一种心电信号分类识别方法与流程

本发明涉及医疗技术领域，尤其涉及一种对心电信号进行分类的识别方法。

背景技术：

医院心电检查，虽然数据精度高，但是只能记录患者在特定且极短时间内的一段心电波形，对非持续性心律失常，尤其是对一过性心律失常及短暂的心肌缺血发作常常漏检，延误了诊断。目前得到普遍应用的24小时动态心电图(dcg)能够记录长时间的心电图(ecg)信号，但是dcg没有处理数据的能力，不能对信号进行自动分类，不能自动识别出具有医学意义的病态信号，必须等待24小时监护结束，才能交由医生对数据进行分析并做出结论。

对ecg信号进行智能分析的技术一直在发展。通过分析在医学特征空间中ecg数据的分布情况可知，要能以较高准确率对ecg信号进行分类，需要一个高度复杂的非线性函数，所以问题的实质是对复杂非线性函数的拟合。目前已有技术中对这一函数的拟合仍然不够理想。比如，一种现有技术采用的小波变换来提取信号特征，利用基函数的多尺度特性将ecg信号在不同尺度下展开并提取有用信息。然而，小波变换实质只是简单的积分变换，其非线性函数拟合能力非常有限。另一种现有技术采用支持向量机(svm)，svm可以看成是网络结构和权值自适应调整的3层径向基网络，但是它面临非线性函数拟合能力受到限制，当给定训练样本，svm所能拟合的函数族就完全确定了，但对于更复杂的非线性函数，当前svm就无能为力。

技术实现要素：

本发明针对现有技术的缺陷，提供一种基于卷积神经网络，利用卷积神经网络对复杂非线性函数的拟合能力，通过合理的设计使其适用于一维ecg信号，实现对ecg信号更有效、更准确的分类识别方法。

为解决上述技术问题，本发明采用如下技术方案：一种心电信号分类识别方法，其特征在于：包括以下实施步骤，

a、取得测量时间在10秒以上的原始心电图波形数据，并根据原始心电图波形数据进行心电图节律信息和pqrst波形的提取，获取心电图节律信息和pqrst波形的数字化数据；

b、设计构造卷积神经网络并对其进行训练，将步骤a得到的pqrst波形数据从训练完的卷积神经网络的输入端输入，经卷积神经网络进行分类后，从其输出端得到类型数据。

其中步骤a使用10秒以上的原始心电图波形数据具有数量充足的波形，使得提取得到的心电图节律信息、pqrst波形数据更加准确。其中pqrst波形的提取能够有效减小非诊断要素如人体移动、电极不稳定带来的波形变化影响提升最终得到的心电图分类结果的正确率；

步骤b中使用的卷积神经网络是人工智能领域的机器学习方法，卷积神经网络通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，实现了特征提取与模式分类的融合统一。卷积神经网络目前已经在图像识别等应用领域证明了有效性，能够大幅度提高了传统方法的识别精度。本发明中把卷积神经网络导入心电图分类领域，合理地结合心电图分类的特点，并通过以上步骤对深度学习方法进行训练并用深度学习方法进行波形分类，能够大幅度提高心电图分类结果的正确率。

优选地，步骤a使用的原始心电图波形数据，即ecg信号为双导联信号，其较单导联数据具有更加充分的信息，能提升相关的心电图分类辅助信息的精确度，相较更多导联的设计，双导联更容易在便携式设备上实现，使得本发明的适用范围更广。

优选地，步骤b设计的卷积神经网络将卷积层与下采样层合并设计为卷积下采样层，将输入层与神经元数目不同的三个卷积下采样层加上多层感知机构成的输出层组合成为一个完整的卷积神经网络；

其中卷积下采样层1按如下步骤产生，先由6个初始值不同的2×13卷积核对输入层做卷积，得到含有6个特征面的卷积层c1，再对卷积层c1使用2×3取样核产生6个子采样层s1；卷积下采样层2按如下步骤产生，先对子采样层s1相邻2个特征面进行组合得到6个新特征面，然后使用6个2×10卷积核与之做卷积运算，产生含36个特征面的卷积层c2，对卷积层c2的每个特征面采用2×3取样核产生36个子采样层s2；卷积下采样层3按如下步骤产生，先对子采样层s2进行3相邻面组合得到12个新特征面，然后使用6个2×6卷积核，产生含72个特征面的卷积层c3，对卷积层c3使用2×3取样核产生72个子采样层s3。

