一种基于判别式深度置信网络的心律失常自动分类方法技术

一种基于判别式深度置信网络的心律失常自动分类方法。属于心律失常的检测和分类技术领域，采用反向传播对网络进行微调，进而实现正常节律、左束支传导阻滞、右束支传导阻滞、室性早搏、房性早搏、起搏心拍共6类心律失常类型的自动分类。本发明专利技术包括：步骤一：ECG信号预处理，步骤二：DDBNs模型构建，步骤三：DDBNs模型训练，步骤四：DDBNs模型有监督微调，步骤五：ECG信号送入DDBNs网络，对送入DDBNs的256维采样点x与三维RR间期特征r进行归一化处理，对x归一化，得到一个心拍归一化样本，送入网络首层。本发明专利技术应用于心律失常的自动分类。

An Automatic Arrhythmia Classification Method Based on Discriminant Depth Confidence Network

【技术实现步骤摘要】
一种基于判别式深度置信网络的心律失常自动分类方法
本专利技术涉及心律失常的检测和分类，具体涉及一种基于判别式深度置信网络的心律失常自动分类方法。
技术介绍
医生可对短期ECG信号进行视觉检测来诊断心律失常，而对动态心电图仪长期记录的ECG信号，无法仅依靠视觉检测。随着计算机科学的发展，ECG信号的自动分类分析技术应运而生，现已在心律失常的诊断和分析中起着重要作用，成为辅助临床诊断心脏疾病的重要手段。近十几年，针对心律失常的检测和分类发展出了几种模式识别方法[1-3]，主要涉及三个步骤：预处理、波形检测和分段、特征提取和分类。首先，对信号进行预处理，包括：基线漂移、工频干扰、肌电干扰等噪声去除[4]；然后，波形的检测和分段，包括：P波，QRS波群和T波等特征点检测，并根据以上特征点将ECG信号按心拍进行分段[5]；最后，特征提取和分类，包括：使用形态，时域和变换域等信息表示心拍特征[6-8]，使用主成分分析，独立成分分析和线性判别分析等进行特征降维[9]，以及使用神经网络和支持向量机(supportvectormachine,SVM)等实现ECG信号分类[10-11]。上述特征提取的方法很大程度上依赖于对ECG信号特征的人为设计和选择，其有效性受诸多因素影响。最近，深度学习提供了一种特征提取和分类同时进行的方法可避免人为设计的特征。Acharya等[12]开发了一个11层的卷积神经网络(convolutionalneuralnetwork,CNN)，实现了自动检测正常和心肌梗塞心律失常的算法，该模型含噪准确率为93.53％，无噪准确率为95.22％。Rahhal等[13]对于自动分类ECG信号，采用深度学习与主动学习(activelearning,AL)结合的方法，在特征学习阶段，通过由堆叠的去噪自动编码器(stackeddenoisingautoencoders,SDAEs)和其输出层添加柔性最大值(Softmax)回归层构建的深度神经网络(deepneuralnetwork,DNN)进行分类。Luo等[14]使用改进的频率切片小波变换提取ECG信号时频特征，送入由SDAEs的编码器层和Softmax回归层构成的DNN，同时通过对心拍样本进行微调来实现ECG信号分类，其所提模型实现了97.5％的总体准确度。Tan等[15]将CNN与长短期记忆网络结合，提取ECG信号特征，实现对冠状动脉疾病的自动诊断。Yang等[16]通过堆叠稀疏自动编码器(stackedsparseautoencoders,SSAEs)深度学习网络提取ECG信号特征，送入Softmax分类器实现ECG信号的分类。Meng等[17]采用原始ECG信号与RR间期作为输入，通过4层深度置信网络(deepbeliefnetworks,DBNs)进行无监督特征学习，提取的特征被送到SVM用于训练，自动识别6类心拍类型，总体精度98.49％。Wu等[18]将DBNs与Softmax分类器结合，完成特征提取，并实现5类ECG信号分类。熊博等[19]通过SDAEs与Softmax分类器，设计DNN，实现了心律失常患者类型的自动分类。Yildirim[20]开发了7层基于深度双向小波的长短期记忆网络(deepbidirectionallong-shorttermmemorynetwork-basedwaveletsequences,DBLSTM-WS)，实现了5类心拍分类，总体精度为99.39％。
