拟合结果映射为概率分布，从而得出每个ECG信号段的处理结果。进一步的，一种面向异常心脏节律分类的ECG信号分析方法，所述S1中对ECG信号进行预处理操作包括：首先使用Z-score算法对ECG信号进行归一化处理；然后以ECG信号中的R峰为中心，截取适当数量的采样点作为当前心跳所对应的ECG信号段；最后对所得ECG信号段的集合进行上采样处理，使得每个心脏节律类型包含相同数量的实例个数。进一步的，一种面向异常心脏节律分类的ECG信号分析方法，所述S2中挖掘ECG信号的整体波动模式是指：使用基于趋势注意门的多层双向长短时记忆神经网络挖掘ECG信号的长期依赖关系，并根据每个采样点在ECG中所处的位置及其周围波形对所挖掘的长期依赖关系进行微调，从而获得精确的ECG长期波动模式。进一步的，一种面向异常心脏节律分类的ECG信号分析方法，所述多层双向长短时记忆神经网络结构由三层双向LSTM构成；上一层LSTM的结果输出给下一层同方向的LSTM，每个LSTM单元由四个门构成，即：忘记门、输入门、输出门及趋势注意门；所述四个门相互作用，共同控制LSTM单元状态的更新及结果的输出；其中，忘记门用来丢掉LSTM之前状态中的无用信息；输入门决定当前应当给LSTM状态添加哪些信息；输出门确定当前细胞应当将哪些信息作为LSTM的最终状态；趋势注意门根据当前采样点所处的位置以及周围波形来调整当前采样点所对应的长期依赖关系的权重。进一步的，一种面向异常心脏节律分类的ECG信号分析方法，每个LSTM单元中的隐藏神经元个数设置为16；L设置为8；N`设置为56，L＝N-N`是周围波形的长度，N、N`为采样点。进一步的，一种面向异常心脏节律分类的ECG信号分析方法，所述S3中挖掘ECG信号的局部波动模式是指：使用基于特征注意机制及位置注意机制的二维卷积神经网络挖掘ECG信号中的局部特征，并分别根据特征的种类及其在ECG信号中所处的位置对特征值进行微调，从而获得精确的ECG局部波动模式。进一步的，一种面向异常心脏节律分类的ECG信号分析方法，所述S4中全连接神经网络由两个全连层构成，其所含的神经元个数分别设为32和5；特别地，第二个全连层与数据集中心脏节律类型的数量相等；在最后一个全连层之后添加一个Softmax层，将网络输出结果转换成概率分布形式，从而确定处理结果。本专利技术的有益效果为：所述的ECG信号分析方法，可以利用SB-LSTM和TD-CNN从ECG信号中挖掘信号的长期依赖关系和局部特征。特别地，所设计的TAG、FAM、LAM可对所得的长期依赖关系和局部特征进行微调，从而获得精确的ECG整体波动模式和局部波动模式。最终，利用FCN得到ECG信号段的处理结果。该方法充分结合了ECG信号的整体波动模式和局部波动模式信息，能在大规模数据集上使用性能更好。此外，该方法避免了人工分类所产生的个体间差异和个体内差异，能够获得稳定的分类结果。特别地，该方法无需借助任何专家知识、无需手动设计各种特征、无需进行特征选择处理、无需单独地构建分类器，是典型的端到端方法，具有使用便捷、分类精度高等特点。附图说明图1是本专利技术基于ECG的异常心脏节律分类模型的结构示意图；图2是本专利技术实施例中一种面向异常心脏节律分类的ECG信号分析方法总体流程示意图；图3是本专利技术实施例中所设计的TAG-SB-LSTM中LSTM单元的结构示意图；图4是本专利技术实施例中所设计的FAM-LAM-TD-CNN中卷积层的结构示意图。具体实施方式下面结合附图来进一步描述本专利技术的技术方案：为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术的实施例及其附图，对本专利技术中的技术方案进行清楚、完整地描述。一种面向异常心脏节律分类的ECG信号分析方法，利用TAG-SB-LSTM及FAM-LAM-TD-CNN分别从ECG信号中挖掘长期依赖关系和局部特征，并根据采样点所处的位置及周围波形对长期依赖关系进行微调、根据所提取特的类型及所处的位置对特征值进行微调，从而获得精确的ECG整体波动模式和局部波动模式，最后再利用全连接网络确定该ECG信号段的处理结果。该方法的整体框架结构如图1所示。一种面向异常心脏节律分类的ECG信号分析方法，如图2所示，包括以下步骤：S1：对ECG进行归一化、分段、上采样等预处理操作，得到格式统一的ECG信号段。本专利技术实施例中，ECG信号通常表现为明显的个体间差异和个体内差异，不同的ECG信号幅值范围会影响处理结果的准确性，为此，首先使用Z-socre方法对ECG信号进行归一化处理，如下公式所示：其中，μ为ECG信号序列的平均值，σ为信号序列的标准差，Xi是ECG信号序列中第i个信号值，Xnor_i是Xi经过归一化处理后的值。然后利用已有算法确定ECG信号中R峰的位置(本专利技术实施例利用流行的Pan-Tompkins算法进行R峰检测)，然后以R峰所在时刻为中心，选取适当数量的采样点来代表当次心跳所对应的ECG信号段。鉴于本专利技术实施例中ECG信号的采样频率为360Hz，而人体正常心率范围为60-100次/分，因此以R峰为中心选择256个采样点作为当次心跳所对应的ECG信号段，这样既可以最大程度保留当次心跳本文档来自技高网...

