一种基于小波变换与DCNN的心电图分类方法和装置制造方法及图纸

技术编号:24319420 阅读:21 留言:0更新日期:2020-05-29 16:21
本发明专利技术提供一种基于小波变换与DCNN的心电图分类方法和装置,属于生物医学与模式识别领域。本发明专利技术基于小波变换与深度卷积神经网络的心电图信号自动分类方法和装置,利用小波函数将心电图信号分解成不同频率尺度的子信号,经过分段过滤后进行小波重构,利用24层卷积神经网络采用交叉大小卷积核进行特征提取,在传递特征信息时采用dropout和Batch Normalization来防止数据过拟合,最终利用softmax分类器进行分类。该方法已在2017 PhysioNet/CinC Challenge所提供的ECG数据集上得到验证,其准确率为0.871,F1得分为0.8652。研究表明:通过小波变换能够更有效地消除心电图信号噪音,利用24层深度卷积神经网络能够提取多层次特征,同时加大卷积核的大小增加感受视野,从而提升模型的分类性能。

【技术实现步骤摘要】
一种基于小波变换与DCNN的心电图分类方法和装置
本专利技术涉及生物医学与模式识别领域,具体涉及一种基于小波变换与DCNN的心电图分类方法和装置。
技术介绍
心房颤动(房颤)是临床最常见的持续性快速心律失常。房颤的主要危害是增加血管栓塞的危险,是缺血性脑卒中的主要原因之一。房颤表现在心电图上就是各导联上窦性P波消失,QRS波形态、振幅与窦性心律基本相同,R-R间期绝对不均衡。心电图自动分析与分类系统可以为医生诊断心脏疾病提供巨大帮助,对提高医疗效率,降低医疗成本,预防诊断心脏疾病具有重要意义。近几年国内外对心电信号自动识别分类进行了广泛的研究。随着机器学习的发展,利用支持向量机(SVM)来进行多分类任务,利用内积核函数代替向高维空间的非线性映射,实现高效的从训练样本到预测样本的“推理转换”。Kumar提出了一种基于小波变换心电信号自动分类方法,对心电信号进行节拍分割。并对每个心电节拍进行小波变换,最后采用支持向量机来分类。Ramírez对597例慢性心力衰竭伴窦性心律患者的心电图记录进行分,最终使用支持向量机将患者分为三组,取得了良好的结果。SmisekIt提出利用个体节拍和整体心电图的不同节律和形态特征分别表示短期事件和整体趋势,最后用支持向量机进行分类。但是由于SVM的计算能力对数据规模和机器设备有较大的依赖,应用到多分类问题的时候,对数据高维度特征必须进行降维处理后才能进行分类,降维往往会丢失数据特征,从而影像分类精度,所以应用到多分类问题时,使用深度学习更有优势。随着深度学习的迅速发展,神经网络在特征提取方面所体现的优势逐渐明显,深度学习通常将简单的模型组合在一起,将数据从一层传递到另一层来构建更复杂的模型。卷积神经网络(CNN)是目前最流行的深度学习算法之一,CNN尤其适用于发现图像中的模式,直接从图像数据中学习,使用模式对图像进行分类,CNN在各个应用中都展现了不错的效果。Rubin提出使用训练数据集训练两个卷积神经网络(CNN)模型(主模型接受15s的ECG段,第二个模型处理较短的9s段)来进行分类。Pyakillya提出了基于一维卷积层和FCN层的心电分类深度学习模型,并给出了分类结果。Warrick提出将卷积神经网络(CNNs)与循环神经网络相结合,并采dropout和归一化来提高其精度。Rizwan从心电图波形中提取特征并训练机器学习分类器。Hannun开发了一种深度神经网络(DNN),对单导联心电图信号中的12种信号进行分类,其分类性能准确度高达83.7%,超过了人类心脏病医生的78%。由于通过人体体表采集的心电信号不可避免的存在大量的噪音干扰,如肌电干扰,工频干扰等。Ari提出了一种基于遗传算法的IMF阈值技术,实验结果表明该方法优于传统的基于EMD降噪中的方法。Wu通过心电图信号增强消除噪音,提高信噪比(SNR)的同时保持了和较低的均方根误差(RMSE)。Ari和Wu所论述的方法由于没有考虑到心电图信号的本身特征,因此去除噪音的同时,也可能消除信号中的奇异点。本专利技术采用了基于小波变换来进行数据预处理,通过对ECG信号进行连续的小波变换(SWT),将原始信号进行分解重构,消除噪音对信号的影响。在特征提取和分类方面,通过深度卷积网络用来对心电图信号进行特征提取,卷积神经网络的每个层检测信号不同的特征。卷积层滤波器会应用到不同分辨率的各个训练数据,从而提取到深层心电图特征,在心电图信号分类上显示出良好的性能。
