一种基于深度迁移学习的心律异常分类方法与流程

本发明涉及模式识别领域，尤其涉及一种对不同域心电信号进行特征提取、特征融合、特征迁移、网络迁移并解决多种心律异常的分类方法。

背景技术：

心律异常是人类心脏电信号节律或传导受到干扰而导致的心脏功能失常现象，如果患者没有及时地发现，会引发心脏衰竭甚至骤停死亡，因此心律异常诊断是十分重要的。目前，大多数医生采用观察心电图(electrocardiogram,ecg)的方式来诊断病人的心律状态，但是长时间观察心电图枯燥费时，容易引发人为错误。近年来，心律异常的计算机辅助诊断系统出现在学术研究和临床实验中，它能够高效且精准地定位异常问题，受到广大医护人员青睐。

临床应用的ecg识别系统分为三个部分：数据预处理、信号特征提取、以及信号分类。其中数据预处理和信号分类分别负责的是将传感器采集的ecg信号去噪和对信号进行区分，研究方法已较为成熟。而由于信号特征提取的效果直接决定了分类性能，且较为复杂，不同的学者从不同的角度提出了不同的解决方法，这些方法分时域分析法，统计学方法，信号变换法。

其中，时域分析主要用于提取ecg信号的形态学特征，如两个相邻波的r波峰间隔、qrs混合波^[1]、t波的持续时间等等。这种方式能直观快速地提取到波形的变化信息，但不能够提取到信号深层次的潜在细节特征。统计学方法，如高阶累计量等，能够抑制高斯噪声，常用于提取信号隐含的非线性特征。基于信号变换的方法，如短时傅里叶变换、小波变换、s变换等通过时空域及频域信息分析心电信号。

深度学习由于其强大的非线性拟合及逐层特征表征能力，也逐渐被用于心电信号分类领域。sayantang等提出由玻尔兹曼机(rbm)组成的深度置信网络提取ecg特征。a.rahhal等利用去噪自编码器(dae)来提取特征，结合主动学习法来微调网、络。任晓霞探究dropout深度卷积神经网络在心电信号st波段的分类性能。

目前已有的ecg识别算法面临着两个挑战：特征提取中，传统方法对于多类别分类性能比较低，一些深度学习算法虽然加强了特征表示，但忽略了特征时序性和信息间的流通性。其次，由于测试病人的生理机能、运动状态、用药情况、测试环境的不同，心电信号难以保证是来自同一数据分布的。所以，临床场景下，大多数心电数据是来自不同域的，数据间存在着域差异使得模型训练和测试的效果不好，这是当今心律异常分类需要解决的问题。

技术实现要素：

本发明提供了一种基于深度迁移学习的心律异常分类方法，本发明提高了不同域ecg数据多种心律失常识别的准确率，详见下文描述：

一种基于深度迁移学习的心律异常分类方法，所述方法包括：

将处理后的ecg信号通过1d-cnn和lstm的级联网络结构，将信号的空间特征和时间特征结合起来提取ecg信号特征；

通过多尺度融合的连接方式，将小尺度特征上采样插值到与相邻特征图相等大小的尺度上进行特征融合；

将源域和目标域数据的特征通过自适应层进行特征差异调整，源域数据从自适应层输出的特征通过全连接层和softmax分类器计算分类损失，计算通过自适应层输出的源域和目标域特征间的mmd损失；最后结合分类损失和mmd损失共同调整网络参数。

其中，所述通过多尺度融合的连接方式，将小尺度特征上采样插值到与相邻特征图相等大小的尺度上进行特征融合具体为：

将小区域块的特征用最近邻方法上采样2倍得到与大区域块等大的特征，再与大区域块的特征进行通道空间上的堆叠；

用1×1卷积对在通道层次上聚合，增加通道间的特征流动性；同样另一小区域块与堆叠后的特征再一次进行多尺度特征融合，丰富特征的空间信息。

进一步地，所述方法提出的深度迁移网络是镜像结构，利用相同的特征提取结构提取不同病人间的心电信号特征。

其中，所述方法还包括：

在网络中加入适配层，训练网络时通过适配层来调整源域心电数据和目标域心电数据间的差异。

本发明提供的技术方案的有益效果是：

1、本发明针对不同域数据提出一种新的心律异常分类方法，在特征提取方面利用深度学习中1d-cnn(一维卷积神经网络)和lstm(长短时记忆网络)的级联结构提取局部时序特征；

2、本发明在特征融合方面设计了多尺度特征融合的连接方式，将不同大小的特征图在通道上进行聚合和卷积操作，以得到融合特征；

3、本发明利用迁移学习思想减少不同域数据的特征间差异，该算法在训练过程中，网络能够快速学习特征并且以很快的速度收敛，而且提高了不同域ecg数据多种心律失常识别的准确率。

