一种基于迁移学习的室性心动过速心律识别用神经网络制造技术

本申请涉及一种室性心动过速心律识别用SCNN神经网络，具有若干卷积层、若干池化层和若干全连接层的输出值为[X，Y]的SCNN神经网络；对SCNN神经网络进行训练时，先采用充分多条已知类型的非室性心动过速的心电图信号以及收集并复制的室性心动过速的心电图信号对SCNN神经网络进行训练，确定卷积层和池化层的参数，之后再通过收集的室性心动过速的心电图信号对SCNN神经网络进行训练，确定全连接层的参数。通过使用两次训练，其中第一次训练确定卷积层和池化层的参数，实现特征的提取，第二次训练确定全连接层的参数，通过使用少量的数据即得到较高的准确率。因此，本申请在无需采集过多室性心动过速的心电信号的情况下，从而提供一种识别准确率高的室性心动过速心律识别用SCNN神经网络。

A Neural Network for Recognition of Ventricular Tachycardia Rhythm Based on Transfer Learning

【技术实现步骤摘要】
一种基于迁移学习的室性心动过速心律识别用神经网络
本申请属于心电类型识别
，尤其是涉及一种基于迁移学习的室性心动过速心律识别方法和装置。
技术介绍
室性心动过速(VT)是指发生在希氏束分叉以下的束支、心肌传导纤维、心室肌的快速性心律失常，室性心动过速可以起源于左心室及右心室，持续性发作时的频率常常超过100次/min，并可发生血流动力学状态的恶化，可能蜕变为室扑，室颤，导致心源性猝死，需要积极治疗。室性心动过速的信号在临床上比较难以获取，数据量较少，因此在采用基于数据驱动的方法对室性心动过速进行自动化诊断时，由于数据缺乏，导致模型过拟合严重，进一步导致识别的准确率低下。
技术实现思路
本专利技术要解决的技术问题是：为解决现有技术中因数据缺乏而对室性心动过速心律识别准确率不足的问题，从而提供一种识别准确率高的基于迁移学习的室性心动过速心律识别用神经网络。本专利技术解决其技术问题所采用的技术方案是：本专利技术还提供一种室性心动过速心律识别用SCNN神经网络，包括：若干卷积层、若干池化层和若干全连接层，所述全连接层的输出值为[X，Y]；所述SCNN神经网络由以下方法训练得到：先采用充分多条已知类型的非室性心动过速的心电图信号以及收集并复制的室性心动过速的心电图信号对SCNN神经网络进行训练，确定卷积层和池化层的参数，之后再通过收集的室性心动过速的心电图信号对SCNN神经网络进行训练，确定全连接层的参数。优选地，本专利技术的室性心动过速心律识别用SCNN神经网络，对SCNN神经网络进行训练时包括以下步骤：S21：收集充分多条已知类型的非室性心动过速的心电图信号和室性心动过速的心电图信号，室性心动过速的心电图信号数量是非室性心动过速的心电图信号数量的0.02％以上；S22：复制室性心动过速的心电图信号若干倍，使得室性心动过速的心电图信号的数量与训练时收集的非室性心动过速的心电图信号的数量之间相差不大于10％，定义收集和复制的室性心动过速的心电图信号为值Y，非室性心动过速的心电图信号为值X，以收集的非室性心动过速的心电图信号以及收集和复制的室性心动过速的心电图信号作为输入，相应心电图信号相对应的值X和值Y作为输出对SCNN神经网络进行训练；S23：以收集的室性心动过速的心电图信号作为输入，值Y作为输出，固定步骤S22中训练出的SCNN的卷积层和池化层中的参数的值不变，导入SCNN神经网络中重新训练SCNN神经网络的全连接层中的参数，得到最终的训练好的SCNN神经网络。优选地，本专利技术的室性心动过速心律识别用SCNN神经网络，S21步骤中，收集的非室性心动过速的心电图信号的数量不低于10万条，收集的室性心动过速的心电图信号的数量不低于2000条。优选地，本专利技术的室性心动过速心律识别用SCNN神经网络，收集的非室性心动过速的心电图信号的类型至少包括正常心电图、窦性心动过缓、窦性心动过速、房颤、房扑和房室交界性心律，并且不同类型的心电信号数量之间相差不大于10％。