基于轻量级神经网络的心电图分类方法技术

一种基于轻量级神经网络的心电图分类方法，通过单导联心电图数据和轻量级神经网络模型实现心律失常自动分类的方法。首先，肢体II导联心电信号蕴含足够的信息；其次，使用卷积核大小为1的卷积层和全局平均池化层压缩特征维度；最后使用流线型的深度可分离卷积快速提取特征。利用单导联数据集和轻量级神经网络模型可以在保证模型准确率的基础上大幅度提高模型运算速度。

Classification of ECG Based on Lightweight Neural Network

【技术实现步骤摘要】
基于轻量级神经网络的心电图分类方法
本专利技术涉及心电图分类
，具体涉及一种基于轻量级神经网络的心电图分类方法。
技术介绍
心电图检查在医院已成为常见检验项目，心电图是医生判断病人心脏状况最基本的指标。心电图信号是由心脏的电活动引起的非平稳周期性生物信号，蕴含大量复杂的心脏活动信息，只有经过专业培训的医生才能准确解读。因为心脏结构复杂和心脏活动规律较多，所以心律失常类型分类较多。普通的深度学习方法虽然预测结果较好，但是网络过于复杂，在计算能力有限的平台上难以满足实时性要求。
技术实现思路
本专利技术为了克服以上技术的不足，提供了一种提高网络学习精度的轻量级神经网络(LNet)的心电图分类方法。本专利技术克服其技术问题所采用的技术方案是：一种基于轻量级神经网络的心电图分类方法，包括如下步骤：a)计算机从MIT-BIH心律失常数据库中获取心电数据，根据心电数据中导联记录内容，选择upper信号为Ⅱ导联信号作为实验数据；b)使用基于双尺度小波变换法对实验数据进行降噪处理，定位实验数据中的QRS波群，通过QRS波群获取心电信号中的P波和T波的位置，获取一个心拍数据，通过边缘填充随机剪裁算法得到心拍数据的扩充数据集；c)对扩充数据集添加高斯白噪声，得到数据集集合，通过公式Xi＝{x11,x12,...x1N}计算数据集集合中第i个样本Xi，式中x11为心电数据中肢体II导联第1个点位电压，N为心电数据中肢体II导联使用的像素点个数；d)通过包含c1个卷积核的一维卷积层Conv1D对数据集集合提取特征，得到特征图a1，其中c1为特征图a1通道数，w1为特征图a1每个通道特征宽度，计算得到第k个通道的特征图e)通过卷积核为1的卷积层将特征图进行压缩，得到压缩特征图a2.1，其中压缩特征图a2.1通道数为c2.1，压缩特征图a2.1每个通道特征宽度为w2.1，通过深度卷积层计算得到压缩特征图计算得到第k个通道的特征图其中压缩特征图的通道数为c22，压缩特征图的每个通道特征宽度为w22；f)通过批处理层，利用公式计算特征图归一化数据均值u2.2，式中为特征图第k个通道的第i个特征，通过公式计算特征图归一化数据方差σ2.2，通过公式计算特征图规范化函数BNγ,β(a2.2)，其中式中0＜ε＜0.001，γ为线性规范化的斜率，β为线性规范化的截距，a2.3为a2.2批规范化的结果；g)通过非线性激活层，利用公式计算得到线性修正结果a2.4，通过逐点卷积层对线性修正结果a2.4计算得到扩张特征图a2.5，通过批处理层和ReLU激活函数对扩张特征图a2.5计算得到特征图a2，其中特征图a2的通道数为c2，特征图a2的每个通道特征宽度为w2；h)通过最大池化层，计算特征图a2压缩后的结果特征图a3；i)用结果特征图a3替换步骤d)中的特征图a1后重复执行步骤e)至步骤h)，得到心电特征图a4，其中心电特征图a4的通道数为c4，心电特征图a4的每个通道特征宽度为w4；j)通过池化层，计算心电特征图a4压缩后的结果特征图a5；k)用结果特征图a5替换步骤d)中的特征图a1后重复执行步骤e)至步骤h)，得到心电特征图a6，其中心电特征图a6的通道数为c6，心电特征图a6的每个通道特征宽度为w6；l)通过全局平均池化层，利用公式计算压缩得到的结