技术实现思路
本专利技术的目的是解决目前的提取方法很大程度上依赖于对ECG信号特征的人为设计和选择，其有效性受诸多因素影响的问题，提供一种采用反向传播对网络进行微调，进而实现正常节律、左束支传导阻滞、右束支传导阻滞、室性早搏、房性早搏、起搏心拍共6类心律失常类型的自动分类的基于判别式深度置信网络的心律失常自动分类方法。上述的目的通过以下的技术方案实现：一种基于判别式深度置信网络的心律失常自动分类方法，该方法包括如下步骤：步骤一：ECG信号预处理；ECG信号送入DDBNs网络前，需经过滤波、R峰定位和归一化；步骤二：DDBNs模型构建；(1)GRBMDBNs是学习提取训练数据深层次表示的图形模型，由堆叠的RBM组成，RBM是具有可见和隐含层互连的典型神经网络，在同一层中的任何两个神经元之间没有连接，在可见层上具有二元输入的RBM为BB-RBM，而在可见层上具有实值输入的RBM为GB-RBM；(2)DRBM；DRBM是采用具有两组可见层的单个RBM来训练联合密度模型，除了表示输入数据的单元A外，还有一个相当于“Softmax”的分类标签单元B，通过计算样本在每个类别标签下的概率，从而预测最可能的类别y；其中y∈{1,2,…,k}，k为样本类别数；步骤三：DDBNs模型训练；整体DDBNs模型采用贪婪的分层方式进行训练，无标签数据送入GRBM网络中，经过逐层无监督训练，每层RBM的输入为前一层的输出，以从样本中学习到高层次的特征结构，顶层DRBM通过有监督学习，得到测试样本在各类别下的后验概率，由此输出对样本分类的判别结果；步骤四：DDBNs模型有监督微调；DDBNs的逐层预训练完成后，将其转换为使用Softmax回归层作为输出的DNN，通过最小化式损失函数，反向传播来调整网络参数，执行监督分类；步骤五：ECG信号送入DDBNs网络；对送入DDBNs的256维采样点x与三维RR间期特征r进行归一化处理，对x归一化，得到一个心拍归一化样本，送入网络首层。所述的一种基于判别式深度置信网络的心律失常自动分类方法，所述的步骤一包括如下过程：首先，对信号进行9尺度小波分解，将第1层细节系数90～180Hz和第9层近似系数0～0.35Hz置零，其他小波系数进行自适应小波阈值滤波处理后重构，去除基线漂移及高频干扰；然后，通过R峰定位来确定心拍位置；最后，选取包括P波和T波的心拍长度为256个采样点，即取R峰前90、后165个采样点。所述的一种基于判别式深度置信网络的心律失常自动分类方法，所述的步骤二GRBM的具体过程为：DBNs是学习提取训练数据深层次表示的图形模型，由堆叠的RBM组成，RBM是具有可见和隐含层互连的典型神经网络，在同一层中的任何两个神经元之间没有连接，在可见层上具有二元输入的RBM为BB-RBM，而在可见层上具有实值输入的RBM为GB-RBM，BB-RBM与GB-RBM的能量函数定义分别如式(1)、式(2)所示：其中，θ1＝{wij,bi,cj}，θ2＝{wij,bi,cj,σj}表示RBM待训练参数；nv和nh分别为可见层与隐含层单元个数；vi是可见层神经元；hj是隐含层神经元；wij是连接可见层和隐含层单元的权值；bi和cj分别为可见层和隐含层神经元偏置；σj是可见单元i的高斯分布的标准差；对于BB-RBM，可见层和隐含层的条件概率如式(3)、式(4)所示；对于GB-RBM，可见和隐含层的条件概率如式(5)、(6)所示：其中，δ＝1/1+e-x为logistic函数；η(·|μ,σ2)表示高斯分布的均值μ和方差σ2的概率密度函数；由于输入数据是实值，因此上述GB-RBM用于DDBNs的首层，随后的隐含层由BB-RBM组成。所述的一种基于判别式深度置信网本文档来自技高网...

