基于集成CNN的心肌缺血的识别分类方法与流程

本发明涉及心电图异常检测技术领域，具体涉及一种基于集成cnn的心肌缺血的识别分类方法。

背景技术：

心电图是临床上医生诊断心脏疾病的一个常规而且高效的技术手段,心肌缺血属于一种具有较高发病率的疾病类型，特别是在中老年群体中，未按时发现心肌缺血可能导致患者出现较为严重的心律失常与心脏疾病猝死。心肌缺血的危险分层和及时发现对病情的诊断治疗有着重大的意义，与人类健康密切相关。在临床实践中，部分患者的心肌缺血表现为无症状的心肌缺血，非常容易受到医生和患者的忽视，从而发展成为心肌梗死以及猝死的重要危险因素之一。

影像检查由于自身价格原因和患者心理因素，无法广泛使用。相比之下，无创性心电学检测技术，特别是常规的12导联心电图技术，简单实用，受众更广，作为医学影像学的重要补充部分，在心肌缺血诊断和危险分层上起到重要作用。合理、有序的选择无创心电学检查可以提供不同于影像信息的心电信息，实现心肌缺血的早期检测，与影像学检查的优势互补，进一步提高临床诊断的准确率和检出率。现有心肌缺血分析系统尚不足以满足临床应用的准确率需求和危险分层诊断的问题。

技术实现要素：

本发明要解决的技术问题是：克服现有技术的不足，提供一种基于集成cnn的心肌缺血的识别分类方法。

本发明为解决其技术问题所采用的技术方案为：基于集成cnn的心肌缺血的识别分类方法，包括以下步骤：

步骤1：获取两个训练数据库：异常训练数据库及正常训练数据库，异常训练数据库为已知患有心机缺血的数据库，正常训练数据库为对比的健康人群心电信号数据库；

步骤2：通过对两个训练数据库中的数据预加工处理，降噪、截取、抽析，生成二维结构心电信号样本；

步骤3：构建集成卷积神经网络模型；

步骤4：构建卷积神经网络模型；

步骤5：获取特征集；

步骤6：根据特征集训练随机森林分类器；

步骤7：对样本进行自动识别和测试。

步骤2中读入12导联的心电信号的数据，针对ecg信号样本，利用matlab工具箱自带的巴特沃斯滤波器对数据进行低通滤波处理，去除噪声对实验结果的影响，统一截取p个点，在使用抽析的处理方法使每个导联统一成长度为q维的向量，处理后，将每幅心电信号转换为一个12*q的二维矩阵，作为一个样本。

所述步骤3包括将获取的两个训练数据库(即异常训练数据库及正常训练数据库)作为训练数据集，将训练数据集按照3：1分为训练集和测试集，然后在训练集中随机抽取其3/4的样本数，抽取k次，得到k个子训练数据集，训练对应得到k个cnn分类器，分别为cnn1-cnnk，固化模型参数。

步骤4中构建的卷积神经网络的结构为五层卷积池化操作，提取和降维样本抽象特征，经过三层全连接层变换至3个输出点，在cnn模型中，池化层方法选择平均池化，并在网络最后添加softmax分类器，节点数设定为3，设定卷积核步长在各方向均为1，边界处理采取不补零措施，激活函数选用修正线性单元(relu)，池化方法选择平均池化，网络损失函数采用交叉熵(cross-entropy)，模型训练算法采用自适应动量估计。包括以下子步骤：

4-1：:将提取的ecg信号二维结构样本作为网络输入，

4-2：进行五层卷积池化操作，提取和降维样本抽象特征；

4-3：经过三层全连接层变换至3个输出点，通过连接softmax分类器获得最终结果。具体地说，每个阶段由3个级联层包括：卷积层、激活层和池化层。根据模板c1(size)-s1-c2(size)-s2-c3(size)-s3-c4(size)-s4-c5(size)-s5-h1-h2-o，c1到c5分别是第一阶段到第五阶段的过滤器数量，size表示卷积核的大小，s1和s2是子抽样因子，h1、h2和o表示全连接层和输出层中的单元数。本文设计的cnn网络结构参数为：32(5)-4-64(5)-4-64(5)-4-128(5)-4-128(5)-4-2000-256-3。这里的卷积核均为一维卷积。

