一种面向心律不齐分类的ECG信号处理方法与流程

本发明涉及生物医学领域，具体地，涉及一种面向心律不齐分类的ecg信号处理方法。

背景技术：

“心律不齐”指的是心跳或快或慢，超过了一般范围。很多心律不齐都没有任何症状。心律不齐有五个分型：非异位型(n:non-ectopic)、室性异位型(v:ventricularectopic)、室上性异位型(s:supraventricularectopic)、混合型(f:fusion)、未知型(q:unknown)。不同个体的心脏活动模式具有较大差异，甚至相同个体的心脏活动模式在不同时段也表现出巨大差异，这使得对心律不齐进行准确分类变得异常困难。

现有心率不齐分类方法主要分为两大类：1)基于专业医生的人工分类方法；2)基于特征提取、特征选择及分类器构建的计算机辅助分类方法。前者需要医生具有极其丰富的临床经验，且需耗费大量的时间成本，效率很低；此外，基于人工的检测及分类方法往往存在个体间差异和个体内差异，分类结果的一致性较差。后者虽然借助计算机大大降低了时间成本，且保证了结果的一致性，但其必须根据专家知识提前设计若干个特征。由于心脏活动模式在个体间和个体内都存在巨大差异，统一设计的特征难以准确刻画所有情况下的心脏活动模式，这限制了该种方法的分类精度。

技术实现要素：

本发明提供一种面向心律不齐分类的ecg信号处理方法，以解决心律不齐分类精度较低的问题。

本发明的技术方案为：

一种面向心律不齐分类的ecg信号处理方法，包括以下步骤：

s1：对ecg信号进行r峰检测、心跳提取、数据平衡预处理操作，得到格式统一的ecg信号段；

s2：对s1输出的ecg信号段进行小波分解操作，得到多个时频解析度下的ecg子层信号；

s3：利用多层双向长短时记忆神经网络，分别从s2输出的每个ecg子层进行中挖掘长时依赖关系，刻画ecg信号段的整体变化趋势；

s4：利用二维卷积神经网络，从每个经过s3处理后的ecg信号子层中挖掘局部特征，以刻画ecg信号中不同波形成分的特点；并得到每个ecg子层信号属于不同心律不齐分型的概率；

s5：将s4中每个ecg子层属于不同心律不齐分型的概率进行融合，从而得到该ecg信号段的最终分类结果。

进一步地，一种面向心律不齐分类的ecg信号处理方法，所述s1中，首先使用pan-tompkins算法定位ecg信号中的r峰的位置；然后以r峰为中心截取适当数量的采样点作为当前心跳所对应的ecg信号段；最后采用smote算法对实例较少的心率不齐分型进行上采样处理，得到数量平衡的数据集。

进一步地，一种面向心律不齐分类的ecg信号处理方法，s2中得到多个时频解析度下的ecg子层信号是指利用小波分解技术对ecg信号进行若干级分解，并根据每层细节分量的小波系数进行信号重构，从而得到若干不同时频解析度下的ecg子层信号。

进一步地，一种面向心律不齐分类的ecg信号处理方法，所述s3中利用多层双向长短时记忆神经网络以刻画ecg信号的整体波动模式是指：使用结构相同的多个多层长短时记忆神经网络并行地处理s2中得到的多个ecg子层信号，并将每层的处理结果并行地作为下一层网络的输入。

进一步地，一种面向心律不齐分类的ecg信号处理方法，所述s4中使用二维卷积神经网络刻画ecg信号中不同波形成分的波动模式是指：使用结构相同的多个二维卷积神经网络并行地处理s3中得到的多个ecg子层信号，并得到每个子层信号属于不同心率不齐分型的概率。

进一步地，一种面向心律不齐分类的ecg信号处理方法，所述s5中对每个ecg子层信号属于不同心率不齐分型的概率进行融合，是指利用sumrule技术，将上述概率进行融合，最终确定原始ecg信号段(即未分解的)所属的心率不齐分型。

本发明的有益效果为：所述的ecg信号处理方法，可以从多个时频解析度对ecg信号进行分析，并分别利用sb-lstm和td-cnn从ecg子层信号中挖掘信号的整体波动模式和局部波动模式，最终使用sumrule对每个ecg子层的中间分类结果进行融合，获取更加准确、健壮的分类结果。该方法避免了人工分类所产生的个体间差异和个体内差异，能够获得稳定的分类结果，此外，该方法不需要借助任何专家知识、不需要手动设计各种特征、不需要进行特征选择处理、不需要单独构建分类器，是典型的端到端方法，具有使用便捷、分类精度高等特点。

