一种基于质量评估和深度迁移学习的心电身份识别方法

文档序号:31054106发布日期:2022-08-06 10:37阅读:来源:国知局

技术特征:
1.一种基于质量评估和深度迁移学习的心电身份识别方法,其特征在于包括以下步骤:步骤一:构建基于svm的心电信号质量评估分类模型,对心电信号进行质量等级分类;所述信号质量等级分类包括“合格”信号、“可疑”信号、“差”信号三类;步骤二:基于小波变换去噪算法对“可疑”信号进行处理,获得消噪后的“合格”信号;具体是:选取合适的小波基函数和分解尺度对“可疑”信号进行小波变换分解;然后对每一个分解层进行阈值去噪处理;最后再将每一个分解层经过去噪处理后的信号进行信号重构,从而得到干净的心电信号;步骤三:对步骤一“合格”信号和步骤二消噪后的“合格”信号进行广义s变换生成ecg轨迹图;步骤四:对改进后的googlenet网络二次迁移学习构建深度迁移识别网络模型,并利用其实现基于心电信号的个体身份识别;具体是:所述深度迁移网络模型采用googlenet网络作为基本框架,并对原始googlenet网络模型进行二次改进和优化,从而构建基于心电信号的身份识别模型;所述googlenet网络共有22个卷积层,其中9个inception模块用来提升网络结构的深度和宽度;具体为:第一层卷积层使用7
×
7的卷积核,再经过3
×
3的最大池化层和1
×
1的卷积层进行降维输出;第二层卷积层使用3
×
3的卷积核,再经过3
×
3卷积的最大池化层输出;第三层为两个inception模块3a-3b;第四层为五个inception模块4a-4e,将第三层两个inception模块3a-3b的输出作为第四层的输入;第五层为两个inception模块5a-5b,将第四层五个inception模块4a-4e的输出作为第五层的输入完成卷积操作;第六层为模型输出层;模型训练过程中,首先对原始googlenet网络模型进行优化完成第一次迁移学习,具体为将原始googlenet网络模型的inception模块中的一个5
×
5大卷积层更改为两个串联的3
×
3的小卷积层,优化后的网络模型在增加原始网络模型深度的同时又减少了模型参数的计算量;将心律正常心电信号经过步骤1-3处理后的频域轨迹图作为第一次迁移学习模型的输入进行训练,得到第一次迁移学习训练后的模型googlenet-t1;然后对第一次迁移学习后的模型googlenet-t1部分网络层采用冻结加微调的技术进行参数更新构建第二次迁移学习模型googlenet-t2,将心律异常心电信号经过步骤1-3处理后的频谱轨迹图作为第二次迁移学习模型的输入进行异常心律心电信号的识别训练,最终得到训练好的深度迁移网络模型;所述冻结网络层为将第一次迁移学习模型googlenet-t1中前三层,即包含第一层的7
×
7卷积核和3
×
3池化层、第二层的3
×
3卷积核和3
×
3池化层和第三层的inception模块3a-3b进行固定的技术,冻结后的网络层在模型训练过程中不会进行参数的更新,主要用于提取心电信号的相同特征,从而减小模型识别训练时间;所述微调层为对第一次迁移学习模型googlenet-t1中的第四层和第五层,主要包含inception模块4a-4e和inception模块5a-5b的卷积层进行参数更新,用于提取心电信号的细节特征。2.如权利要求1所述的一种基于质量评估和深度迁移学习的心电身份识别方法,其特
征在于步骤一所述心电信号质量评估分类模型包括质量评估指数计算层、svm分类器;所述质量评估指数计算层通过对心电信号的波形特性和噪声含量进行分析,提取出心电信号的8个质量评估指数:(1)qrs波形清晰指数sqi1使用两个对噪声敏感度不同的噪声检测器对同样一段qrs波群进行检测,分别得出两者检测到的心拍个数ne和nw;将sqi1定义为两者检测出的心拍个数的比值:(2)偏度sqi2其中,代表信号x的均值,σ是信号x的标准差,n代表心电信号的采样点数;(3)峰度sqi3其中,x
i
为信号x第i个峰值测量值,代表信号x的均值,σ是信号x的标准差;(4)功率谱分布指数sqi4其中,f表示频率,p(f)表示信号在该频率下的功率;(5)基线偏移指数sqi5其中,f表示频率,p(f)表示信号在该频率下的功率;(6)qrs波能量指数sqi6其中,er
i
表示qrs波群的能量,i表示检测的qrs波群,ea表示整个心电片段的总能量;(7)rr间期稳定指数sqi7其中,和分别代表心电信号在rr间期内的标准差和均值;(8)纯度sqi8其中,w
n
表示n阶谱矩,p(e
jw
)表示整个心电片段的功率谱;所述svm分类器通过对计算层输出的8个心电信号质量评估指数特征进行训练,完成对原始心电信号的质量等级分类。3.如权利要求1所述的一种基于质量评估和深度迁移学习的心电身份识别方法,其特
征在于步骤三基于广义s变换的时频域分析算法实现将一维的心电信号转换为二维的心电信号频域轨迹图片作为深度迁移学习网络模型的输入,具体是:

