基于心电信号的改进密度卷积网络的疲劳状态检测方法技术

本发明专利技术提出了基于心电信号的改进密度卷积网络的疲劳状态检测方法，包括：

【技术实现步骤摘要】
基于心电信号的改进密度卷积网络的疲劳状态检测方法


[0001]本专利技术设计涉及心电信号
(Electrocardiogram
，
ECG)
的分析检测领域，特别设计了基于
ECG
，使用深度卷积生成对抗网络
(Deep Convolutional Generative Adversarial Network
，
DCGAN)
数据增强和基于密度长短时记忆卷积神经网络
(DenseLSTMNet
，
DLNet)
的疲劳状态检测分类方法
。

技术介绍

[0002]我国的基础设施建设在不断进步中
。
这一方面使得公众的出行方式变得多样化，包括公交
、
地铁
、
共享单车和私家车等，其中私家车已经成为大多数人的首选出行方式
。
我国的道路交通安全问题在全球范围内是相当严重的
。
在交通事故的原因分析中，疲劳驾驶是一个不能被忽视的关键因素
。
据统计，疲劳驾驶导致的交通事故约占总事故的
20
％，仅次于酒驾和超速驾驶
。
疲劳驾驶可能导致意外伤害，对驾驶员
、
家人乃至国家都会带来不同程度的损失
。
统计数据显示，如果驾驶员在事故发生时能快速反应半秒，就能避免
60
％的事故
。
因此，开发一套适用于实际驾驶环境的疲劳驾驶检测系统，对于保护驾驶员和他们家人的安全具有重要意义
。

