一种基于双分支网络的多标签心电信号分类方法技术

一种基于双分支网络的多标签心电信号分类方法，涉及心电信号分类技术领域，构建了一个能够对复杂多标签心电信号进行分类的模型，通过挖掘心电信号中的粗粒度和细粒度特征，并充分利用多导联心电图的多样性，以此有效的提高模型分类的准确率以及在不同数据库之间的泛化能力

【技术实现步骤摘要】
一种基于双分支网络的多标签心电信号分类方法


[0001]本专利技术涉及心电信号分类
，具体涉及一种基于双分支网络的多标签心电信号分类方法
。

技术介绍

[0002]随着计算机科学的快速发展，以深度神经网络为代表的人工智能技术应用到了社会中的各行各业
。
利用深度学习技术对心电信号进行分类，已经成为研究的热点之一
。
但是现有的心电信号检测分类工作，没有充分利用心电信号特征的完整性，常规的深度学习模型在提取特征的过程中回丢失大量的信息，并且心电信号通常为
12
导联，导联与导联之间的关系也并未考虑
。
同时，心电信号中通常包含多种类别，不同类别之间仅存在细微的差异，现有的方法在如何更有效的利用心电信号局部特征和全局特征，以提高信号的分类精度方面还有待进一步研究
。

技术实现思路

[0003]本专利技术为了克服以上技术的不足，提供了一种分类精度高的基于双分支网络的多标签心电信号分类方法
。
[0004]本专利技术克服其技术问题所采用的技术方案是：
[0005]一种基于双分支网络的多标签心电信号分类方法，包括如下步骤：
[0006]a)
获取多标签心电信号数据；
[0007]b)
对多标签心电信号数据进行预处理，得到预处理后的心电信号
X
；
[0008]c)
建立卷积模块，将预处理后的心电信号
X
输入到卷积模块中，输出得到特征
X
c
；
[0009]d)
将特征
X
c
分为5组特征，得到第一组特征
X
c1
、
第二组特征
X
c2
、
第三组特征
X
c3
、
第四组特征
X
c4
、
第五组特征
X
c5
；
[0010]e)
建立局部特征增强模块，将第一组特征
X
c1
、
第二组特征
X
c2
、
第三组特征
X
c3
、
第四组特征
X
c4
、
第五组特征
X
c5
输入到局部特征增强模块中，分别得到增强特征
X
′
c1
、
增强特征
X
′
c2
、
增强特征
X
′
c3
、
增强特征
X
′
c4
、
增强特征
X
′
c5
；
[0011]f)
建立自适应特征选择模块，将增强特征
X
′
c1
、
增强特征
X
′
c2
、
增强特征
X
′
c3
、
增强特征
X
′
c4
、
增强特征
X
′
c5
输入到自适应特征选择模块中，得到局部分支特征
X
l
；
[0012]g)
建立全局网络，将特征
X
c
输入到全局网络中，输出得到全局特征
X
g
；
[0013]h)
建立分类模块，将局部分支特征
X
l
与全局特征
X
g
输入到分类模块中，得到分类结果
。
[0014]进一步的，步骤
a)
中从
MIT
‑
BIH
数据库中获取多标签心电信号数据
。
[0015]进一步的，步骤
b)
中将多标签心电信号数据的长度调整为
L
个样本点，得到预处理后的心电信号
X
，
X∈R
C
×
L
，
R
为实数空间，
C
为通道数，通道数与心电信号导联数相同
。
[0016]优选的，
C
取值为
12
，
L
取值为
1000。
[0017]进一步的，步骤
c)
包括如下步骤：
[0018]c
‑
1)
卷积模块由卷积核大小为
25
×
25
的第一卷积层
、BN
层
、ReLU
激活函数层
、
卷积核大小为
15
×
15
的第二卷积层构成；
[0019]c
‑
2)
将预处理后的心电信号
X
依次输入到卷积模块的第一卷积层中
、BN
层
、ReLU
激活函数层中，输出得到特征图
X
′
，
X
′
∈R
12
×
1000
；
[0020]c
‑
3)
将特征图
X
′
输入到卷积模块的第二卷积层中，输出得到特征
X
c
，
X
c
∈R
12
×
500
。
[0021]进一步的，步骤
d)
包括如下步骤：
[0022]d
‑
1)
预处理后的心电信号
X
中的
12
个导联分别为：导联Ⅰ、
导联Ⅱ、
导联Ⅲ、
导联
aVF、
导联
aVL、
导联
aVR、
导联
V1、
导联
V2、
导联
V3、
导联
V4、
导联
V5、
导联
V6
，导联Ⅰ对应的通道为1，导联Ⅱ对应的通道为2，导联Ⅲ对应的通道为3，导联
aVF
对应的通道为4，导联
aVL
对应的通道为5，导联
aVR
对应的通道为6，导联
V1
对应的通道为7，导联
V2
对应的通道为8，导联
V3
对应的通道为9，导联
V4
