一种基于改进的EfficientNet的心律失常分类方法

一种基于改进的efficientnet的心律失常分类方法
技术领域
1.本发明属于ecg分类技术领域，具体涉及一种基于改进的efficientnet的心律失常分类方法。


背景技术：

2.2020年中国心血管健康与疾病报告显示我国心血管疾病(cardiovasculardiseases,cvd)的发病率一直在上升，且发病人群的年龄也越趋年轻化；城乡居民中因心血管疾病引起死亡率，农村为46.66％，城市为43.81％。心律失常是心血管疾病中重要的一组疾病，其早期检测对预防心血管疾病、及早介入治疗具有重要的意义。心律失常确诊大多要靠心电信号(ecg)，通过分析心电信号对心律失常进行分类成为研究热门。
3.传统的基于ecg的心律失常分类主要依靠特征提取。随着深度学习的快速发展，研究者们从人为的挑选特征转移到通过改变深度神经网络结构去实现特征的自动提取与分类。2018年，有人采用卷积的方法第一次将一维心电信号转化成二维图像，并融合了时域特征来进行分类，实现了五种心律失常类型的分类。2019年，也有人通过短时傅里叶变换将心电信号转换为时频谱图，利用二维卷积神经网络，实现了五种心律失常类型的分类，对比一维训练的准确率有了巨大提升，可以看出二维图片的训练效果好。2020年，有人基于时频谱熵提前心电信号特征，输入到卷积神经网络，实现了五种心律失常类型的分类；同年也有陈敏等人利用格拉姆角场变换将一维信号转换为二维信号，结合迁移卷积神经网络也实现了五种心律失常类型的分类。上述将一维ecg信号转为二维信号，并利用神经网络进行分类，取得了较好的效果，但是大多数卷积网络结构中需要人工调整参数，且迭代次数较多，整个过程复杂耗时，对设备要求也较高；此外，参与心律失常分类的类型较少。