技术实现思路
本专利技术的技术任务是针对现有技术的不足,提供一种基于小波变换与DCNN的心电图分类方法和装置,以更准确地对心电图进行分类识别。在本专利技术中,使用一种基于小波变换与深度卷积神经网络相结合的心电图自动分类的方法,使用这种心电图自动分类方法在2017PhysioNet/CinCChallenge所提供的心电图数据集上取得优良的性能。针对心电信号微弱,提取特征层次不够导致识别分类准确性不足,主要在以下几个方面做出了改进:1、对心电信号进行了滤波处理,使用小波变换能够在心电信号的时间频率上局部化分析,通过伸缩平移运算对信号逐步进行多尺度细化,能自适应对时频信号分析的要求,并有效保留了信号特征值,去噪音效果更好。2、针对心电信号微弱以及在时间序列上更加冗长的特性,设计了更加深层次得卷积神经网络,来更好的提取心电信号的层次特征,由于心电数据和图像数据的差异性,相对图像数据我们设计了较大的卷积核,来增加卷积核的感受视野,同时使用一维卷积核对心电信号进行特征提取。3、由于数据维度比较高,存在收敛效果与收敛速度如何平衡的问题,我们尝试使用RAdam作为优化器去解决收敛到局部解的问题,既能保证收敛速度快,也不容易掉入局部最优解,而且收敛结果对学习率的初始值并不敏感,不仅对效率有所提升,对最终优化分类结果也有帮助。本专利技术解决其技术问题所采用的技术方案是:1、本专利技术提供一种基于小波变换与DCNN的心电图分类方法,其实现包括如下步骤:步骤S1、选取数据集,对数据集中的心电图数据进行采样;步骤S2、数据集预处理,使用小波变换对数据集中的心电图数据进行预处理,得到心电数据测试样本;步骤S3、深度卷积,特征提取,采用深度卷积神经网络DCNN提取心电信号的层次特征,采用了比提取图像特征更大的卷积核,来扩大卷积和的感受视野,同时使用一维卷积核对心电信号进行特征提取;步骤S4、采用分类器对心电数据测试样本进行预测并输出分类结果;步骤S5、对分类器输出的分类结果进行评价。方案优选地,步骤S1中,数据集选取2017PhysioNet/CINCChallenge所提供的心电图数据集来作为评判,采样时长持续9s至60s,以300Hz采样,并通过AliveCor设备进行带通滤波。方案优选地,步骤S2中,小波变换包括小波分解、小波重构,先将原始心电信号分解成小波分量到选定的层次,将噪音滤波后把信号进行小波重构,得到重构为不同尺度的心电信号;通过基函数的伸缩和平移,能够在时域和频域同时具有良好的局部化性质,从而过滤掉心电图数据中的干扰波形,小波变函数计算公式如下:小波变换有两个变量:尺度α和平移量τ,尺度α控制小波函数的伸缩,平移量τ控制小波函数的平移。方案优选地,步骤S2中,利用小波变换进行分解,将分解层数设置为9,所选择的小波基是Daubechies(dbN)小波,N是小波的阶数,除N=1外,其他小波没有明确的表达式,但转换函数h的平方模是很明确的,假设:其中为二项式系数,则有:其中:小波ψ(t)和尺度函数φ(t)中的支撑区为2N-1,ψ(t)的消失矩为N,小波变换可以描述为f(t)∈L2(R)通过带通滤波器的输出响应。方案优选地,步骤S3中,深度卷积神经网络DCNN包括:卷积单元,采用卷积核将输入的特征图进行卷积求和,设计有24个Conv卷积层,每8个Conv卷积层采取不同卷积核大小来提取数据特征值,每个Conv卷积本文档来自技高网
...