【技术保护点】
1.一种面向异常心脏节律分类的ECG信号分析方法，其特征在于：包括以下步骤：S1：对ECG信号进行预处理操作，得到格式统一的ECG信号段；S2：设计基于趋势注意门的多层双向长短时记忆神经网络，从S1输出的结果中挖掘ECG信号的整体波动模式；S3：设计基于特征注意机制及位置注意机制的二维卷积神经网络，从S2输出的结果中挖掘ECG信号的局部波动模式；S4：利用全连接神经网络对S3的输出结果进行进一步处理，使用全连接神经网络对S3输出的结果进行拟合，并使用softMax函数将拟合结果映射为概率分布，从而得出每个ECG信号段的处理结果。

【技术特征摘要】
1.一种面向异常心脏节律分类的ECG信号分析方法，其特征在于：包括以下步骤：S1：对ECG信号进行预处理操作，得到格式统一的ECG信号段；S2：设计基于趋势注意门的多层双向长短时记忆神经网络，从S1输出的结果中挖掘ECG信号的整体波动模式；S3：设计基于特征注意机制及位置注意机制的二维卷积神经网络，从S2输出的结果中挖掘ECG信号的局部波动模式；S4：利用全连接神经网络对S3的输出结果进行进一步处理，使用全连接神经网络对S3输出的结果进行拟合，并使用softMax函数将拟合结果映射为概率分布，从而得出每个ECG信号段的处理结果。2.根据权利要求1所述的一种面向异常心脏节律分类的ECG信号分析方法，其特征在于：所述S1中对ECG信号进行预处理操作包括：首先使用Z-score算法对ECG信号进行归一化处理；然后以ECG信号中的R峰为中心，截取适当数量的采样点作为当前心跳所对应的ECG信号段；最后对所得ECG信号段的集合进行上采样处理，使得每个心脏节律类型包含相同数量的实例个数。3.根据权利要求1所述的一种面向异常心脏节律分类的ECG信号分析方法，其特征在于：所述S2中挖掘ECG信号的整体波动模式是指：使用基于趋势注意门的多层双向长短时记忆神经网络挖掘ECG信号的长期依赖关系，并根据每个采样点在ECG中所处的位置及其周围波形对所挖掘的长期依赖关系进行微调，从而获得精确的ECG长期波动模式。4.根据权利要求1所述的一种面向异常心脏节律分类的ECG信号分析方法，其特征在于：所述多层双...

【专利技术属性】
技术研发人员：周兴社，刘帆，王柱，倪红波，於志文，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61