计算函数，树-)是激励函数。 为卷积单元计算函数，表达式均为fsub (Iot(X))，唯一区别是计算权值不同，fC0V为卷积函 数，fsub为降维函数，具体计算公式如下：
[0031]
[0032] 此处设卷积核的尺寸为IXPi, _表示"第i层第j个特征面"指向"第i-i层 第m个特征面"的核权值，表示"第H层第m个特征面"位置是（x+p)的神经元输出 值，I^ij表示第i层第j个特征面的偏置。
[0033] 参阅图3所示，是本发明心电图分类系统的硬件架构图。该系统包括相互电性连 接的预处理模块、平移模块、加噪模块及分类模块。
[0034] 所述预处理模块用于对原始心电图波形进行滤波及下采样。具体而言，首先进行 滤波，并下采样为feqHz，接着跳过开始skipN个点，取中间连续Nl个点的数据作为输入数 据，且仅保留8个基本导联的心电数据，即II、III、VI、V2、V3、V4、V5、V6导联。在本实施 例中，feq取 200,skipN取 25,Nl取 1900。
[0035] 所述平移模块用于对滤波及下采样后的心电数据进行平移起始点操作。具体而 言：
[0036] 在维数为8XN1的心电数据中选取起始点位置，取值区间为[1，offset]。在训练 阶段，随机选取起始点，但必须保证每个导联的起始点相同；而在测试阶段，起始点均为1， 然后从起始点开始，选取连续N2=Nl-〇fTSet个点作为步骤S404的输入数据。在本实施例 中，offset取 200,则N2 为 1700。
[0037] 所述加噪模块用于在训练阶段对平移起始点后的心电数据进行加噪处理，在测试 以及实际分类时，则跳过本模块。具体如下：
[0038] 训练阶段，将维数为8XN2的心电数据进行加噪处理，对所述心电数据叠加随机 噪声。所述叠加的随机噪声包含幅度为〇~Al的0~HHz(本实施例中Al为0.lmV，H 为0. 2)低频噪声，幅度为0~A2的f2~f3Hz(本实施例中A2为0. 15mV，f2为45,f3为 90)高频噪声以及幅度为0~A3 (本实施例中A3为0.ImV)的白噪声。
[0039] 所述分类模块用于对所述心电数据进行识别与分类。具体而言：
[0040] 由LCNN进行维数为8XN2的心电数据识别与分类。LCNN的具体结构(请参阅 图2)为：每个导联均通过三个不同的卷积单元Ai、Bi、Ci(I<i< 8)，不同导联的卷 积单元互不相干，共有24个卷积单元；每个卷积单元包括多个卷积层和取样层；不同 导联的三个卷积核结构（[F1，1，1，C1]，[F2，F1，1，C2]，[F3，F2, 1，C3])、三个取样核结构 ([1，M1]，[1，M2]，[1，M3])、三个特征面数（F1，F2，F3)可相同，也可不同；最后由全连接层 汇总所有导联的信息，交由SLR层进行识别与分类。所述SLR层是多层感知器逻辑回归层 (LR层）的特例，仅限于二分类问题；对于多分类问题，可采用LR层。本实施例为正异常分 类，采用SLR层。图2中ID-Cov表示1维卷积计算。
[0041] LCNN具体计算过程为：假设输入样本为x=[xl，x2,…，x8]，其中xi(l彡i彡8)为 第i通道的数据，则：
[0042]
[0043] 其中，gD是全连接层计算函数，gE是SLR层计算函数，-(')是激励函数。@4，心,，&: 为卷积单元计算函数，表达式均为fsub (Iot(X))，唯一区别是计算权值不同，fC0V为卷积函 数，fsub为降维函数，具体计算公式如下：
[0044]
[0045] 此处设卷积核的尺寸为IXPi, 表示"第i层第j个特征面"指向"第i_l层 第m个特征面"的核权值，表示"第H层第m个特征面"位置是（x+p)的神经元输出 值，I^ij表示第i层第j个特征面的偏置。
[0046] 虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理 解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明 的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保 护范围之内。
【主权项】
1. 一种心电图分类方法，其特征在于，该方法包括如下步骤： a. 对原始心电图波形进行滤波及下采样； b. 对滤波及下采样后的心电数据进行平移起始点操作； c. 采用导联卷积神经网络对所述心电数据进行识别与分类。2. 如权利要求1所述的方法，其特征在于，所述b步骤与所述c步骤之间包括： 在训练阶段对平移起始点后的心电数据进行加噪处理的步骤。3. 如权利要求1所述的方法，其特征在于，所述步骤a仅保留II、III、VI、V2、V3、V4、 V5、V68个基本导联的心电数据。4. 如权利要求2所述的方法，其特征在于，所述的加噪处理为对所述心电数据叠加包 含低频噪声、高频噪声及白噪声的随机噪声。5. 如权利要求4所述的方法，其特征在于，所述的导联卷积神经网络的结构包括：导 联、用于汇总所有导联的信息的全连接层、用于进行识别与分类的SLR层，其中，每个所述 导联包括三个不同的卷积单元Ai、Bi、Ci (I < i < 8)，每个卷积单元包括多个卷积层和取 样层。6. -种心电图分类系统，其特征在于，该系统包括相互电性连接的预处理模块、平移模 块及分类模块，其中： 所述预处理模块用于对原始心电图波形进行滤波及下采样； 所述平移模块用于对滤波及下采样后的心电数据进行平移起始点操作； 所述分类模块用于通过导联卷积神经网络对所述心电数据进行识别与分类。7. 如权利要求6所述的系统，其特征在于，该系统还包括加噪模块，用于在训练阶段对 平移起始点后的心电数据进行加噪处理。8. 如权利要求6所述的系统，其特征在于，所述预处理模块仅保留II、III、V1、V2、V3、 V4、V5、V68个基本导联的心电数据。9. 如权利要求7所述的系统，其特征在于，所述的加噪处理为对所述心电数据叠加包 含低频噪声、高频噪声及白噪声的随机噪声。10. 如权利要求9所述的系统，其特征在于，所述的导联卷积神经网络的结构包括：导 联、用于汇总所有导联的信息的全连接层、用于进行识别与分类的SLR层，其中，每个所述 导联包括三个不同的卷积单元Ai、Bi、Ci (I < i < 8)，每个卷积单元包括多个卷积层和取 样层。
【专利摘要】本发明涉及一种心电图分类方法，包括如下步骤：对原始心电图波形进行滤波及下采样；对滤波及下采样后的心电数据进行平移起始点操作；导联卷积神经网络对所述心电数据进行识别与分类。本发明还涉及一种心电图分类系统。本发明能够提高分类的准确率，并减少中间环节对最终分类性能的影响。
【IPC分类】A61B5/0402
【公开号】CN104970789
【申请号】CN201410135392
【发明人】金林鹏, 董军
【申请人】中国科学院苏州纳米技术与纳米仿生研究所
【公开日】2015年10月14日
【申请日】2014年4月4日