【技术保护点】
1.一种基于判别式深度置信网络的心律失常自动分类方法，其特征是：该方法包括如下步骤：步骤一：ECG信号预处理；ECG信号送入DDBNs网络前，需经过滤波、R峰定位和归一化；步骤二：DDBNs模型构建；(1)GRBMDBNs是学习提取训练数据深层次表示的图形模型，由堆叠的RBM组成，RBM是具有可见和隐含层互连的典型神经网络，在同一层中的任何两个神经元之间没有连接，在可见层上具有二元输入的RBM为BB‑RBM，而在可见层上具有实值输入的RBM为GB‑RBM；(2)DRBM；DRBM是采用具有两组可见层的单个RBM来训练联合密度模型，除了表示输入数据的单元A外，还有一个相当于“Softmax”的分类标签单元B，通过计算样本在每个类别标签下的概率，从而预测最可能的类别y；其中y∈{1,2,…,k}，k为样本类别数；步骤三：DDBNs模型训练；整体DDBNs模型采用贪婪的分层方式进行训练，无标签数据送入GRBM网络中，经过逐层无监督训练，每层RBM的输入为前一层的输出，以从样本中学习到高层次的特征结构，顶层DRBM通过有监督学习，得到测试样本在各类别下的后验概率，由此输出对样本分类的判别结果；步骤四：DDBNs模型有监督微调；DDBNs的逐层预训练完成后，将其转换为使用Softmax回归层作为输出的DNN，通过最小化式损失函数，反向传播来调整网络参数，执行监督分类；步骤五：ECG信号送入DDBNs网络；对送入DDBNs的256维采样点x与三维RR间期特征r进行归一化处理，对x归一化，得到一个心拍归一化样本，送入网络首层。...

【技术特征摘要】
1.一种基于判别式深度置信网络的心律失常自动分类方法，其特征是：该方法包括如下步骤：步骤一：ECG信号预处理；ECG信号送入DDBNs网络前，需经过滤波、R峰定位和归一化；步骤二：DDBNs模型构建；(1)GRBMDBNs是学习提取训练数据深层次表示的图形模型，由堆叠的RBM组成，RBM是具有可见和隐含层互连的典型神经网络，在同一层中的任何两个神经元之间没有连接，在可见层上具有二元输入的RBM为BB-RBM，而在可见层上具有实值输入的RBM为GB-RBM；(2)DRBM；DRBM是采用具有两组可见层的单个RBM来训练联合密度模型，除了表示输入数据的单元A外，还有一个相当于“Softmax”的分类标签单元B，通过计算样本在每个类别标签下的概率，从而预测最可能的类别y；其中y∈{1,2,…,k}，k为样本类别数；步骤三：DDBNs模型训练；整体DDBNs模型采用贪婪的分层方式进行训练，无标签数据送入GRBM网络中，经过逐层无监督训练，每层RBM的输入为前一层的输出，以从样本中学习到高层次的特征结构，顶层DRBM通过有监督学习，得到测试样本在各类别下的后验概率，由此输出对样本分类的判别结果；步骤四：DDBNs模型有监督微调；DDBNs的逐层预训练完成后，将其转换为使用Softmax回归层作为输出的DNN，通过最小化式损失函数，反向传播来调整网络参数，执行监督分类；步骤五：ECG信号送入DDBNs网络；对送入DDBNs的256维采样点x与三维RR间期特征r进行归一化处理，对x归一化，得到一个心拍归一化样本，送入网络首层。2.根据权利要求1所述的一种基于判别式深度置信网络的心律失常自动分类方法，其特征是：所述的步骤一包括如下过程：首先，对信号进行9尺度小波分解，将第1层细节系数90～180Hz和第9层近似系数0～0.35Hz置零，其他小波系数进行自适应小波阈值滤波处理后重构，去除基线漂移及高频干扰；然后，通过R峰定位来确定心拍位置；最后，选取包括P波和T波的心拍长度为256个采样点，即取R峰前90、后165个采样点。3.根据权利要求1所述的一种基于判别式深度置信网络的心律失常自动分类方法，其特征是：所述的步骤二GRBM的具体过程为：DBNs是学习提取训练数据深层次表示的图形模型，由堆叠的RBM组成，RBM是具有可见和隐含层互连的典型神经网络，在同一层中的任何两个神经元之间没有连接，在可见层上具有二元输入的RBM为BB-RBM，而在可见层上具有实值输入的RBM为GB-RBM，BB-RBM与GB-RBM的能量函数定义分别如式(1)、式(2)所示：其中，θ1＝{wij,bi,cj}，θ2＝{wij,bi,cj,σj...

【专利技术属性】
技术研发人员：宋立新，房奇，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江,23