基于卷积神经网络与门控循环单元的心律失常分类方法技术

本发明专利技术公开了一种基于卷积神经网络与门控循环单元的心律失常分类方法，具体按照以下步骤实施：步骤1、选取MIT

【技术实现步骤摘要】
基于卷积神经网络与门控循环单元的心律失常分类方法


[0001]本专利技术属于医学图像处理与信号处理
，涉及基于卷积神经网络与门控循环单元的心律失常分类方法。

技术介绍

[0002]心血管疾病是目前严重威胁人类生命健康的重要疾病之一。据2020年世界卫生组织报告，心血管疾病(CVDs)是全球的头号死因，每年死于心血管疾病的人数多于任何其它疾病。到目前为止，我国由于心血管疾病引起的死亡人数达到1790.0万。心律失常是心血管疾病中重要的一组疾病，可单独发作亦可与其他心血管疾病伴发，甚至突然发作致人猝死，在临床上通常使用心电图诊断心律失常疾病。因此，及时提取并正确分类心电图信号特征对于早判别心律失常疾病以及心血管疾病的诊治、预防至关重要。
[0003]目前基于计算机辅助心电信号自动识别和分类的研究引起人们的重视，有很多研究者们对该问题进行深入的研究，但仍是一项具有挑战性的任务。首先，数据预处理阶段。针对原始心电信号缺乏有效滤波操作。由于心电信号微弱的性，里面参杂噪声成分多样，部分噪声与P波、T波类似，需要合理的分解并进行抑制。其次，心电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积神经网络与门控循环单元的心律失常分类方法，其特征在于，具体按照以下步骤实施：步骤1，选取MIT
‑
BIH心律失常数据库的心电数据；步骤2，对步骤1选取的心电数据进行预处理；步骤3，对步骤2预处理后的心电数据进行分割，构建分类网络模型；步骤4，利用步骤3分割的心电数据对网络模型进行训练；步骤5，将待测试的心电数据片段输入到步骤3训练好的基于卷积神经网络与门控循环单元网络模型中，最终输出心电信号片段的分类结果。2.根据权利要求1所述的基于卷积神经网络与门控循环单元的心律失常分类方法，其特征在于，所述步骤2具体按照以下实施：步骤2.1，读取所选数据库中的原始心电数据；步骤2.2，利用小波9级分级特性对步骤2.1读取的原始心电数据进行噪声抑制，在分析离散化非平稳心电信号时，任意信号f(t)用多分辨率分析公式表示为：其中，是f(t)在尺度空间的投影，且为f(t)的平滑近似，其中是尺度函数，c
0,k
为尺度系数；是f(t)在小波空间的投影，其中，φ
j,k
(t)是小波函数，选取使用Daubechies5作为小波函数，d
j,k
为小波系数，k为位置系数，与φ
j,k
(t)计算公式分别如下：算公式分别如下：c
0,k
与d
j,k
的展开系数计算公式分别如下：的展开系数计算公式分别如下：步骤2.3，使用软阈值函数对噪声进行抑除，数学公式表示如下：其中，w
j,k
为尺度分解后的信号值，w'
j,k
为抑除噪声后的信号值，j为阶数，k为位置系数，阈值λ满足σ为噪声标准差，N为信号长度；步骤2.4，将经步骤2.3变换后的信号进行逆变换，从而得到抑噪后的心电信号。3.根据权利要求1所述的基于卷积神经网络与门控循环单元的心律失常分类方法，其特征在于，所述步骤3中对步骤2中预处理后的心电数据进行分割的具体过程如下：
步骤3.1.1，获取R波峰位置和对应的标签；步骤3.1.2，选取R波峰前144个采样点到后180个采样点作为一个节拍；步骤3.1.3，分割后每个节拍重采样到250，作为后续网络模型的输入。4.根据权利要求2所述的基于卷积神经网络与门控循环单元的心律失常分类方法，其特征在于，所述步骤3中构建分类网络模型具体按照以下实施：步骤3.2.1，搭建卷积神经网络，包括卷积结构和全连接层；第一层卷积结构由16个大小为21
×
1的卷积核组成，步长为1；卷积操作后跟一个批量归一化和一个ReLU激活函数进行运算；后续的卷积结构由8个大小为25
×
1的卷积核组成，步长为1；卷积操作后跟一个批量归一化和一个ReLU激活函数进行运算；将两种结构的残差块I和残差块II分别添加到卷积神经网络中，构成基于卷积神经网络与门控循环单元网络模型的卷积神经网络部分：步骤3.2.2，在步骤3.2.1搭建的卷积神经网络...

【专利技术属性】
技术研发人员：石争浩，殷志燕，黑新宏，冯亚宁，罗靖，尤珍臻，任晓勇，葛飞航，刘海琴，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：