法律状态公告日
法律状态信息
法律状态
2019-10-25
授权
授权
2019-05-10
实质审查的生效 IPC(主分类):A61B5/0402 申请日:20190128
实质审查的生效
2019-04-16
公开
公开
技术领域
本发明涉及ECG信号分类技术领域,具体涉及一种基于自编码模式的CNN与GRU 结合的心电信号分类方法。
背景技术
心电(ECG)信号是一种广泛用于反映潜在心脏状况的无创检测方法。心电信号是医生对病人心脏状况做出评价的最基本指标,但由于生理信号受到个体内部变化 的影响,例如,电极位置和噪声都会影响信号的波形,而且即使是健康受试者的 心电信号,在不同的情况下,QRS复合体、P波和R-R间隔的形状在不同的节拍 之间也不会是相同的,同类型的心律失常在相同患者的不同阶段之间的心电信号 很可能有明显变化,不同患者同种类型的心律失常在心电信号上的差异更大,这 对于人工判断来说是一项很大的挑战。
传统的心电信号分类方法,需要一定的信号先验知识或经常需要专家输入。这些限制了方法的应用,在对新受试者心电信号进行分类时,可能会遇到较大的变化, 使它们的准确性和效率往往差异很大。
发明内容
本发明为了克服以上技术的不足,提供了一种节省空间、易于计算、提高训练效率的基于自编码模式的CNN与GRU结合的心电信号分类方法。
本发明克服其技术问题所采用的技术方案是:
一种基于自编码模式的CNN与GRU结合的心电信号分类方法,包括如下步骤:
a)选择MIT-BIH心律失常库作为数据库,使用该数据库中的导联Ⅱ信号作为实验所需的数据;
b)利用计算机对原始的ECG信号用宽度为200ms的中值滤波器去除原始的ECG 信号中的P波、QRS波,利用宽度为600ms的中值滤波器去除原始的ECG信号中 的T波,利用原始的ECG信号减去利用中值滤波器已经去除的P波、QRS波和T 波后所剩的ECG信号,得到去除基线漂移后的ECG信号;
c)计算机对去除基线漂移后的ECG信号使用截止频率为35HZ的低通滤波器进行处理,去除信号中所含有的高频噪声,得到实验所需要的ECG信号数据;
d)计算机读取MIT-BIH心律失常库中的R峰值,得到N个R峰,去除第一个R 峰和第N个R峰,中间的N-2个R峰中每一个R峰的前一个相邻的R峰与其后一 个相邻的R峰之间距离的1/2作为一个心拍,得到N-2个心拍,对N-2个心拍进 行降采样处理;
e)计算机计算N-2个R峰中每一个R峰与前一个相邻的R峰之间的距离pre-RR, 计算N-2个R峰中每一个R峰与后一个相邻的R峰之间的距离post-RR,计算在 10s内通过滑动R峰窗口得到的所有R峰中每两个相邻的R峰间隔的平均值 local-RR,计算在5min内通过滑动R峰窗口得到的所有R峰中每两个相邻的R 峰间隔的平均值global-RR,将pre-RR、post-RR、local-RR及global-RR拼接 成54维的矩阵输入模型;
f)以矩阵[N,Len]的形式传入矩阵输入模型,N表示样本数据个数,Len为每个 样本数据的维度,根据公式
g)计算机使用Batch Normalization算法对N*W1进行规范化计算;
h)进入卷积网络的池化层,通过公式 i)进入第二个卷积层,使用Batch Normalization算法和池化层对第二个卷积 层结果进行归一化处理,归一化处理后利用池化层降维,得到第二个卷积层计算 输出结果W3; j)进入神经网络的GRU层,通过公式rt=σ(Wrxt+Urht-1)计算重置门rt,>t为t时刻隐藏层输入的ECG信号,ht-1为时刻t的前一个时间点输出的ECG>r为reset门的权值,Ur为t时刻的前一时刻隐藏层reset门的权值,>t=σ(Wzxt+Uzht-1)计算更新门zt,其中Wz为update>z为t时刻的前一个时间点隐藏层update门的权值,通过公式>计算最终输出结果ht,其中 k)在ECG信号解码时采用卷积神经网络处理,采用两层卷积层,两层UpSampling1D层对编码的ECG信号进行解码; l)在卷积神经网络中添加一个Dense层,使用softmax激活函数对解码后的ECG 信号进行分类; m)使用categorical_crossentropy多分类交叉熵函数计算损失; n)使用Adam优化函数优化GRU模型参数; o)保存模型参数,运行结束。 进一步的,步骤d)中利用插值法对N-2个心拍进行降采样处理,降成50维。 进一步的,步骤g)中对N*W1进行规范化计算时采用ReLU激活函数。 进一步的,步骤j)中GRU层所使用的激活函数是ReLU。 进一步的,步骤l)中ECG信号分成五类。 本发明的有益效果是:通过提取出原始信号中最具有代表性的特征,运用 CNN+GRU进行特征提取,节省了空间,节省了很多训练空间,其中采用的GRU(门 控循环单元)一方面解决了由于RNN训练时出现的梯度消失和梯度爆炸的问题, 另一方面它比LSTM少一个门,更易于计算,能够提高训练效率,GRU优点在于 当训练样本少时,可以使用防止过拟合,当训练样本多时,也可以节省很多的训 练时间,能够提高网络的学习效率和心电信号识别的精度。