果特征图a7，式中是第i个位置的特征；m)通过展平层将结果特征图a7展平成为一维向量a8，通过全连接层根据公式a9＝Wi8·a8+b8计算样本对应每类疾病得分a9，式中Wi8是全连接层权重，b8为全连接层偏倚，通过softmax激活函数根据公式计算预测结果a10，其中表示对第i类疾病预测得分，表示对第j类疾病预测得分；n)使用交叉熵函数计算预测结果a10的损失，如果损失小于制定阈值Threshold则跳转至步骤p)，如果损失大于等于制定阈值Threshold则跳转至步骤o)；o)使用Adam优化算法调整模型参数，跳转至步骤e)；p)保存模型参数，算法结束。进一步的，步骤c)中对扩充数据集分别添加信噪比为40db、60db和80db的高斯白噪声，形成40db数据集、60db数据集和80db数据集，40db数据集、60db数据集和80db数据集构成数据集集合。进一步的，步骤c)中N＝64。进一步的，步骤d)中通过公式计算得到一个通道特征向量的宽度w1，式中F为卷积核大小，P为边缘填充密度，S为步长，通过公式计算第k个通道的特征图，其中为卷积层第1层第k个通道的权重，为卷积层第1层第k个通道的的偏倚，Conv1D为一维卷积神经网络计算函数。进一步的，步骤e)中通过公式计算得到第k个通道的特征式中，为深度卷积层的权重，为深度卷积层的偏倚。进一步的，步骤n)中制定阈值Threshold＝0.001。进一步的，步骤n)使用Adam优化算法调整步骤d)中的权重偏倚调整步骤e)中的权重偏倚调整步骤m)中的权重Wi8、偏倚b8。本专利技术的有益效果是：通过单导联心电图数据和轻量级神经网络模型实现心律失常自动分类的方法。首先，肢体II导联心电信号蕴含足够的信息；其次，使用卷积核大小为1的卷积层和全局平均池化层压缩特征维度；最后使用流线型的深度可分离卷积快速提取特征。利用单导联数据集和轻量级神经网络模型可以在保证模型准确率的基础上大幅度提高模型运算速度。具体实施方式下面对本专利技术做进一步说明。一种基于轻量级神经网络的心电图分类方法，包括如下步骤：a)计算机从MIT-BIH心律失常数据库中获取心电数据，根据心电数据中导联记录内容，选择upper信号为Ⅱ导联信号作为实验数据；b)使用基于双尺度小波变换法对实验数据进行降噪处理，定位实验数据中的QRS波群，通过QRS波群获取心电信号中的P波和T波的位置，获取一个心拍数据，通过边缘填充随机剪裁算法得到心拍数据的扩充数据集；c)对扩充数据集添加高斯白噪声，得到数据集集合，通过公式Xi＝{x11,x12,...x1N}计算数据集集合中第i个样本Xi，式中x11为心电数据中肢体II导联第1个点位电压，N为心电数据中肢体II导联使用的像素点个数；d)通过包含c1个卷积核的一维卷积层Conv1D对数据集集合提取特征，得到特征图a1，其中c1为特征图a1通道数，w1为特征图a1每个通道特征宽度，计算得到第k个通道的特征图e)通过卷积核为1的卷积层将特征图进行压缩，得到压缩特征图a2.1，其中压缩特征图a2.1通道数为c2.1，压缩特征图a2.1每个通道特征宽度为w2.1，通过深度卷积层计算得到压缩特征图计算得到第k个通道的特征图其中压缩特征图的通道数为c22，压缩特征图的每个通道特征宽度为w22；f)通过批处理层，利用公式计算特征图归一化数据均值u2.2，式中为特征图第k个通道的第i个特征，通过公式计算特征图归一化数据方差σ2.2，通过公式计算特征图规范化函数BNγ,β(a2.2)，其中式中0＜ε＜0.001，γ为线性规范化的斜率，β为线性规范化的截距，a2.3为a2.2批规范化的结果；g)通过非线性激活层，利用公式计算得到线性修正结果a2.4，通过逐点卷积层对线性修正结果a2.4计算得到扩张特征图a2.5，通过批处理层和ReLU激活函数对扩张特征图a2.5计算得到特征图a2，其中特征图a2本文档来自技高网...