附图说明

图1为一种基于深度迁移学习的心律异常分类方法的流程图；

图2为多尺度特征融合的连接框图的示意图；

图3为深度迁移网络架构的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

本发明实施例提出了一种深度迁移学习网络，用于不同域心律异常分类任务：首先通过一维卷积和长短时记忆级联结构提取心电信号时序特征。为充分利用不同特征空间上的信息，提高了特征的表达能力，本发明实施例提出多尺度融合的连接方式，将小尺度特征上采样插值到相邻特征图等大的尺度进行特征融合。

针对数据分布差异问题，本发明实施例提出的深度迁移网络是镜像结构，即利用相同的特征提取结构提取不同病人间的心电信号特征。通过加入适配层的方式对其输出计算最大均值差(maximummeandiscrepancy,mmd)损失，以调整特征域分布差异。

最后利用分类损失和最大均值差异损失共同优化网络，训练出类间可分辨性大，域间差异性小的特征。

本发明实施例提出一种基于深度迁移学习的心律异常分类网络，将提取特征、特征融合、特征域差异处理及分类集成到一起，经实验验证，本方法在同一数据库的不同病人间及不同数据库间都表现出较高的心电信号分类性能。

实施例1

参见图1，本发明实施例提供的基于深度迁移网络的心律异常分类方法，包括以下步骤：

101：预处理：

对ecg原始信号进行预处理，消除噪声对心电信号的干扰并检测r波，提取r峰两段的数据为心跳片段并进行z-score标准化处理。

其中，标准化处理的步骤为本领域技术人员所公知，本发明实施例对此不做赘述。

102：特征提取：

将处理后的ecg信号通过1d-cnn和lstm的级联网络结构，将信号的空间特征和时间特征结合起来提取ecg信号特征。

103：特征融合：

将不同大小的特征图通过上采样的方式达到相等大小，并在特征通道上堆叠，再通过卷积操作将通道层上的特征进一步融合。

104：迁移学习：

对于不同域的数据，利用迁移学习中模型迁移和参数迁移的思想，减少不同域特征之间的差异，使其尽量符合同一数据分布，有利于接下来的分类任务。

105：多分类：利用softmax识别多种类别的心律异常波形。

综上所述，本发明实施例提出了多尺度融合的连接方式，将小尺度特征上采样插值到相邻特征图等大的尺度进行特征融合，提高了不同域ecg数据多种心律失常识别的准确率。

实施例2

下面结合具体的计算公式、图1-图3对实施例1中的方案进行进一步地介绍，详见下文描述：

201：ecg信号数据来自心电图仪采集到的数据或者公开数据库；

202：预处理：

在噪声去除方面，使用中值滤波法去除基线漂移，利用低通滤波器去除电力线干扰和高频噪声。r波检测采用幅度阈值、小波阈值等。

203：特征提取：

根据预处理检测到的r位置、r波位置前取90个采样点信号、以及r波位置后取197个采样点信号，共288个采样点的ecg片段。设计了一维卷积(1d-cnn)和长短时记忆(lstm)级联结构的特征提取块，在空间域和时间域上提取ecg信号特征。

其中，卷积网络广泛应用于二维图像中，提取深度抽象特征。而对于ecg信号，本发明实施例采用一维卷积来提取特征。在信号处理中卷积操作被广泛应用，其含义是单位响应在一个函数上的加权叠加。针对一维ecg信号，设计不同大小和参数的一维卷积核对信号进行加权叠加以提取到新的特征，一定程度上可看作不同的滤波器对信号滤波操作。输入信号设置为：xi＝[x1,x2,...xn]，n是样本采样点的个数，一维卷积操作计算过程：

其中，表示第l层卷积层对应的第j个卷积核的输出，mj表示当前神经元的接受域，表示第l层的第j个卷积核对应的第i个权重系数，表示第l层第j个卷积核对应的偏置系数。

其中，f表示激活函数，提取非线性特征，这里用relu函数：

f(x)＝max(0,x)

利用最大池化层(max-poolinglayer)计算x特征向量相邻元素的最大值来得到稀疏特征向量，并提高平移不变性的表征能力。

为挖掘出ecg特征的时序性，本发明实施例用长短时记忆(lstm)网络提取时序特征，一维卷积过程中提取的特征被分解为顺序分量并馈送到重复的长短时记忆单元以进行时间分析。lstm网络结构^[2]如下：输入门学习存储在记忆单元c中的信息；忘记门选择记忆单元中忘记或者重新训练的信息量；输出门学习何时输出所存储的信息。