附图说明

图1是本发明一种面向心律不齐分类的ecg信号处理方法总体流程示意图；

图2是本发明一种面向心律不齐分类的ecg信号处理方法实施例中基于ecg的心率不齐分类模型的结构示意图；

图3是本发明一种面向心律不齐分类的ecg信号处理方法实施例中所设计的sb-lstm结构示意图。

图4是本发明一种面向心律不齐分类的ecg信号处理方法实施例中所设计的sb-lstm中的lstm单元的结构示意图。

图5是本发明一种面向心律不齐分类的ecg信号处理方法实施例中所设计的td-lstm结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明的实施例及其附图，对本发明中的技术方案进行清楚、完整地描述。

如图1所示，一种面向心律不齐分类的ecg信号处理方法，包括以下步骤：

s1：对ecg进行r峰检测、心跳提取、数据平衡等预处理操作，得到格式统一的ecg信号段。

r峰是ecg信号中表征一次心跳的最明显标志，因此可以用r峰所在位置表示每一次心跳发生的时刻。在本发明实施例中，采用流行的pan-tompkins算法进行r峰检测。然后，以r峰所在时刻为中心，选取适当数量的采样点来代表当次心跳所对应的ecg信号段。鉴于本发明实施例中ecg信号的采样频率为360hz，而人体正常心率范围为60-100次/分，因此以r峰为中心选择256个采样点作为当次心跳所对应的ecg信号段，这样既可以最大程度保留当次心跳的主要信息，又避免混入相邻心跳的信息。然后，再对该256个采样点进行二次抽样(每4个采样点抽取一个)，使得每个心跳最终由64个采样点组成。由于正常心跳类型占全部心跳的绝大多数，因此需要对其余数量较少的心律不齐分型进行上采样操作。本发明实施例利用smote算法实现该上采样操作。具体地，首先对不同心律不齐分型进行聚类操作，然后随机地从数量较少的分型中挑选一个实例作为种子，并找到距离其最近的k个该类型实例(本例中k设为10，且以欧式距离作为距离度量方法)，从该k个实例所张成的空间中随机选择一点作为新合成的实例，重复该操作，直到该心律不齐分型的实例个数达到合适的数量，最终使得所有心律不齐分型的实例个数相等即可。

s2：对s1输出的ecg信号段进行小波分解操作，得到多个时频解析度下的ecg子层信号。

利用小波分解操作将ecg信号分解为若干ecg子层信号，从而可以从多个时频解析度中挖掘更多隐含信息，以提升最终的分类性能。本发明实施例中，采用dwt技术进行ecg信号分解。具体地，使用daubechiesd6(“db6”)作为小波基。由于本发明实施例中，每个心跳所对应的ecg信号已经转换为90hz，因此仅对每一个ecg信号段进行6层分解。其中，最后一次分解所得到的近似分量的频率范围为0-1.4.6hz。在重构ecg子层信号时，分别用第一至第六层细节分量的小波系数进行信号重构(其他分量的小波系数置为0)，分别得到6个ecg子层信号，记为d1，d2，d3，d4，d5，d6。于此同时，同时利用第一至第六层细节分量的小波系数进行信号重构(第六层近似分量的小波系数置为0，因为它的主要成分为信号噪音)，得到另一个ecg子层信号，记为d0。需要注意的是，d0，d1，d2，d3，d4，d5,d6的长度相同，均由64个采样点组成。

s3：利用多层双向长短时记忆神经网络，分别从s2输出的每个ecg子层进行中挖掘长时依赖关系，从而刻画ecg信号段的整体变化趋势。

本发明实施例中使用sb-lstm神经网络结构来挖掘每一个ecg子层信号中采样点之间的长期依赖关系，以刻画ecg信号段的整体波动模式。所设计的sb-lstm网络结构如图3所示，它由三层双向lstm构成。其中，上一层的输出作为下一层的输入，且保持上一层lstm的结果输出给下一层同方向lstm。每个lstm的内部结构如图4所示，它由三个门构成，即：忘记门、输入门及输出门。三个门相互作用，共同控制lstm状态的更新。其中，忘记门用来丢掉lstm之前状态中的无用信息；输入门决定当前应当给lstm状态添加哪些信息；输出门确定当前细胞应当将哪些信息作为lstm的最终状态。给定t时刻的输入向量xt，lstm的输出ht以及lstm的状态ct按照如下公式进行更新：

ft＝σ(wf·[ht-1，xt]+bf)

it＝σ(wi·[ht-1，xt]+bi)

ot＝σ(wo·[ht-1，xt]+bo)

ht＝ot⊙tanh(ct)

