基于小型卷积神经网络的心律失常分类检测方法及系统技术方案

本发明专利技术提出了一种基于小型卷积神经网络的心律失常分类检测方法及系统，涉及心电信号处理技术领域,采用单路径多层网络对穿戴式心电监测设备采集的心跳序列进行实时的心律失常分类检测，具体包括：对待检测的心跳序列进行多层卷积计算，得到一组高度集成的特征序列；采用双层池化对得到的特征序列进行特征降维，得到压缩后的一组特征值；将特征值输入到全连接层，得到心律失常分类的预测结果；本发明专利技术基于对不同网络结构应用效果的研究，采用单路径多层网络对穿戴式心电监测设备采集的心跳序列进行检测，并对模型结构进行改进，简化模型的参数量以及计算量，满足穿戴式心电设备的硬件要求，实现高精度的心律失常自动检测。实现高精度的心律失常自动检测。实现高精度的心律失常自动检测。

【技术实现步骤摘要】
基于小型卷积神经网络的心律失常分类检测方法及系统


[0001]本专利技术属于心电信号处理
，尤其涉及一种基于小型卷积神经 网络的心律失常分类检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构 成在先技术。
[0003]心律失常是常见的心血管疾病，其定义为心脏冲动的频率、节律、起 源部位、传导速度或激动次序的异常。心电信号是诊断心律失常的重要依 据，但是基于传统的短时心电信号进行监测，导致心律失常的临床检出率 不高，造成临床干预率不高。穿戴式心电监测设备能够收集长程的心电信 号，但是其分布式的处理结构、更强的噪声干扰、大量的实时数据和有限 的终端处理能力给实时判读造成困难。所以研究适用于穿戴式心电设备的 小型卷积神经网络很有意义。
[0004]目前，对于心律失常的自动检测主要有两种方法：基于传统机器学习 的方法与基于深度学习的方法。Martis等人利用小波分解得到的高阶谱累 积量作为特征，通过核函数支持向量机对正常和异常心拍进行分类。Martis 等人使用独立成分分析方法对数据降维，并使用高斯混合分类器进行分类。 Prasad等人提取了高阶谱的非线性特征，对比了K最近邻、回归树和神经 网络三种分类方法。Li等人利用小波熵和随机森林分类器对心电信号进行 分类。Raj等人从心电信号中提取DOST特征，使用PSO技术调节SVM的参 数，实现了准确的分类。Shameer等人提取了RR间期的特征，使用基于 Dempster Shafer理论的证据性K近邻(EKNN)方法进行心电信号的分类。 Huang等人提出了一种基于多特征融合的分类模型，将手工提取的特征与深 度学习提取的特征进行融合，使用随机森林分类器进行心律失常的分类。
[0005]近年来，卷积神经网络发展迅速，出现了一些有代表性的结构，例如 VGGNet、ResNet50，InceptonNet等，在实际应用中取得了较好的成绩。在 医学方面，CADx系统以及CBMIR系统的面世推动了智慧医疗的发展，也促 进了卷积神经网络在医疗方面的应用。Srinidhi等人使用了小波变换对心 电信号进行去噪，利用长短时记忆网络对各类心律失常进行分类。杨浩等 人利用CNN与LSTM相结合的方法对心律失常进行分类，他们利用11层卷 积神经网络和3层BiLSTM网络进行特征的提取，实现了较为准确的心律 失常分类。Ian
‑
Christopher等人提出了一种一维卷积神经网络，该方法将 时域信号与频域信号作为网络的输入，利用谱图和自回归模型进行分类。 Wu等人设计了一个健壮而高效的12层一维CNN结构，用于对五种微观类别 的心跳进行分类。Wang等人提出了一种基于卷积神经网络的自适应心律失 常分类模型，该模型具有很强的自适应能力，能够在多个数据库上保持良 好的性能。
[0006]上述研究中，传统的机器学习需要先验知识提取人工特征，深度学习 虽然能够取得较好的结果，但是网络较为复杂，不适用于可穿戴设备；所 以，尽管穿戴式心电监测设备
已经应用于临床，但是穿戴式心电监测设备 的硬件配置限制了大型深度学习模型的应用，这阻碍了其智能化的发展。 研究使用小型的卷积神经网络实现心电信号的检测，对于穿戴式心电设备 以及智能医疗的发展很有意义。