所述步骤5中使用k个cnn固化模型并列提取训练数据集数据的softmax概率输出结果作为特征向量，融合提取的特征向量作为新特征向量，得到特征集。

步骤6中，采用cart算法生成决策树，使用基尼指数为指标进行特征选择，属性a的基尼指数定义为：

在候选属性特征集合a中选择那个使得划分后基尼指数最小的属性作为要选择的最有划分属性，即：

a*＝argmina∈agini_index(d,a)。

候选属性特征集合a指的是，由k个cnn固化模型并列提取的特征向量x1到xk形成的集合。

步骤7中，利用训练好的随机森林分类器对测试集进行心电信号判别，识别出正常和患有心肌缺血的心电信号，同时对患有心肌缺血的心电信号进行危险分层分类。

与现有技术相比，本发明具有以下有益效果：

本发明利用cnn提取心电信号样本的抽样特征，省去了降维与人工选择特征的过程，然后设计集成卷积神经网络结构，基于心电谱图对ecg信号分类问题进行建模，深度挖掘心电信号之间的强相关性，对心肌缺血进行正确识别和危险分层，完成一定程度的心肌缺血的预测，有效提高心肌缺血的识别准确率和心肌缺血隐匿期的发现效率，并对心肌缺血的危险程度进行分类，辅助医生治疗；

利用集成卷积神经网络和随机森林对心电信号进行学习分类，以更好地进行心肌缺血的识别和危险分层。

附图说明

图1是本发明卷积神经网络结构图。

图2是本发明集成策略示意图。

具体实施方式

下面结合附图对本发明实施例做进一步描述：

实施例

如图1至图2所示，包括以下步骤：

步骤1：获取两个训练数据库：异常训练数据库及正常训练数据库，异常训练数据库为已知患有心机缺血的数据库，正常训练数据库为对比的健康人群心电信号数据库；

步骤2：通过对两个训练数据库中的数据预加工处理，降噪、截取、抽析，生成二维结构心电信号样本；具体地说，读入12导联的心电信号的数据，针对ecg信号样本，利用matlab工具箱自带的巴特沃斯滤波器(butterworth)对数据进行低通滤波处理，去除噪声对实验结果的影响，统一截取p个点，在使用抽析的处理方法使每个导联统一成长度为q维的向量，处理后，将每幅心电信号转换为一个12*q的二维矩阵，作为一个样本。

步骤3：构建集成卷积神经网络模型；具体地说，将获取的两个训练数据库(即异常训练数据库及正常训练数据库)作为训练数据集，将训练数据集按照3：1分为训练集和测试集，然后在训练集中随机抽取其3/4的样本数，抽取k次，得到k个子训练数据集，训练对应得到k个cnn分类器，分别为cnn1-cnnk，固化模型参数。

步骤4：构建卷积神经网络模型；具体地说，构建的卷积神经网络的结构为五层卷积池化操作，提取和降维样本抽象特征，经过三层全连接层变换至3个输出点，在cnn模型中，池化层方法选择平均池化，并在网络最后添加softmax分类器，节点数设定为3，设定卷积核步长在各方向均为1，边界处理采取不补零措施，激活函数选用修正线性单元(relu)，池化方法选择平均池化，网络损失函数采用交叉熵(cross-entropy)，模型训练算法采用自适应动量估计。包括以下子步骤：

4-1：:将提取的ecg信号二维结构样本作为网络输入，

4-2：进行五层卷积池化操作，提取和降维样本抽象特征；

4-3：经过三层全连接层变换至3个输出点，通过连接softmax分类器获得最终结果。具体地说，每个阶段由3个级联层包括：卷积层、激活层和池化层。根据模板c1(size)-s1-c2(size)-s2-c3(size)-s3-c4(size)-s4-c5(size)-s5-h1-h2-o，c1到c5分别是第一阶段到第五阶段的过滤器数量，size表示卷积核的大小，s1和s2是子抽样因子，h1、h2和o表示全连接层和输出层中的单元数。本文设计的cnn网络结构参数为：32(5)-4-64(5)-4-64(5)-4-128(5)-4-128(5)-4-2000-256-3。这里的卷积核均为一维卷积。

步骤5：获取特征集；具体地说，使用k个cnn固化模型并列提取训练数据集数据的softmax概率输出结果作为特征向量，融合提取的特征向量作为新特征向量，得到特征集。

步骤6：根据特征集训练随机森林分类器；具体地说，采用cart算法生成决策树，使用基尼指数为指标进行特征选择，属性a的基尼指数定义为：

在候选属性特征集合a中选择那个使得划分后基尼指数最小的属性作为要选择的最有划分属性，即：

a*＝argmina∈agini_index(d,a)。

候选属性特征集合a指的是，由k个cnn固化模型并列提取的特征向量x1到xk形成的集合。

步骤7：对样本进行自动识别和测试。具体地说，利用训练好的随机森林分类器对测试集进行心电信号判别，识别出正常和患有心肌缺血的心电信号，同时对患有心肌缺血的心电信号进行危险分层分类。