本发明实施例提出了三个特征提取块(block)，分别提取心电信号的浅层信息和深层信息。第1个block的卷积参数为16个1×5的卷积核，步长为1，填补为2；第2个block的卷积参数为32个1×5的卷积核，步长为1，填补为1；第3个block的卷积参数为64个1×3的卷积核，步长为1，填补为1。其中所有的池化层核大小为1×2，步长为2。

204：特征融合：

为了增加特征丰富度，本发明实施例设计了提出多尺度特征融合的连接方式以结合不同特征提取块的特征。参照图2所示，这里有三个特征图，block3的特征图大小为block2的1/2，为融合这两部分的特征，首先将block3的特征用最近邻方法上采样2倍得到与block2等大的特征，再与block2的特征进行通道空间上的堆叠(concatenation)，之后用1×1卷积对在通道层次上聚合，增加了通道间的特征流动性。

同样，block1与block2和block3融合后的特征(即堆叠后的特征)进行再一次的特征融合，具体方式是将block2和block3融合的特征上采样到与block1等大的特征，再与block1的特征在通道上进行堆叠，之后用1×1卷积对在通道层次上聚合，丰富特征的空间信息

205：迁移学习：

心电信号是通过传感器采集来的，不同位置，不同状态，不同环境，不同设备采集到的心电信号数据分布上会有一定的偏差，且病人间的生理机能不一样，存在病人特异性，难以保证训练和测试数据是同分布的，因此，在网络设计过程中需要考虑数据分布差异带来的域偏移问题。

本发明实施例设计镜像对称网络，以相同的特征处理方式(特征提取、特征融合)提取源域和目标域的ecg特征。为挖掘不同域特征间的共性信息，减少域间特征的差异，在特征提取后分别加入适配层(adaptionlayer)，该层由全连接网络组成。

本发明实施例设计的最大均值差异损失(mmdloss)为度量准则。其中，定义特征变换为φ(·)，源域的数据为xs∈xs，目标域数据为xt∈xt，则mmd损失定义为：

该网络不仅需要最小化域之间的差异，还要挖掘有类间区分度的特征，这有利于分类器的训练。为满足这两个标准，本发明实施例设计了联合损失函数：

l＝lc(xl,y)+λmmd²(xs,xt)

其中，lc(xl,y)为分类损失，xl为的预测结果，y为真值标签。mmd(xs,xt)为源域数据xs和目标域数据xt的距离，超参数λ平衡这两种损失强度。

深度迁移网络结构如图3所示，其中，源域是带标注的数据，目标域是不带标注的数据，二者的特征提取部分共享网络权重，所有数据参与计算最大均值差异损失，而只有带标注的样本进行分类损失的计算。

206：多分类：在网络的最后用softmax层实现多种心律失常识别。

训练过程中首先初始化权重，通过前向传播计算预测值与真值的误差，并由随机梯度下降法最小化损失函数并进行反向传播重新更新网络各层参数。重复此过程直到误差不再较小，网络趋于收敛。

综上所述，本发明实施例提出了多尺度融合的连接方式，将小尺度特征上采样插值到相邻特征图等大的尺度进行特征融合，提高了不同域ecg数据多种心律失常识别的准确率。

实施例3

下面结合表1对实施例1和2中的方案进行可行性验证，详见下文描述：

mit-bih(美国麻省理工学院-beth-israel医院)心律失常数据库包含48条ecg记录，每条记录由两种不同类型导联(记为a、b导联)记录了长约30分钟的数据，采样率为360hz；其中45条记录的a导联采用mlii导联，其余采用v5导联；40条记录的b导联采用v1导联，其余采用ii、v2、v4和v5导联。

本实验采用的ecg数据集来自mit数据库中mlii导联记录的数据，根据aami标准共有5种心拍类型：正常搏动(normalbeats)、室上异位搏动(supraventricularectopicbeats)、心室异位搏动(ventricularectopicbeats)、融合心跳(fusionbeats)、无法分类心跳((unclassifiablebeats)，对这5种心跳类型进行分类。

表1给出了使用不同提取特征方法进行分类的性能，实验结果如下：

表1：不同特征提取方法下的分类性能

通过表1可以看出，本发明实施例所提出的深度迁移网络在心律异常分类任务中明显优于利用1d-cnn和lstm提取特征、融合特征的网络分类效果好，满足了实际应用中的需要。

参考文献：

[1]何方田.临床心电图详解与诊断[m].浙江大学出版社,2010

[2]gersfa,schmidhuberj,cumminsf.learningtoforget:continualpredictionwithlstm[j].neuralcomputation,2014,12(10):2451-2471.

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。