优选地，步骤b对卷积神经网络的训练使用mit-bih心律失常数据库中的48条记录对卷积神经网络进行；记录为双导联信号，先经过0.5～25hz的带通滤波器，滤除高频干扰和基线漂移；在每个导联，以r波为中心，取r波前100点，后199点，包括r波在内共300采样点组成一个完整心搏，提取25000个样本进行训练，将训练集做划分，分50组，每组500个，每次取8组做训练，2组做校验。

进一步地，具体过程按以下步骤实施，

(1)获取双导联心电图波形数据，并根据心电图波形数据截取其中长度为10秒的数据作为原始心电图波形数据；

(2)根据需要对步骤(1)得到的原始心电图波形数据进行去噪处理，去噪处理采用高通滤波器去除基线漂移噪音，噪音过高时使用低通巴特沃斯滤波器去除噪音干扰；

(3)设定卷积神经网络输入层、隐含层、输出层的节点个数，并随机设定相邻层各节点之间的权重；

(4)对卷积神经网络进行训练，训练用数据来自通过体检等手段获取的预记录数据以及mit-bih数据库数据；将训练用数据从卷积神经网络的输入端输入，经卷积神经网络进行分类后，从卷积神经网络的输出端得到类型数据；将卷积神经网络输出端得到的类型数据与预记录数据的类型标记进行比较，基于输出端和真实波形类型的检测偏差，利用后向传递算法修改卷积神经网络内各节点的权值；

(5)重复步骤(4)直到卷积神经网络判读结果符合真实波形类型，即卷积神经网络结构参数收敛时，获得训练好的卷积神经网络；卷积神经网络在经过大量心电图波形的学习后，将波形分类特征要素反映到卷积神经网络里面，以达到后续对其他心电图数据进行分类时可在短时间内得出正确的分类结果。

进一步地，具体操作步骤如下，

使用mit-bih数据库进行训练时共有48条记录，每条记录都为双导联，经过0.5～25hz的带通滤波器，滤除高频干扰和基线漂移；在每个导联，以r波为中心，取r波前100点，后199点，包括r波在内共300采样点组成一个完整心搏，提取50000个样本，取25000个样本进行训练，剩余样本做测试；将训练集做划分，分50组，每组500个，每次取8组做训练，2组做校验；

卷积神经网络的三个卷积核分别取[2，13]，[2，10]和[2，6]；三层取样核均为[2，3]，即在单独一个导联的3个相邻点进行均值模糊；三个特征面数分别为6，36和72，多层感知机的隐含层的神经元数为50，而输出层神经元数为6；

双导联数据构成2×300的输入层，使用6个初始值不同的2×13卷积核，每个卷积核对输入层做卷积运算，一共可以得到6个新的特征面，每个的维度是2×288，此6个新特征面即是卷积层c1；然后对卷积层c1使用2×3取样核产生含6个2×96特征面构成子采样层s1；

对子采样层s1相邻2个特征面进行叠加取均值组合得到6个新特征面，纵坐标0-5表示s1的6个特征面，用第0个与第1个组合成新的第0个特征面，记录在横坐标，类似的构成另外5个；然后使用6个2×10卷积核，每个卷积核产生含36个2×87的特征面，构成卷积层c2，对卷积层c2的每个特征面采用2×3取样核产生36个2×29特征面构成子采样层s2；

对子采样层s2进行3相邻面组合得到12个新特征面，然后使用6个2×6卷积核，产生含72个2×24特征面的卷积层c3，对卷积层c3使用2×3取样核产生72个2×8特征面的子采样层s3；从子采样层s3到输出层是一个基本型的多层感知机，其中间隐含层设定50个神经元，与子采样层s3全连接；输出层设定6个神经元，与隐含层之间全连接。

本发明对ecg信号的特征提取与模式分类相融合，避免了复杂且不可靠的特征数据提取问题。根据已有理论，ecg信号的智能分类是一种模式识别问题，常规解决方案需要分析提取ecg信号特征值构成特征空间，然后对特征空间进行模式分类。特征值的提取非常关键又非常复杂，很多文献提出了不同的方法但是都没有可靠地解决这一问题。而卷积神经网络的设计已经把特征提取包含在分类过程中，避免了特征提取过程出现的偏差。

通过设计使卷积神经网络能够合理处理一维ecg信号。卷积神经网络应用于处理二维图像信号具有优异的模式分类效果，其在处理图像时选取的卷积核一般为n×m矩阵，本发明处理双导联ecg信号时使用2×m卷积核，由于ecg双导联信号之间并不具有类似于图像相邻像素的紧密相关性，因此在卷积运算时2×m卷积核分成两个1×m卷积核对两个导联的数据分别进行一维卷积，运算结果仍作为二维数据保存并以二维形式送入多层感知机构成的输出层产生分类结果。