优选地，本专利技术的室性心动过速心律识别用SCNN神经网络，所述SCNN神经网络包括十五个卷积层、十五个池化层和两个全连接层，卷积层和池化层交错设置。优选地，本专利技术的室性心动过速心律识别用SCNN神经网络，所述SCNN神经网络的每层结构为：第一层为卷积层，包含12个滤波器，卷积核大小为(121,12)，步长为1，激励函数为leakyReLU；第二层为池化层，池化窗大小为2，采用最大化池化方法池化；第三层为卷积层，包含10个滤波器，卷积核大小为(91,12)，步长为1，激励函数为leakyReLU；第四层为池化层，池化窗大小为2，采用最大化池化方法池化；第五层为卷积层，包含8个滤波器，卷积核大小为(71,10)，步长为1，激励函数为leakyReLU；第六层为池化层，池化窗大小为2，采用最大化池化方法池化；第七层为卷积层，包含8个滤波器，卷积核大小为(51,8)，步长为1，激励函数为leakyReLU；第八层为池化层，池化窗大小为2，采用最大化池化方法池化；第九层为卷积层，包含5个滤波器，卷积核大小为(41,8)，步长为1，激励函数为leakyReLU；第十层为池化层，池化窗大小为2，采用最大化池化方法池化；第十一层为卷积层，包含8个滤波器，卷积核大小为(21,5)，步长为1，激励函数为leakyReLU；第十二层为池化层，池化窗大小为2，采用最大化池化方法池化；第十三层为卷积层，包含5个滤波器，卷积核大小为(11,5)，步长为1，激励函数为leakyReLU；第十四层为池化层，池化窗大小为2，采用最大化池化方法池化；第十五层为卷积层，包含5个滤波器，卷积核大小为(11,5)，步长为1，激励函数为leakyReLU；第十六层为池化层，池化窗大小为2，采用最大化池化方法池化；第十七层为卷积层，包含5个滤波器，卷积核大小为(11,5)，步长为1，激励函数为leakyReLU；第十八层为池化层，池化窗大小为2，采用最大化池化方法池化；第十九层为卷积层，包含5个滤波器，卷积核大小为(7,5)，步长为1，激励函数为leakyReLU；第二十层为池化层，池化窗大小为2，采用最大化池化方法池化；第二十一层为卷积层，包含5个滤波器，卷积核大小为(7,5)，步长为1，激励函数为leakyReLU；第二十二层为池化层，池化窗大小为2，采用最大化池化方法池化；第二十三层为卷积层，包含5个滤波器，卷积核大小为(7,5)，步长为1，激励函数为leakyReLU；第二十四层为池化层，池化窗大小为2，采用最大化池化方法池化；第二十五层为卷积层，包含3个滤波器，卷积核大小为(7,5)，步长为1，激励函数为leakyReLU；第二十六层为池化层，池化窗大小为2，采用最大化池化方法池化；第二十七层为卷积层，包含3个滤波器，卷积核大小为(7,3)，步长为1，激励函数为leakyReLU；第二十八层为池化层，池化窗大小为2，采用最大化池化方法池化；第二十九层为卷积层，包含3个滤波器，卷积核大小为(7,3)，步长为1，激励函数为leakyReLU；第三十层为池化层，池化窗大小为2，采用最大化池化方法池化；第三十一层为全连接层，输出神经元个数为10个，激励函数为线性激励函数；第三十二层为全连接层输出神经元个数为1个，激励函数为sigmoid函数。优选地，本专利技术的室性心动过速心律识别用SCNN神经网络，S22和S23步骤中对SCNN神经网络进行训练时采用随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法等中的任意一种。优选地，本专利技术的室性心动过速心律识别用SCNN神经网络，对S21步骤中收集的已知类型的非室性心动过速的心电图信号和室性心动过速的心电图信号进行重采样为特定频率，并由带通滤波器进行滤波。优选地，本专利技术的室性心动过速心律识别用SCNN神经网络，所述多导联心电图信号为12导联信号。优选地，本专利技术的室性心动过速心律识别用SCNN神经网络，输出值为[X，Y]中X＝0，Y＝1，多导联心电图信号输入到所述室性心动过速心律识别用SCNN神经网络中后，以输出值是否大于等于0.5作为判断所述多导联心电图信号的类型为非室性心动过速的依据。本专利技术的有益效果是：本申本文档来自技高网...

