1.基于卷积神经网络和循环神经网络结合的心电诊断方法,其特征在于,包括以下步骤:
s1、采集心电信号训练数据,并分别附上标签进行数据预处理;
s2、将预处理后的训练数据进行数据增强;
s3、构建由卷积神经网络和循环神经网络结合的联合神经网络模型,利用增强后的训练数据对联合神经网络模型进行训练,得到训练模型;
s4、获取目标心电信号,将目标心电信号输入训练模型进行计算,输出概率值;
s5、根据输出的概率值进行正负例判断,得出分类判断结果;
在步骤s3中,构建的联合神经网络模型结构的正向传播方向依次包括:
第一一维卷积层conv1d,输出通道为32,卷积核为15,strides为7,激活函数为relu,padding为valid;
第二一维卷积层conv1d,输出通道为64,卷积核为11,strides为3,激活函数为relu,padding为valid;
一维最大池化层maxpooling1d,池化核为2
第三一维卷积层conv1d,输出通道为128,卷积核为7,strides为2,激活函数为relu,padding为valid;
第一长短时记忆层lstm,输出通道为128;
第二长短时记忆层lstm,输出通道为256;
第三长短时记忆层lstm,输出通道为512;
随机失活层dropout,随机使一半的神经元失活;
第一全连接层dense,神经元数量为256,激活函数为relu;
第二全连接层dense,神经元数量为2,激活函数为softmax,输出该心电病例阴阳性的概率。
2.根据权利要求1所述的基于卷积神经网络和循环神经网络结合的心电诊断方法,其特征在于:在步骤s1中,采集的心电信号训练数据包含集至少600个病例数据,每个病例数据有5000个时间步和12个通道。
3.根据权利要求1所述的基于卷积神经网络和循环神经网络结合的心电诊断方法,其特征在于:在步骤s1中,对训练数据进行数据预处理的步骤包括:
s11、读取所有通道心电信号训练数据;
s12、构建多通道数据矩阵:将读取的多通道心电数据按照[time_step,channel]的矩阵形式排布,其中,time_step为时间步,也就是按照时间顺序的采样点数,channel为通道数;
s13、对数据矩阵进行数据归一化处理:在特征维度上,每个特征值都减去该时间步下所有特征的均值,然后再除以该时间步下所有特征的标准差;
s14、将归一化处理后的数据对应标签进行0-1编码:正例为1,负例为0。
4.根据权利要求3所述的基于卷积神经网络和循环神经网络结合的心电诊断方法,其特征在于:在步骤s23中,对数据矩阵进行数据归一化处理的公式为:
其中,fnew为归一化之后的特征值,fold为归一化之前的特征值,μ为该时间步下所有特征值的均值,σ为该时间步下所有特征值的标准差。
5.根据权利要求1所述的基于卷积神经网络和循环神经网络结合的心电诊断方法,其特征在于:在步骤s2中,对预处理后的训练数据进行数据增强的步骤包括:
s21、在时间步的维度上,将数据提前或者延后一个设定的范围;
s22、然后对数据添加高斯噪声;
s23、最后将数据的时序翻转。
6.根据权利要求1所述的基于卷积神经网络和循环神经网络结合的心电诊断方法,其特征在于:在步骤s3中,对联合神经网络模型进行训练的步骤包括:
s31、从训练数据中读取一个批量的心电样本数据;
s32、将样本数据输入联合神经网络模型中进行正向传播,得出预测概率;
s33、将预测概率与真实标签概率做交叉熵损失函数计算,得出平均损失值;
s34、将平均损失值通过梯度下降法逐层反向传播,进行参数更新;
s35、重复上述步骤s31至s34的过程,直到平均损失值降到标准范围。
7.根据权利要求6所述的基于卷积神经网络和循环神经网络结合的心电诊断方法,其特征在于:在步骤s33中,交叉熵损失函数计算公式为:
其中,loss为一个批量的平均损失值,n为一个批量的样本个数,yi为第i个样本的真实标签概率,
8.根据权利要求1所述的基于卷积神经网络和循环神经网络结合的心电诊断方法,其特征在于:在步骤s5中,根据输出的概率值进行正负例判断公式为:
其中,p为训练模型输出概率值,p0为正负例的分割阈值,取0.5。