对应的通道为
10
，导联
V5
对应的通道为
11
，导联
V6
对应的通道为<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于双分支网络的多标签心电信号分类方法，其特征在于，包括如下步骤：
a)
获取多标签心电信号数据；
b)
对多标签心电信号数据进行预处理，得到预处理后的心电信号
X
；
c)
建立卷积模块，将预处理后的心电信号
X
输入到卷积模块中，输出得到特征
X
c
；
d)
将特征
X
c
分为5组特征，得到第一组特征
X
c1
、
第二组特征
X
c2
、
第三组特征
X
c3
、
第四组特征
X
c4
、
第五组特征
X
c5
；
e)
建立局部特征增强模块，将第一组特征
X
c1
、
第二组特征
X
c2
、
第三组特征
X
c3
、
第四组特征
X
c4
、
第五组特征
X
c5
输入到局部特征增强模块中，分别得到增强特征
X
′
c1
、
增强特征
X
′
c2
、
增强特征
X
′
c3
、
增强特征
X
′
c4
、
增强特征
X
′
c5
；
f)
建立自适应特征选择模块，将增强特征
X
′
c1
、
增强特征
X
′
c2
、
增强特征
X
′
c3
、
增强特征
X
′
c4
、
增强特征
X
′
c5
输入到自适应特征选择模块中，得到局部分支特征
X
l
；
g)
建立全局网络，将特征
X
c
输入到全局网络中，输出得到全局特征
X
g
；
h)
建立分类模块，将局部分支特征
X
l
与全局特征
X
g
输入到分类模块中，得到分类结果
。2.
根据权利要求1所述的基于双分支网络的多标签心电信号分类方法，其特征在于：步骤
a)
中从
MIT
‑
BIH
数据库中获取多标签心电信号数据
。3.
根据权利要求1所述的基于双分支网络的多标签心电信号分类方法，其特征在于：步骤
b)
中将多标签心电信号数据的长度调整为
L
个样本点，得到预处理后的心电信号
X
，
X∈R
C
×
L
，
R
为实数空间，
C
为通道数，通道数与心电信号导联数相同
。4.
根据权利要求3所述的基于双分支网络的多标签心电信号分类方法，其特征在于：
C
取值为
12
，
L
取值为
1000。5.
根据权利要求4所述的基于双分支网络的多标签心电信号分类方法，其特征在于，步骤
c)
包括如下步骤：
c
‑
1)
卷积模块由卷积核大小为
25
×
25
的第一卷积层
、BN
层
、ReLU
激活函数层
、
卷积核大小为
15
×
15
的第二卷积层构成；
c
‑
2)
将预处理后的心电信号
X
依次输入到卷积模块的第一卷积层中
、BN
层
、ReLU
激活函数层中，输出得到特征图
X
′
，
X
′
∈R
12
×
1000
；
c
‑
3)
将特征图
X
′
输入到卷积模块的第二卷积层中，输出得到特征
X
c
，
X
c
∈R
12
×
500
。6.
根据权利要求4所述的基于双分支网络的多标签心电信号分类方法，其特征在于，步骤
d)
包括如下步骤：
d
‑
1)
预处理后的心电信号
X
中的
12
个导联分别为：导联Ⅰ、
导联Ⅱ、
导联Ⅲ、
导联
aVF、
导联
aVL、
导联
aVR、
导联
V1、
导联
V2、
导联
V3、
导联
V4、
导联
V5、
导联
V6
，导联Ⅰ对应的通道为1，导联Ⅱ对应的通道为2，导联Ⅲ对应的通道为3，导联
aVF
对应的通道为4，导联
aVL
对应的通道为5，导联
aVR
对应的通道为6，导联
V1
对应的通道为7，导联
V2
对应的通道为8，导联
V3
对应的通道为9，导联
V4
对应的通道为
10
，导联
V5
对应的通道为
11
，导联
V6
对应的通道为
12
；
d
‑
2)
将导联Ⅰ和导联
aVL
作为第一组特征
X
c1
，
X
c1
∈R2×
500
，将导联Ⅱ、
导联Ⅲ、
导联
aVF
作为第二组特征
X
c2
，
X
c2
∈R3×
500
，将导联
aVR
作为第三组特征
X
c3
，
X
c3
∈R1×
500
，将导联
V1、
导联
V2、
导联
V3
作为第四组特征
X
c4
，
X
c4
∈R3×
500
，将导联
V4、
导联
V5、
导联
V6
作为第五组特征
X
c5
，
X
c5
∈R3×
500
。7.
根据权利要求1所述的基于双分支网络的多标签心电信号分类方法，其特征在于，步骤
e)
包括如下步骤：
e
‑
1)
局部特征增强模块由第一卷积块
、
第二卷积块
、
第三卷积块构成，第一...

【专利技术属性】
技术研发人员：徐鹏摇，周书旺，徐国璇，刘照阳，
申请(专利权)人：山东省人工智能研究院，
类型：发明
国别省市：