【技术保护点】
1.一种室性心动过速心律识别用SCNN神经网络，其特征在于，包括：若干卷积层、若干池化层和若干全连接层，所述全连接层的输出值为[X，Y]；所述SCNN神经网络由以下方法训练得到：先采用充分多条已知类型的非室性心动过速的心电图信号以及收集并复制的室性心动过速的心电图信号对SCNN神经网络进行训练，确定卷积层和池化层的参数，之后再通过收集的室性心动过速的心电图信号对SCNN神经网络进行训练，确定全连接层的参数。

【技术特征摘要】
1.一种室性心动过速心律识别用SCNN神经网络，其特征在于，包括：若干卷积层、若干池化层和若干全连接层，所述全连接层的输出值为[X，Y]；所述SCNN神经网络由以下方法训练得到：先采用充分多条已知类型的非室性心动过速的心电图信号以及收集并复制的室性心动过速的心电图信号对SCNN神经网络进行训练，确定卷积层和池化层的参数，之后再通过收集的室性心动过速的心电图信号对SCNN神经网络进行训练，确定全连接层的参数。2.根据权利要求1所述的室性心动过速心律识别用SCNN神经网络，其特征在于，对SCNN神经网络进行训练时包括以下步骤：S21：收集充分多条已知类型的非室性心动过速的心电图信号和室性心动过速的心电图信号，室性心动过速的心电图信号数量是非室性心动过速的心电图信号数量的0.02％以上；S22：复制室性心动过速的心电图信号若干倍，使得室性心动过速的心电图信号的数量与训练时收集的非室性心动过速的心电图信号的数量之间相差不大于10％，定义收集和复制的室性心动过速的心电图信号为值Y，非室性心动过速的心电图信号为值X，以收集的非室性心动过速的心电图信号以及收集和复制的室性心动过速的心电图信号作为输入，相应心电图信号相对应的值X和值Y作为输出对SCNN神经网络进行训练；S23：以收集的室性心动过速的心电图信号作为输入，值Y作为输出，固定步骤S22中训练出的SCNN的卷积层和池化层中的参数的值不变，导入SCNN神经网络中重新训练SCNN神经网络的全连接层中的参数，得到最终的训练好的SCNN神经网络。3.根据权利要求2所述的室性心动过速心律识别用SCNN神经网络，其特征在于，S21步骤中，收集的非室性心动过速的心电图信号的数量不低于10万条，收集的室性心动过速的心电图信号的数量不低于2000条。4.根据权利要求2所述的室性心动过速心律识别用SCNN神经网络，其特征在于，收集的非室性心动过速的心电图信号的类型至少包括正常心电图、窦性心动过缓、窦性心动过速、房颤、房扑和房室交界性心律，并且不同类型的心电信号数量之间相差不大于10％。5.根据权利要求1-4任一项所述的室性心动过速心律识别用SCNN神经网络，其特征在于，所述SCNN神经网络包括十五个卷积层、十五个池化层和两个全连接层，卷积层和池化层交错设置。6.根据权利要求5所述的室性心动过速心律识别用SCNN神经网络，其特征在于，所述SCNN神经网络的每层结构为：第一层为卷积层，包含12个滤波器，卷积核大小为(121,12)，步长为1，激励函数为leakyReLU；第二层为池化层，池化窗大小为2，采用最大化池化方法池化；第三层为卷积层，包含10个滤波器，卷积核大小为(91,12)，步长为1，激励函数为leakyReLU；第四层为池化层，池化窗大小为2，采用最大化池化方法池化；第五层为卷积层，包含8个滤波器，卷积核大小为(71,10)，步长为1，激励函数为leakyReLU；第六层为池化层，池化窗大小为2，采用最大化池化方法池化；第七层为卷积层，包含8个滤波器，卷积核大小为(51,8)，步长为1，激励函数为leakyReLU；第八层为池化层，池化窗大小为2，采用最大化池化方法池化；第九层为卷积层，包含5个滤波器，卷积核大小为(41,8...

【专利技术属性】
技术研发人员：朱俊江，黄浩，王雨轩，卓威，
申请(专利权)人：上海数创医疗科技有限公司，
类型：发明
国别省市：上海,31