具体实施方式
下面对本发明做进一步说明。
一种基于自编码模式的CNN与GRU结合的心电信号分类方法,包括如下步骤:
a)选择MIT-BIH心律失常库作为数据库,使用该数据库中的导联Ⅱ信号作为实验所需的数据;
b)利用计算机对原始的ECG信号用宽度为200ms的中值滤波器去除原始的ECG 信号中的P波、QRS波,利用宽度为600ms的中值滤波器去除原始的ECG信号中 的T波,利用原始的ECG信号减去利用中值滤波器已经去除的P波、QRS波和T 波后所剩的ECG信号,得到去除基线漂移后的ECG信号;
c)计算机对去除基线漂移后的ECG信号使用截止频率为35HZ的低通滤波器进行处理,去除信号中所含有的高频噪声,得到实验所需要的ECG信号数据;
d)计算机读取MIT-BIH心律失常库中的R峰值,得到N个R峰,去除第一个R 峰和第N个R峰,中间的N-2个R峰中每一个R峰的前一个相邻的R峰与其后一 个相邻的R峰之间距离的1/2作为一个心拍,得到N-2个心拍,对N-2个心拍进 行降采样处理;
e)计算机计算N-2个R峰中每一个R峰与前一个相邻的R峰之间的距离pre-RR, 计算N-2个R峰中每一个R峰与后一个相邻的R峰之间的距离post-RR,计算在 10s内通过滑动R峰窗口得到的所有R峰中每两个相邻的R峰间隔的平均值 local-RR,计算在5min内通过滑动R峰窗口得到的所有R峰中每两个相邻的R 峰间隔的平均值global-RR,将pre-RR、post-RR、local-RR及global-RR拼接 成54维的矩阵输入模型;
f)以矩阵[N,Len]的形式传入矩阵输入模型,在编码阶段进行CNN-GRU组合的模型训练,N表示样本数据个数,Len为每个样本数据的维度,根据公式 g)计算机使用Batch Normalization算法对N*W1进行规范化计算; h)进入卷积网络的池化层,通过公式 i)进入第二个卷积层,使用Batch Normalization算法和池化层对第二个卷积 层结果进行归一化处理,归一化处理后利用池化层降维,得到第二个卷积层计算 输出结果W3; j)进入神经网络的GRU层,GRU层分别有更新门和重置门两个门,通过公式 rt=σ(Wrxt+Urht-1)计算重置门rt,rt用来计算候选隐藏层即当前时>中保留了多少前一时刻隐藏层ht-1的信息,式中xt为t时刻隐藏层输入的>t-1为时刻t的前一个时间点输出的ECG信号,Wr为reset门的>r为t时刻的前一时刻隐藏层reset门的权值,通过公式zt=σ(Wzxt+Uzht-1)计算更新门zt,zt用来决定前一个时间点隐藏层>t-1忘记多少信息,并且加入多少信息是属于候选隐藏层 k)在ECG信号解码时采用卷积神经网络处理,采用两层卷积层,两层UpSampling1D层对编码的ECG信号进行解码; l)在卷积神经网络中添加一个Dense层,使用softmax激活函数对解码后的ECG 信号进行分类; m)使用categorical_crossentropy多分类交叉熵函数计算损失; n)使用Adam优化函数优化GRU模型参数; o)保存模型参数,运行结束。 通过提取出原始信号中最具有代表性的特征,运用CNN+GRU进行特征提取,节省了空间,节省了很多训练空间,其中采用的GRU(门控循环单元)一方面解决了 由于RNN训练时出现的梯度消失和梯度爆炸的问题,另一方面它比LSTM少一个 门,更易于计算,能够提高训练效率,GRU优点在于当训练样本少时,可以使用 防止过拟合,当训练样本多时,也可以节省很多的训练时间,能够提高网络的学 习效率和心电信号识别的精度。 步骤d)中利用插值法对N-2个心拍进行降采样处理,降成50维。 步骤g)中对N*W1进行规范化计算时采用ReLU激活函数。 步骤j)中GRU层所使用的激活函数是ReLU。 步骤l)中ECG信号分成五类。
机译: 基于1D-CNN的分布式光纤传感信号特征学习与分类方法
机译: 一种基于心电图信号控制磁共振设备测量的方法
机译: “一种制备针对狂犬病疫苗的药物组合物的方法,其中基于狂犬病病毒糖蛋白基因的DNA疫苗包括与C末端和辅助物的LAMP-1信号序列相结合的病毒。”