技术实现思路

[0003]本专利技术的技术方案旨在提供一种基于
ECG
，使用
DCGAN
数据增强后使用
DLNet
分类的疲劳状态检测方法，以有效地解决
技术介绍
中存在的疲劳状态难以准确判断问题
。
该方法利用信号特征与
DLNet
相结合进行疲劳状态的检测，实现了对心电信号的精准监测和分析，从而提高了疲劳状态检测的准确性和稳定性
。
该方法包括以下步骤：
[0004]步骤一：利用
Pan
‑
Tompkin
算法将
ECG
中的心电波截取出来
。
[0005]步骤二：使用
DCGAN
对
ECG
信号增强
。DCGAN
主要包含一个生成器网络
(Generator)
和判别器网络
(Discriminator)。
生成器网络接收随机噪声作为输入，通过卷积和反卷积层逐渐将其转化为心跳波
。
判别器网络则负责判断输入的心跳波是真实的还是由生成器生成的
。
在训练过程中，生成器和判别器进行对抗性学习
。
生成器试图生成逼真的心跳波以欺骗判别器，而判别器则试图尽可能准确地区分真实信号和生成的信号
。
通过反复迭代，生成器能够生成越来越逼真的心跳波，判别器也能够对真实信号和生成信号进行更准确的判断
。
训练完成后，我们可以使用生成器生成大量的新的心跳波
。
这些数据可以用来增强原有的
ECG
信号，增大数据量，提高数据多样性，使得模型在面对真实世界的复杂和多变的
ECG
时，能够具有更好的泛化能力
。
通过使用这种基于
DCGAN
的
ECG
信号增强方法，我们可以生成大量逼真
、
有代表性的
ECG
信号，从而改善
ECG
信号的稀疏性和非平衡性
。
这种方法既可以提高模型的训练效率，也可以提高模型在实际应用中的表现
。
[0006]步骤三：构建疲劳状态监测模型
。
[0007]在训练过程中，将经过步骤一和步骤二处理后得到的
ECG
信号输入
DLNet
模型进行训练，通过对验证集进行验证，并监测损失函数是否达到预设收敛条件
。
当损失函数达到预
设条件时，表明该模型已完成训练，已获得训练好的
DLNet
模型
。
本专利技术采用分层五折交叉验证的方式对待分类检测的心电数据进行训练，并输入
DLNet
模型进行训练
。
最终，模型可以输出心电信号分类结果，用于疲劳状态识别
。
[0008]步骤四：设置模型训练相关相关参数
。
[0009]通过设置模型训练参数，对
DLNet
神经网络进行训练
。
在训练过程中，使用批处理数据和初始学习率
。
[0010]步骤五：利用模型进行疲劳状态检测
。
[0011]采用分层五折交叉验证的方式，对待分类检测的心电数据进行训练，并输入
DLNet
模型进行训练
。
在反复更新参数的过程中提高分类准确率
。
最终，模型输出心电信号分类结果，用于疲劳状态识别
。
[0012]相比于现有的技术，本专利技术具有如下有益效果：
[0013]1、
相比于传统的将包含多个心跳波的
ECG
信号送入
DCGAN
进行训练，本方法将
ECG
利用
Pan
‑
Tompkin
算法，按照
R
峰进行切割，得到一系列的心跳波
。
将得到的心跳波送入
DCGAN
进行训练，可以生成更稳定更真实的
ECG
信号
。
[0014]2、
本专利技术修改了输入生成器的随机信号生成方法
。
用正弦函数和随机数数列加和作为上述
DCGAN
中生成网络的输入
。
该方法旨在生成逼真
、
有代表性的
ECG
信号，以改善
ECG
信号的稀疏性和非平衡性
。
[0015]3、
本专利技术涉及一种改进的基于深度学习的
ECG
分类模型
。
在现有基于深度学习的
ECG
分类方法中，存在忽视不同特征通道重要性的问题，从而导致模型效率低下，并影响各个特征之间的相互干扰
。
为此，在对现有心电信号分类方法进行综合分析的基础上，本专利技术提出了一种添加通道注意力机制
(EfficientChannelAttention
，
ECA)、
同时结合
DenseNet
获取空间特征和长短时记忆网络
(Lo本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于心电信号的改进密度卷积网络的疲劳状态检测方法，其特征在于：
(1)
利用
Pan
‑
Tompkin
算法将心电波截取出来；截取的方法是以
R
波波峰为中心，用一个尺寸为
50
的窗口进行截取，也就是取
R
波波峰左边
25
个点，右边
25
个点，这样得到的
R
波波峰段就是
50
个采样点；
(2)
使用
DCGAN
对
ECG
信号增强；
DCGAN
包含一个生成器网络和判别器网络；
1)
首先，生成了一个长度
100
的等差数列，范围从
‑
π
到
π
；这个数列会在后面的代码中用作生成噪声信号的横坐标；接下来，生成了一个形状为
128
×
100
的随机数矩阵，每个元素都是取自
[0
，
1)
区间的均匀分布；然后，将前面生成的等差数列经过正弦函数进行正弦变换，并乘以
0.9
；最后，通过将上述两个部分相加，得到噪声信号矩阵；这个噪声信号在生成器网络中可以作为输入，用于生成逼真的数据；
2)
生成器网络采用编码器和解码器结构；首先，输入层接收上一步生成的噪声信号并通过一个全连接层编码为向量，大小为
16
×
180
；然后，该向量通过三个上采样层分别将时间分辨率增加3倍，得到大小为
180
×
360、360
×
720
和
720
×
1440
的特征图；上采样是通过插值的方式实现的；在每个上采样层后，都跟随一个卷积层，用于提取时域特征；第一个卷积层包含
32
个卷积核，第二个卷积层包含
16
个卷积核，第三个卷积层包含8个卷积核，卷积核大小均为1×8，步长为1；最后一个卷积层包含1个卷积核，产生大小为
1440
×1的特征图；该特征图通过展平和一个全连接层调整为大小
180
×1，并使用
tanh
激活函数获得范围在
[
‑1，
1]
的输出，之后通过重塑层变换为与输入心电信号相同的形状
180
×1；
3)
判别器网络采用典型的卷积神经网络结构；第一层包含8个卷积核，卷积核大小为1×8，使用线性修正单元作为激活函数，并且丢弃层的丢弃率为
0.25
；然后是一个最大池化层，池化大小为1×3，步长为1，从而降低特征维度，减少计算量；第二层包含
16
个卷积核，第三层包含
32
个卷积核，卷积核大小和丢弃率与第一层相同，最大池化层的步长增加为2；同样，第四层包含
64
个卷积核，其他参数不变；最后，特征图通过展平层变换为一维向量，输入一个全连接层，输出一个值，表示输入心电信号的真实概率；该全连接层使用
sigmoid
激活函数；最后，将生成信号依次通过阻带频率阈值为
0.1
到
0.9

【专利技术属性】
技术研发人员：王丹，李新瑞，陈佳明，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：