一种基于残差网络的一维心电数据分类方法技术

本申请涉及计算机领域，具体提供了一种基于残差网络的一维心电数据分类方法，该方法包括如下步骤：S1，获取心电数据并对其进行预处理；S2，构建网络模型；S3，对构建的网络模型进行训练和测试；S4，使用测试好的网络模型对心电数据进行分类。步骤S2构建的网络模型包括卷积层+BN层+ReLU激活函数+全局最大池化层、RE1.1残差模块、RE2残差模块、全局平均池化层+全连接层，具体地，本发明专利技术对残差网络进行了改进，在残差块的使用上仅使用了RE1.1，去掉了原始网络中的RE1.2，并在RE1.1后直接连接上了RE2进行特征数与通道数的同步融合，最后通过全连接层进行特征拉平并进行SoftMax分类。本发明专利技术方法对多类别心电数据的分类准确率较高，且训练与测试所需时间较短。且训练与测试所需时间较短。且训练与测试所需时间较短。

【技术实现步骤摘要】
一种基于残差网络的一维心电数据分类方法


[0001]本申请涉及计算机领域，具体而言，涉及一种基于残差网络的一维心电数据分类方法。

技术介绍

[0002]心血管疾病一直是人类健康的一大杀手。心血管疾病患者发病前往往伴随有相应的心律失常现象，对心电信号进行分析可以辅助医生诊断，提高心血管疾病识别与分类的准确率，具有很大的临床意义。心电图作为一种重要的非侵入式检测工具被心脏专家广泛使用。通常情况下，这些心电图仅由医生进行观察并给出判断。但随着医患比例的愈发不平衡，便携式心电设备的广泛使用而带来的庞大数据，此时仅依靠医生进行人工诊断已不可能，而利用智能化的心电信号分类技术恰好可以解决这一痛点，且该方法让心血管疾病的预防变得更加高效与便捷，同时能够实现早发现、早治疗。
[0003]现阶段，探索高效、快速、精准的心电信号识别算法一直是众多学者关注的焦点。Li等提出了预训练通用卷积神经网络(GCNN)用于个人的心电信号识别分类，其首先将GCNN用于大量心跳节拍训练接着将GCNN 调整为TDCNN用于个体信号的识别，并且在测试集上的准确率达到了 94.7％。Sannino等提出的用CNN进行多次训练并通过调整隐藏层的神经元个数来提高心电识别的准确率，最终在测试集上的准确率达到了99.09％。Chuang等提出的基于三个残差块的多导联神经网络结构，通过训练单导联数据并将12导联的训练结果进行特征融合从而进行心电信号的识别分类，得到的测试集准确率为95.49％。然而，大多数心电分类算法仅在一种数据上进行了试验，对同类别的其余数据集分类效果仍不清楚，且存在过拟合或欠拟合的问题；部分算法对各个类别识别的灵敏度相差过大，这些都将对算法实际应用产生较大的影响。即现有技术中存在心电数据分类准确率难以进一步提升、训练需要时间长、泛化性较差、过拟合或欠拟合、同一心电数据不同类别的分类准确率相差较大的问题。