【技术保护点】
1.一种基于轻量级神经网络的心电图分类方法，其特征在于，包括如下步骤：a)计算机从MIT‑BIH心律失常数据库中获取心电数据，根据心电数据中导联记录内容，选择upper信号为Ⅱ导联信号作为实验数据；b)使用基于双尺度小波变换法对实验数据进行降噪处理，定位实验数据中的QRS波群，通过QRS波群获取心电信号中的P波和T波的位置，获取一个心拍数据，通过边缘填充随机剪裁算法得到心拍数据的扩充数据集；c)对扩充数据集添加高斯白噪声，得到数据集集合，通过公式Xi＝{x11,x12,...x1N}计算数据集集合中第i个样本Xi，式中x11为心电数据中肢体II导联第1个点位电压，N为心电数据中肢体II导联使用的像素点个数；d)通过包含c

【技术特征摘要】
1.一种基于轻量级神经网络的心电图分类方法，其特征在于，包括如下步骤：a)计算机从MIT-BIH心律失常数据库中获取心电数据，根据心电数据中导联记录内容，选择upper信号为Ⅱ导联信号作为实验数据；b)使用基于双尺度小波变换法对实验数据进行降噪处理，定位实验数据中的QRS波群，通过QRS波群获取心电信号中的P波和T波的位置，获取一个心拍数据，通过边缘填充随机剪裁算法得到心拍数据的扩充数据集；c)对扩充数据集添加高斯白噪声，得到数据集集合，通过公式Xi＝{x11,x12,...x1N}计算数据集集合中第i个样本Xi，式中x11为心电数据中肢体II导联第1个点位电压，N为心电数据中肢体II导联使用的像素点个数；d)通过包含c1个卷积核的一维卷积层Conv1D对数据集集合提取特征，得到特征图a1，其中c1为特征图a1通道数，w1为特征图a1每个通道特征宽度，计算得到第k个通道的特征图e)通过卷积核为1的卷积层将特征图进行压缩，得到压缩特征图a2.1，其中压缩特征图a2.1通道数为c2.1，压缩特征图a2.1每个通道特征宽度为w2.1，通过深度卷积层计算得到压缩特征图计算得到第k个通道的特征图其中压缩特征图的通道数为c22，压缩特征图的每个通道特征宽度为w22；f)通过批处理层，利用公式计算特征图归一化数据均值u2.2，式中为特征图第k个通道的第i个特征，通过公式计算特征图归一化数据方差σ2.2，通过公式计算特征图规范化函数BNγ,β(a2.2)，其中式中0＜ε＜0.001，γ为线性规范化的斜率，β为线性规范化的截距，a2.3为a2.2批规范化的结果；g)通过非线性激活层，利用公式计算得到线性修正结果a2.4，通过逐点卷积层对线性修正结果a2.4计算得到扩张特征图a2.5，通过批处理层和ReLU激活函数对扩张特征图a2.5计算得到特征图a2，其中特征图a2的通道数为c2，特征图a2的每个通道特征宽度为w2；h)通过最大池化层，计算特征图a2压缩后的结果特征图a3；i)用结果特征图a3替换步骤d)中的特征图a1后重复执行步骤e)至步骤h)，得到心电特征图a4，其中心电特征图a4的通道数为c4，心电特征图a4的每个通道特征宽度为w4；j)通过池化层，计算心电特征图a4压缩后的结果特征图a5；k)...

【专利技术属性】
技术研发人员：王英龙，成曦，朱清，舒明雷，刘辉，许继勇，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：山东,37