本发明基于卷积神经网络，利用卷积神经网络对复杂非线性函数的拟合能力，通过合理的设计使其适用于一维ecg信号，实现了对ecg信号更有效更准确地分类。在准确分类ecg信号的基础上能够实时监护心血管疾病高危人群、亚健康人群、病情待定人群，智能分析正常生活、工作及活动时的心电变化，帮助确定病情，或者捕捉到潜在的心脏疾病的心电信息，对患者起到预警作用，带来很好的社会效益。

附图说明

图1为典型卷积神经网络的结构图；

图2为对子采样层s1相邻2个特征面进行叠加取均值组合得到6个新特征面的组合方式坐标图；

图3为对子采样层s2进行3相邻面组合得到12个新特征面的组合方式坐标图。

具体实施方式

本实施例中，所述心电信号分类识别方法，按以下步骤进行，

(1)获取双导联心电图波形数据，并根据心电图波形数据截取其中长度为10秒的数据作为原始心电图波形数据；

(2)根据需要，可对步骤(1)得到的原始心电图波形数据进行去噪处理，去噪处理采用高通滤波器去除基线漂移噪音，噪音过高时使用低通巴特沃斯滤波器去除噪音干扰；

(3)设定卷积神经网络输入层、隐含层、输出层的节点个数，并随机设定相邻层各节点之间的权重；该卷积神经网络的典型结构如图1所示；

(4)对卷积神经网络进行训练，训练用数据来自通过体检等手段获取的预记录数据以及mit-bih数据库数据。将训练用数据从卷积神经网络的输入端输入，经卷积神经网络进行分类后，从卷积神经网络的输出端得到类型数据。将卷积神经网络输出端得到的类型数据与预记录数据的类型标记进行比较，基于输出端和真实波形类型的检测偏差，利用后向传递算法修改卷积神经网络内各节点的权值；

(5)重复步骤(4)直到卷积神经网络判读结果符合真实波形类型，即卷积神经网络结构参数收敛时，获得训练好的卷积神经网络。卷积神经网络在经过大量心电图波形的学习后，将波形分类特征要素反映到卷积神经网络里面，后续对其他心电图数据进行分类时可以在在短时间内得出正确的分类结果。

使用mit-bih数据库进行训练时共有48条记录，每条记录都为双导联，经过0.5～25hz的带通滤波器，滤除高频干扰和基线漂移。在每个导联，以r波为中心，取r波前100点，后199点，包括r波在内共300采样点组成一个完整心搏，提取50000个样本，取25000个样本进行训练，剩余样本做测试。将训练集做划分，分50组，每组500个，每次取8组做训练，2组做校验。

卷积神经网络的三个卷积核分别取[2，13]，[2，10]和[2，6]；三层取样核均为[2，3]，即在单独一个导联的3个相邻点进行均值模糊；三个特征面数分别为6，36和72，多层感知机的隐含层的神经元数为50，而输出层神经元数为6。

双导联数据构成2×300的输入层，使用6个初始值不同的2×13卷积核，每个卷积核对输入层做卷积运算，一共可以得到6个新的特征面，每个的维度是2×288，这6个新特征面即是卷积层c1；然后对卷积层c1使用2×3取样核产生含6个2×96特征面构成子采样层s1；

对子采样层s1相邻2个特征面进行叠加取均值组合得到6个新特征面，具体的组合方式如图2所示。

图中纵坐标0-5表示s1的6个特征面，用第0个与第1个组合成新的第0个特征面，记录在横坐标，类似地构成另外5个。然后使用6个2×10卷积核，每个卷积核产生含36个2×87的特征面，构成卷积层c2，对卷积层c2的每个特征面采用2×3取样核产生36个2×29特征面构成子采样层s2；

对子采样层s2进行3相邻面组合得到12个新特征面，具体组合方式如图3所示。

然后使用6个2×6卷积核，产生含72个2×24特征面的卷积层c3，对卷积层c3使用2×3取样核产生72个2×8特征面的子采样层s3；从子采样层s3到输出层是一个基本型的多层感知机，其中间隐含层设定50个神经元，与s3全连接；输出层设定6个神经元，与隐含层之间全连接。

以上已将本发明做一详细说明，以上所述，仅为本发明之较佳实施例而已，当不能限定本申请实施范围，即凡依本申请范围所作均等变化与修饰，皆应仍属本发明涵盖范围内。