【技术保护点】
1.一种基于小波变换与DCNN的心电图分类方法,其特征在于,其实现包括如下步骤:/n步骤S1、选取数据集,对数据集中的心电图数据进行采样;/n步骤S2、数据集预处理,使用小波变换对数据集中的心电图数据进行预处理,得到心电数据测试样本;/n步骤S3、深度卷积,特征提取,采用深度卷积神经网络DCNN提取心电信号的层次特征,采用了比提取图像特征更大的卷积核,来扩大卷积和的感受视野,同时使用一维卷积核对心电信号进行特征提取;/n步骤S4、采用分类器对心电数据测试样本进行预测并输出分类结果;/n步骤S5、对分类器输出的分类结果进行评价。/n

【技术特征摘要】
1.一种基于小波变换与DCNN的心电图分类方法,其特征在于,其实现包括如下步骤:
步骤S1、选取数据集,对数据集中的心电图数据进行采样;
步骤S2、数据集预处理,使用小波变换对数据集中的心电图数据进行预处理,得到心电数据测试样本;
步骤S3、深度卷积,特征提取,采用深度卷积神经网络DCNN提取心电信号的层次特征,采用了比提取图像特征更大的卷积核,来扩大卷积和的感受视野,同时使用一维卷积核对心电信号进行特征提取;
步骤S4、采用分类器对心电数据测试样本进行预测并输出分类结果;
步骤S5、对分类器输出的分类结果进行评价。


2.根据权利要求1所述的一种基于小波变换与DCNN的心电图分类方法,其特征在于,步骤S1中,数据集选取2017PhysioNet/CINCChallenge所提供的心电图数据集来作为评判,采样时长持续9s至60s,以300Hz采样,并通过AliveCor设备进行带通滤波。


3.根据权利要求1或2所述的一种基于小波变换与DCNN的心电图分类方法,其特征在于,步骤S2中,小波变换包括小波分解、小波重构,先将原始心电信号分解成小波分量到选定的层次,将噪音滤波后把信号进行小波重构,得到重构为不同尺度的心电信号;
通过基函数的伸缩和平移,能够在时域和频域同时具有良好的局部化性质,从而过滤掉心电图数据中的干扰波形,小波变函数计算公式如下:



小波变换有两个变量:尺度α和平移量τ,尺度α控制小波函数的伸缩,平移量τ控制小波函数的平移。


4.根据权利要求3所述的一种基于小波变换与DCNN的心电图分类方法,其特征在于,步骤S2中,利用小波变换进行分解,将分解层数设置为9,所选择的小波基是Daubechies(dbN)小波,N是小波的阶数,
除N=1外,其他小波没有明确的表达式,但转换函数h的平方模是很明确的,假设:



其中为二项式系数,则有:



其中:



小波ψ(t)和尺度函数φ(t)中的支撑区为2N-1,ψ(t)的消失矩为N,小波变换可以描述为f(t)∈L2(R)通过带通滤波器的输出响应。


5.根据权利要求1、2或4所述的一种基于小波变换与DCNN的心电图分类方法,其特征在于,步骤S3中,深度卷积神经网络DCNN包括:
卷积单元,采用卷积核将输入的特征图进行卷积求和,设计有24个Conv卷积层,每8个Conv卷积层采取不同卷积核大小来提取数据特征值,每个Conv卷积层后加入Dropout层,每2个Conv卷积层之间加入BN层;
池化单元,对卷积的特征图进行下采样,设计有12个池化层,交叉设置在...

【专利技术属性】
技术研发人员:成金勇赵运祥张平
申请(专利权)人:齐鲁工业大学
类型:发明
国别省市:山东;37

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1