技术实现思路

[0007]为克服上述现有技术的不足，以心律失常的分类为应用背景，本专利技术 提供了一种基于小型卷积神经网络的心律失常分类检测方法及系统，基于 对不同网络结构应用效果的研究，采用单路径多层网络对穿戴式心电监测 设备采集的心跳序列进行检测，并对模型结构进行改进，简化模型的参数 量以及计算量，满足穿戴式心电设备的硬件要求，实现高精度的心律失常 自动检测。
[0008]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
[0009]本专利技术第一方面提供了一种基于小型卷积神经网络的心律失常分类检 测方法；
[0010]一种基于小型卷积神经网络的心律失常分类检测方法，采用单路径多 层网络对穿戴式心电监测设备采集的心跳序列进行实时的心律失常分类检 测，具体包括：
[0011]对待检测的心跳序列进行多层卷积计算，得到一组高度集成的特征序 列；
[0012]采用双层池化对得到的特征序列进行特征降维，得到压缩后的一组特 征值；
[0013]将特征值输入到全连接层，得到心律失常分类的预测结果。
[0014]进一步的，所述单路径多层网络，包括卷积层、池化层和全连接层；
[0015]每个卷积层的输出使用池化进行下采样，在最后一个卷积层之后使用 双层池化进行特征降维。
[0016]进一步的，所述单路径多层网络，采用多个卷积层，每个卷积层中卷 积核的尺寸逐层递增，卷积核的个数也逐层递增。
[0017]进一步的，优选的，所述卷积核的尺寸均设置为偶数。
[0018]进一步的，优选的，采用5层卷积。
[0019]进一步的，所述池化，包括平均池化与最大池化；最后一个卷积层， 后面连接一个平均池化层与最大池化层串联的双层池化，其他的每个卷积 层，后面连接一个最大池化。
[0020]进一步的，使用平均池化对特征进行初步筛选，提取具有全面性的特 征；使用最大池化层对特征进行二次筛选，降低网络对于位置的敏感性， 保持特征的不变性。
[0021]本专利技术第二方面提供了一种基于小型卷积神经网络的心律失常分类检 测系统。
[0022]一种基于小型卷积神经网络的心律失常分类检测系统，采用单路径多 层网络对穿戴式心电监测设备采集的心跳序列进行实时的心律失常分类检 测，包括多层卷积模块、双层池化模块和全连接模块：
[0023]多层卷积模块，被配置为：对待检测的心跳序列进行多层卷积计算， 得到一组高度集成的特征序列；
[0024]双层池化模块，被配置为：采用双层池化对得到的特征序列进行特征 降维，得到压缩后的一组特征值；
[0025]全连接模块，被配置为：将特征值输入到全连接层，得到心律失常分 类的预测结果。
[0026]本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程 序被处理器
执行时实现如本专利技术第一方面所述的一种基于小型卷积神经网 络的心律失常分类检测方法中的步骤。
[0027]本专利技术第四方面提供了电子设备，包括存储器、处理器及存储在存储 器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发 明第一方面所述的一种基于小型卷积神经网络的心律失常分类检测方法中 的步骤。
[0028]以上一个或多个技术方案存在以下有益效果：
[0029]本专利技术基于对不同网络结构应用效果的研究，根据单路径多层网络(深 度)与多路径网络(宽度)对小型卷积神经网络性能的影响，采用单路径 多层网络对穿戴式心电监测设备采集的心跳序列进行实时的心律失常分类 检测，提出了适用于1D
‑
SCNN的卷积核设计方案，使用最少的参数量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小型卷积神经网络的心律失常分类检测方法，其特征在于，采用单路径多层网络对穿戴式心电监测设备采集的心跳序列进行实时的心律失常分类检测，具体包括：对待检测的心跳序列进行多层卷积计算，得到一组高度集成的特征序列；采用双层池化对得到的特征序列进行特征降维，得到压缩后的一组特征值；将特征值输入到全连接层，得到心律失常分类的预测结果。2.如权利要求1所述的一种基于小型卷积神经网络的心律失常分类检测方法，其特征在于，所述单路径多层网络，包括卷积层、池化层和全连接层；每个卷积层的输出使用池化进行下采样，在最后一个卷积层之后使用双层池化进行特征降维。3.如权利要求2所述的一种基于小型卷积神经网络的心律失常分类检测方法，其特征在于，所述单路径多层网络，采用多个卷积层，每个卷积层中卷积核的尺寸逐层递增，卷积核的个数也逐层递增；卷积核的尺寸公式为：k
i
＝i
×
a(i∈[1,5])
ꢀꢀꢀꢀꢀꢀꢀ
(2)其中，k
i
表示第i层卷积核尺寸，参数a为正整数；卷积核的个数公式为：f
i
＝2
b+i
‑1(i∈[1,5])
ꢀꢀꢀꢀꢀꢀꢀ
(3)其中，f
i
代表第i层的卷积核数量，b为正整数。4.如权利要求3所述的一种基于小型卷积神经网络的心律失常分类检测方法，其特征在于，优选的，所述卷积核的尺寸均设置为偶数。5.如权利要求3所述的一种基于小型卷积神经网络的心律失常...

【专利技术属性】
技术研发人员：魏守水，李永建，韩宝坤，刘磊，陈蒙，
申请(专利权)人：山东大学，
类型：发明
国别省市：