技术实现思路

[0004]本专利技术的目的在于，针对上述现有技术中的不足，提供一种基于残差网络的一维心电数据分类方法，以解决现有技术中心电数据分类准确率难以进一步提升、训练需要时间长、泛化性较差、过拟合或欠拟合、同一心电数据不同类别的分类准确率相差较大的问题。
[0005]为实现上述目的，本专利技术采用的技术构思如下：现有技术的心电数据分类方法大都使用一种类型的数据进行网络的训练和测试，且在网络架构上均为通道数的多次增加特征数的多次减少，最后直接进行分类，这样使得网络繁琐，训练和测试需要的时间较长，且只能对单一类型的心电数据进行分类，分类准确率不高。本专利技术采用了四类数据库中的数据进行训练和测试，其中也包括了单导联和双导联数据，且数据类别分别为3，4，5 类，由于不同数据库中原本的数据类别数相差较大，不利于训练，这样方便用于训练过程，即本专利技术
方法能够对多种类型的心电数据进行分类，因此本专利技术方法具有泛化性。以心电数据的特性为参考依据，本专利技术方法中对ResNet
‑
18网络进行了改进，在残差块的使用上仅使用了RE1.1，去掉了原始网络中的RE1.2，并在RE1.1后直接连接上了RE2进行特征数与通道数的同时融合缩小，最后通过全连接层进行分类，由于去掉了RE1.2，网络模型的训练速度得到提升，将特征进行进一步融合提取，这样本专利技术方法的分类准确率较高，训练速度快，且能够避免过拟合的出现。
[0006]本申请提供一种基于残差网络的一维心电数据分类方法，该方法包括如下步骤：
[0007]S1，获取心电数据并对其进行预处理；
[0008]本申请获取的心电数据为现有数据库中的心电数据，具体涉及四个世界主要心电数据库，其中包括，MIT
‑
BIH心电数据
‑
心率不齐数据库、心源性猝死动态心电数据库、欧盟ST
‑
T心电数据库、MIT
‑
BIH心电数据
‑
ST段数据库。将心电数据以7:3的比例划分为训练集和测试集。预处理包括去噪处理和分段处理两个阶段。
[0009]S2，构建网络模型；
[0010]本专利技术是对经典的ResNet
‑
18网络进行改进后得到的，具体地，去掉了其中的RE1.2，并在RE1.1后连接上RE2。更具体地，构建的网络模型依次包括卷积层+BN层+ReLU激活函数+全局最大池化层、RE1.1残差模块、RE2残差模块、全局平均池化层+全连接层。RE1.1残差模块为四个顺次连接的残差单元RE1.1，RE2残差模块为一个残差单元RE2，经过残差单元RE1.1特征数减小通道数增加，将残差单元RE2连接在四个残差单元 RE1.1之后，这样能够减小通道数与特征数，进一步将特征进行融合提取，提升特征浓度，使得特征浓缩融合，这样能够减小计算复杂度，提升计算速度，节约时间，降低时间成本，提升分类准确率；同时，在残差单元RE1.1 中增加了DP层，以避免网络模型的过拟合。
[0011]S3，对构建的网络模型进行训练和测试；
[0012]使用Adam优化算法和CrossEntropy损失函数对构建的网络模型进行迭代训练。训练过程依据训练集的平均误差与准确率进行超参数的调整，经过多次长时间的实验探索，最终得到的各个超参数分别为：epochs(数据使用次数):10，bs(每次梯度下降优化使用的数据数目)＝256，lr(学习率)＝ 0.003，betas(一二阶动量指数衰减系数)＝(0.9,0.95),tol(最小损失阈值)＝10**(
‑
5),wd(权重衰减系数)＝0.00001。以损失值和在测试集上的准确率为网络模型测试好的标准，准确率均在99％以上。为了方便对比，本专利技术还将已经公开的三种方法对应的网络模型一并进行构建，并对其进行训练，具体地训练次数和参数均根据每个网络模型的特征，达到最佳的分类效果。
[0013]S4，使用测试好的网络模型对心电数据进行分类。
[0014]由于使用了不同类型的心电数据对构建的网络模型进行了训练和测试，网络模型的泛化性较强，因此，能够对多种不同类型的心电数据进行分类。而现有的方法仅能够对一种类型的心电数据进行分类，不能满足现实需要。
[0015]与现有技术相比，本专利技术的有益效果：本专利技术方法对多种类别的心电数据分类的准确率均较高，且训练所需时间较短。同时具有很好的泛化性，且能够避免过拟合的出现可为心电分类技术的应用化提供更多的渠道。
附图说明
[0016]图1为本专利技术提供的一种基于残差网络的一维心电数据分类方法的示意图；
[0017]图2为本专利技术提供的一种基于残差网络的一维心电数据分类方法中步骤S1中去噪处理前后的心电信号的对比图；
[0018]图3为本专利技术实施例1提供的一种基于残差网络的一维心电数据分类方法中步骤S2中构建的网络模型的示意图；
[0019]图4为本专利技术实施例1提供的一种基于残差网络的一维心电数据分类方法中步骤S2中构建的网络模型分类过程的示意图；
[0020]图5为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差网络的一维心电数据分类方法，其特征在于，所述方法包括如下步骤：S1，获取心电数据并对其进行预处理；S2，构建网络模型；S3，对构建的网络模型进行训练和测试；S4，使用测试好的网络模型对心电数据进行分类。2.根据权利要求1所述的基于残差网络的一维心电数据分类方法，其特征在于，所述步骤S1中获取的心电数据包括六种不同的心电数据类型，将获取的心电数据随机打乱后划分为训练集和测试集。3.根据权利要求2所述的基于残差网络的一维心电数据分类方法，其特征在于，所述训练集和所述测试集的比例为7:3。4.根据权利要求3所述的基于残差网络的一维心电数据分类方法，其特征在于，所述步骤S1中的预处理包括去噪处理和分段处理，采用小波九尺度阈值滤波算法对所述心电数据进行去噪处理。5.根据权利要求4所述的基于残差网络的一维心电数据分类方法，其特征在于，步骤S2中，依...

【专利技术属性】
技术研发人员：臧俊斌，薛晨阳，张志东，李波，王巨亮，刘丹，
申请(专利权)人：中北大学，
类型：发明
国别省市：