其中，[x,y]表示矩阵x与矩阵y的链接结果；wf,bf,wi,bi,wo及bo分别代表忘记门、输入门及输出门的权重和偏置项；σ表示激活函数，⊙表示矩阵按元素相乘操作；wc,bc分别表示与当前lstm的输入对应的中间输出结果、权重矩阵及偏置项。具体在实施时，每个lstm中的隐藏神经元个数设置为32个；s2中所得到的7个ecg子层信号(d0，d1，d2，d3，d4，d5，d6)分别并行地由1个sb-lstm进行处理，并最终得到7组输出(每个输出由前向输出结果和后向输出结果组成，其大小为64×64的矩阵)。

s4：利用二维卷积神经网络，从每个经过s3处理后的ecg信号子层中挖掘局部特征，以刻画ecg信号中不同波形成分的特点；并得到每个ecg子层信号属于不同心律不齐分型的概率。

本发明实施例中使用td-cnn神经网络结构来挖掘每一个ecg子层信号的局部特征，以刻画ecg信号中不同波形成分的波动模式。本发明实施例中所设计的td-cnn网络结构如图5所示，它由两个卷积层、一个最大值池化层(max-pooling)、一个平均池化层(avg-pooling)、两个全连接层组成。具体地，第一个卷积层拥有32个过滤器(filters)，每个过滤器的大小为4×4矩阵，且步长为2；max-pooling的接收域大小也为4×4，但步长为4；第二个卷积层的过滤器的个数设置为64个，以得到更高层的信号表示；max-pooling层的接收域大小及步长与max-pooling层相同；两个全连层所含的神经元个数分别设为32和5，并在最后一个全链接层之后添加一个softmax层，从而将网络输出结果转换成概率分布形式。计算时，将s3中所得到的7组输出结果分别并行地由1个td-cnn进行处理，最终得到7组结果，每个结果分别表示对应的ecg子层信号属于不同心律不齐分型的概率。

s5：将s4中每个ecg子层属于不同心律不齐分型的概率进行融合，从而得到该ecg信号段的最终分类结果。

在s4中得到了每个ecg子层信号分别属于不同心率不齐分型的概率(即中间结果)，为了更加准确地确定原始ecg信号段(即未进行分解的ecg信号)究竟属于哪种分型，需要对这些中间结果进行融合，得到最终的分类结果。本发明实施例中，使用sumrule技术进行中间结果融合。具体地，给定一个ecg子层信号xl(l＝1，2，…，n)(n表示子层的个数)，p(ωi|xl)(i＝1，2，3，4，5)表示xl属于ωi分型的概率(ω1,ω2,ω3,ω4和ω5分别表示5种心率不齐分型，即n、s、v、f和q)。最终，原始ecg信号段所属分型可以由以下公式确定：

在训练整个神经网络模型时，每个心率不齐分型使用one-hot格式进行编码，采用分类交叉熵函数计算网络的损失；使用leakyrelu作为网络中神经元的激活函数；使用adam优化器来更新网络中的各个参数；网络中的各种参数，如权重矩阵、偏置等均初始化为随机值；为了避免过拟合现象，本发明实施例使用下降学习率技术(学习率初始值为0.002，每1000次迭代，学习率下降为原来的90％)、l-2正则化技术(正则化强度设置为10^-4)、dropout技术(添加在二维卷积神经网络中的avg-pooling之后，且保持率设置为0.95)对网络进行处理；数据集按0.7:0.1：0.2的比例划分为训练集、验证集、测试集，每次训练以128个实例作为一个mini-batch，每100次迭代计算一次网络性能，整个数据集训练5遍，选择在测试集上性能最优的模型作为最终的模型。