一种基于自编码模式的CNN与GRU结合的心电信号分类方法

摘要

一种基于自编码模式的CNN与GRU结合的心电信号分类方法，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。

说明书

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，根据公式计算第一层卷积层的矩阵 尺寸W₁，F为卷积核的大小，s为卷积核的移动幅度，P为零填充边界宽度；

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，通过公式计算降维后的矩阵大小W₂，其中M>

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r_t＝σ(W_rx_t+U_rh_t-1)计算重置门r_t，>t为t时刻隐藏层输入的ECG信号，h_t-1为时刻t的前一个时间点输出的ECG>r为reset门的权值，U_r为t时刻的前一时刻隐藏层reset门的权值，>t＝σ(W_zx_t+U_zh_t-1)计算更新门z_t，其中W_z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h_t，其中式中U为t时刻前一个时间点隐藏层的权 重，W为候选隐藏层的权值，完成ECG信号编码；

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，根据公式计算第一层卷积层的矩阵尺寸W₁，F为卷积核的大小，>

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，通过公式计算降维后的矩阵大小W₂，其中M>

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 r_t＝σ(W_rx_t+U_rh_t-1)计算重置门r_t，r_t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h_t-1的信息，式中x_t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，W_r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z_t＝σ(W_zx_t+U_zh_t-1)计算更新门z_t，z_t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的，其中W_z为>z为t时刻的前一个时间点隐藏层update门的权值，通过>计算最终输出结果h_t，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。

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。