时频域变换;引入两个参数λ和ρ来调整窗函数g(t)的窗宽和幅度,进而改变信号的时间分辨率和频率分辨率,实现多分辨率分析;信号x(t)的广义s变换表示如下:其中,τ为时移因子;广义s变换的窗函数和小波基函数分别如下:其中,τ为时移因子;广义s变换的窗函数和小波基函数分别如下:设定参数保证获得最佳准确率的合适窗函数;信号x(t)经上述(9)式的gst处理,得到复数矩阵s,如下式(12)所示,包含实部和虚部;其中n代表频率大小,m代表时间点;

取复数矩阵s中每个数据的实部作为横坐标、虚部为纵坐标,绘制每个时间点的ecg轨迹;生成的ecg轨迹再通过matlab中的getframe函数将坐标轴捕获为影片帧,获得一个时间点的心电信号频域轨迹图,将其作为深度学习网络层的输入。4.如权利要求1所述的一种基于质量评估和深度迁移学习的心电身份识别方法,其特征在于所述深度迁移网络模型中inception模块包括2个卷积层和4个分支,不同分支采用不同尺度的卷积核来进行处理,依次为64个1
×
1的卷积核、96个1
×
1的卷积核作为3
×
3卷积核的输入降维、16个1
×
1卷积核作为5
×
5卷积核的输入降维、最后为3
×
3卷积核的池化层输出并经过32个1
×
1卷积核进行降维,对这四个输出结果进行并联处理后作为输出结果。5.如权利要求1或4所述的一种基于质量评估和深度迁移学习的心电身份识别方法,其特征在于所述深度迁移网络模型中输出层由一个7
×
7的平均卷积层、一个全连接层和一个softmax分类器组成,将inception模块5a-5b的输出作为7
×
7平均卷积层的输入进行数据降维,最后进行全连接完成特征分类。6.实现权利要求1-5任一项所述方法的心电身份识别系统,其特征在于包括:心电信号质量评估分类模块,利用基于svm的心电信号质量评估分类模型,对心电信号进行质量等级分类;预处理模块,用于对心电信号质量评估分类模块获取的“可疑”信号进行小波变换去噪算法处理,获得消噪后的“合格”信号;ecg轨迹图生成模块,用于对心电信号质量评估分类模块获取的“合格”信号和预处理模块消噪后的“合格”信号进行广义s变换生成ecg轨迹图;
心电信号身份识别模块,利用已训练好的深度迁移网络模型对ecg轨迹图生成模块处理后的数据进行心电信号的身份识别。

技术总结
本发明公开一种基于质量评估和深度迁移学习的心电身份识别方法。首先,提出基于SVM的心电信号质量评估算法,对原始心电信号进行三种不同质量等级的分类;其次,提出基于小波变换去噪算法对“可疑”信号进行去噪处理,从而获得去噪后的“合格”信号;然后,利用广义S变换对“合格”信号和去噪后的“合格”信号进行时频域分析将一维心电信号转化为二维ECG轨迹图作为模型输入;最后,通过对原始GoogleNet网络模型的改进和优化,构建基于GoogleNet的二次深度迁移识别模型;选用网络层较深的GoogleNet模型进行基于心电信号的迁移学习识别训练,在提高识别准确率的同时也减少了识别认证时间。高识别准确率的同时也减少了识别认证时间。高识别准确率的同时也减少了识别认证时间。


技术研发人员:赵治栋 王雪婷 张烨菲 张晓红 苗春雨
受保护的技术使用者:杭州电子科技大学
技术研发日:2022.04.06
技术公布日:2022/8/5
当前第2页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1