技术实现要素：

4.本发明的目的是为了提出了一种将一维心电信号转化成二维图像的预处理方法，并利用efficientnet-b0网络具有迁移学习能力，训练速度快，效率高，且不需要人工调节网络参数等优势，将其进行改进，从而应用到心律失常分类中。
5.本发明的目的是通过以下技术方案实现的：
6.本发明的一种基于改进的efficientnet的心律失常分类方法，该方法的具体步骤如下：
7.步骤1、从mit-bih心律失常数据库中读取心电信号数据，并对每份心电信号数据进行动态分割，得到心拍切片数据集；
8.步骤2、将每份心拍切片数据利用plot函数进行波形处理得到波形图，再利用腐蚀函数进行去噪处理得到去噪后的波形图，然后将去噪后的波形图转存为224
×
224的心电信号图；
9.步骤3、将所述步骤2得到的心电信号图的数据集分为训练集和验证集；
10.步骤4、建立基于efficientnet-b0网络模型的网络模型，将efficientnet-b0网络模型的mbconv6结构中x和y特征的加法模块替换为可调整x和y特征分配比例的注意力特征融合模块(aff)，得到改进的efficientnet-b0网络模型；
11.步骤5、将所述步骤3中的训练集中的心电信号图作为输入，对应心律失常类型作为输出，对步骤4构建的改进的efficientnet-b0网络模型进行训练；然后将所述步骤3中的验证集中的心电信号图作为输入，对应心律失常类型作为输出，将输出值与图像的实际标签比较计算得到模型准确率；重复上述过程，选取准确率最高的模型作为心律失常分类模型；
12.步骤6、采集待测病人的心电信号数据进行步骤1的动态分割和步骤2的波形处理和去噪处理后，转存为224
×
224的待检测心电信号图；将待检测的心电信号图输入到心律失常分类模型，输出待测病人心律失常类型。
13.进一步的，所述步骤1中对心电信号数据的动态分割方法为：以r峰为分界点，往左边延伸n个点，往右边延伸n个点对心电信号数据进行截取，其中n的取值范围80～100，保证分割后的心拍数据包含p波、qrs波和t波。
14.所述步骤2中波形处理后的波形图，其横坐标为截取的心拍切片数据两边延伸的2n个点，纵坐标为心电信号幅值。
15.所述步骤3中心电信号图的数据集包括心电信号图和每个心电信号图所对应的心律失常类型标注信息，其中标注信息包含正常搏动(nor)、室性早搏(pvc)、起搏心跳(pab)、右束支传导阻滞(rbbb)、左束支传导阻滞(lbbb)、房性早搏(apc)、室扑(vfw)，和心室逸搏(veb)。
16.所述步骤3中训练集和验证集的数量比为9:1。
17.所述步骤4中aff的公式为其中，x,y为两个特征，并且y代表感受野更大的特征；z为x与y融合之后的特征；是对输入的两个特征x,y先做初始特征融合，其公式表达为其中m函数为多尺度注意力模块函数。
18.有益效果
19.本发明的心律失常分类方法，解决了现有技术中对数据量较少的疾病分类准确度低的问题。对mit-bih心律失常数据库中的8种ecg信号类型进行了心律失常分类实验，分类准确率较高。将一维ecg信号转换为二维图像信号，充分利用信号的时空特性。结合改进的efficientnet-b0网络对心电信号进行分类，具有一定的可行性，分类准确率相对较高。
附图说明
20.图1为本发明心律失常分类方法的流程示意图；
21.图2为本发明心律失常分类方法中心电信号数据的动态分割示意图；
22.图3为本发明心律失常分类方法中改进的mbconv6结构示意图；
具体实施方式
23.为了更为具体地描述本发明，下面结合附图及实施例对本发明的技术方案进行详
细说明。
24.实施例
25.一种基于改进的efficientnet的心律失常分类方法，其流程示意图如图1所示，该方法的具体步骤如下：
26.步骤1、从mit-bih心律失常数据库中读取心电信号数据，对每份心电信号数据进行动态分割，得到心拍切片数据集；
27.对心电信号数据的动态分割方法为：以r峰为分界点，往左边延伸m1个点，往右边延伸吗2个点对心电信号数据进行截取，其中m1、m2均取值90，保证分割后的心拍数据包含p波、qrs波和t波；心电信号数据的动态分割示意图，如图2所示；
28.步骤2、将每份心拍切片数据利用plot函数进行波形处理得到波形图，再利用腐蚀函数进行去噪处理得到去噪后的波形图，然后将去噪后的波形图转存为224
×
224的心电信号图；
29.其中，波形处理后的波形图，其横坐标为截取的心拍切片数据两边延伸的m1+m2个点，纵坐标为心电信号幅值；
30.步骤3、将所述步骤2得到的心电信号图的数据集分为训练集和验证集；
31.心电信号图的数据集包括心电信号图和每个心电信号图所对应的心律失常类型标注信息，其中标注信息包含正常搏动(nor)、室性早搏(pvc)、起搏心跳(pab)、右束支传导阻滞(rbbb)、左束支传导阻滞(lbbb)、房性早搏(apc)、室扑(vfw)，和心室逸搏(veb)；
32.训练集和验证集的数量比为9:1；
33.步骤4、建立基于efficientnet-b0网络模型的网络模型，将efficientnet-b0网络模型的mbconv6结构中的加法模块替换为aff，得到改进的efficientnet-b0网络模型；
34.其中，改进的mbconv6结构，如图3所示，
35.aff的公式为其中，x,y为两个特征，并且y代表感受野更大的特征；z为x与y融合之后的特征；是对输入的两个特征x,y先做初始特征融合，其公式表达为其中m函数为多尺度注意力模块函数；
36.步骤5、将所述步骤3中的训练集中的心电信号图作为输入，对应心律失常类型作为输出，对步骤4构建的改进的efficientnet-b0网络模型进行训练；然后将所述步骤3中的验证集中的心电信号图作为输入，对应心律失常类型作为输出，将输出值与图像的实际标签比较计算得到模型准确率；重复上述过程，选取准确率最高的模型作为心律失常分类模型；
37.步骤6、采集待测病人的心电信号数据进行步骤1的动态分割和步骤2的波形处理和去噪处理后，转存为224
×
224的待检测心电信号图；将待检测的心电信号图输入到心律失常分类模型，输出待测病人心律失常类型。