【技术实现步骤摘要】
一种基于深度学习的心电分类方法
本专利技术涉及心电分类
,特别是一种基于深度学习的心电分类方法。
技术介绍
心电信号分类识别是医学与计算机技术融合过程中的一个重要研究课题,其关键在于更准确地提取心电信号的有效特征。传统的心电分类方法是先进行特征提取和选择,再进行分类,然而此方法严重依赖人工,无法充分挖掘隐藏在大量心电信号内部的深层特征。少量标签由于样本不均衡问题会导致敏感度较低的问题。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的不足而提供一种基于深度学习的心电分类方法,实现多种心电的多标签分类,构建高精确度、高敏感度、高准确率、高F1值的心电分类分析。本专利技术为解决上述技术问题采用以下技术方案:根据本专利技术提出的一种基于深度学习的心电分类方法,包括以下步骤:步骤1、确定训练数据集:训练数据集包括心电样本集Data、与心电样本集Data中的A个心电样本对应的A个标签集Label,心电样本集Data中的心电样本为心电采集设备获取N个通道、频率为Fre赫 ...
【技术保护点】
1.一种基于深度学习的心电分类方法,其特征在于,包括以下步骤:/n步骤1、确定训练数据集:/n训练数据集包括心电样本集Data、与心电样本集Data中的A个心电样本对应的A个标签集Label,心电样本集Data中的心电样本为心电采集设备获取N个通道、频率为Fre赫兹、时长为T秒的心电数据,标签集包括B个不同种类的心电的标签,第i种心电的标签用Label
【技术特征摘要】
1.一种基于深度学习的心电分类方法,其特征在于,包括以下步骤:
步骤1、确定训练数据集:
训练数据集包括心电样本集Data、与心电样本集Data中的A个心电样本对应的A个标签集Label,心电样本集Data中的心电样本为心电采集设备获取N个通道、频率为Fre赫兹、时长为T秒的心电数据,标签集包括B个不同种类的心电的标签,第i种心电的标签用Labeli表示,标签集Label={Label1,Label2,…,Labeli,…,LabelB};其中,i为大于等于1小于等于B的整数;
步骤2、构建心电分类模型model,model={model1,model2,…,modeli,…,modelB},modeli表示第i种心电的标签对应的心电分类模型,每种心电的标签对应的心电分类模型的结构相同但心电的标签不同,modeli具体如下:
modeli包括自编码模型、第一至第三特征学习模块、连接层、残差网络模块和全连接网络层,自编码模型与第一至第三特征学习模块分别连接,第一至第三特征学习模块分别与连接层连接,连接层、残差网络模块、全连接网络层依次顺序连接,第一至第三特征学习模块的结构相同,第一特征学习模块包括依次顺序连接的两层的卷积层、批处理归一化层、激活层、Dropout层和池化层;其中,
自编码模型,用于对输入的心电样本提取第一特征;
第一至第三特征学习模块,分别用于对第一特征进行卷积、批处理归一化、非线性处理、过拟合处理、最大池化处理后,得到第二特征;
连接层,用于将第一至第三特征学习模块分别输出的第二特征进行连接,得到第三特征;
残差网络模块,用于对第三特征进行抽象与组合,得到第四特征;
全连接网络层,用于将第四特征映射到每种心电的标签为正例和负例的概率;
通过步骤1得到的训练数据集,采用梯度下降法训练modeli;
步骤3、使用F1值对modeli进行评价,当modeli的F1值低于阈值Fvalue时重新训练modeli,Fvalue为预先设定0到1之间的值;
对Data中的心电样本关于Labeli进行正例样本或负例样本的数据生成,得到新的数据集NewData,采用NewData来重新预训练modeli;
对Data关于Labeli进行混合采样得到数据集TrueData,采用TrueData来进一步训练预训练好的modeli;最终训练好的modeli作为最终的心电分类模型,进行心电的分类。
2.根据权利要求1所述的一种基于深度学习的心电分类方法,其特征在于,步骤3之后还包括步骤4;
步骤4、构建指导分析模型G-model,具体如下:
S4.1:构建心电共现概率矩阵CMP,CMP中的值表示出现第K种心电K'的情况下,出现第L种心电L'的概率大小CPM(L'|K'),CPM(L'|K')的计算方法如下:
如果,CMP(L'|K')=0那么就将第K种心电K'标记为第L种心电L'的互斥心电;如果,CMP(L'|K')=1那么就将第K种心电K'标记为关于第L种心电L'的必现心电;
S4.2:对Label的正例数量进行降排序,假设第M种心电的标签LabelM为正例的数量最多;
首先将待分类的心电信号InputData输入到第M个心电分类模型ModelM中进行心电分类;
S4.3:若InputData分析结果为正例样本,将LabelM从标签集中删除,根据S4.1找出InputData的互斥心电和必现心电,将所有关于InputData的必现心电的种类的标签和互斥心电的种类的标签从标签集Label中删除,若第o种心电是InputData的必现心电那么第o种心电的标签Labelo标记为正例,若第R种心电是InputData的互斥心电那么第R种心电的标签LabelR标记为负例;将Labelo和LabelR保存到心电预测结果中;并返回步骤S4.2;
S4.4:若InputData分析结果为负例样本,将LabelM从标签集中删除,并返回S4.2;
S4.5:若标签集为空,输出所有心电预测结果,结束。
3.根据权利要求1所述的一种基于深度学习的心电分类方法,其特征在于,F1值为召回率Recall、精确度Precision或准确率Accuracy。
4.根据权利要求1所述的一种基于深度学习的心电分类方法,其特征在于,步骤1中,
心电样本集Data中的心电样本为心电采集设备获取N个通道的心电数据,采样点为v个;心电样本={channel1,channel2,…,channeln,…,channelN};其中,channeln表示第n个通道的心电数据,channeln为一个v维的向量,n为大于等于1小于等于N的整数。
5.根据权利要求4所述的一种基于深度学习的心电分类方法,其特征在于,步骤2中,
S2.1、使用自编码模型对每个channeln进行编码:首先将v维度的channeln与权重矩阵Wv×k进行矩阵相乘,其中Wv×k为v行k列的矩阵,将channeln由v维度转化为k维度的...
【专利技术属性】
技术研发人员:徐小龙,徐浩严,肖甫,
申请(专利权)人:南京邮电大学,
类型:发明
国别省市:江苏;32
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。