一种基于复合LSTM结构的ECG信号分类方法

摘要

本发明涉及医疗信息检测领域，更具体而言，涉及一种基于复合LSTM结构的ECG信号分类方法，包括：数据采集，获取MIT‑BIH心律失常数据集，并将其转换为矩阵形式；数据预处理，对转换后的MIT‑BIH心律失常数据集进行预处理，预处理包括去噪、QRS波峰值检测和对心跳信号进行分割；数据集构建和划分，基于预处理后的数据构建标准长度的数据集，并将重构的数据集转换为ONE‑HOT形式；将数据集划分为训练集、验证集与测试集；学习模型构建，构建基于CNN网络和特征融合LSTM网络的深度学习模型，并采用训练集对该模型进行训练；ECG信号分类，基于从ECG信号中提取的特征信息采用深度学习模型对ECG信号进行分类。本发明具有识别速度快、识别准确率高和识别稳定可靠的优点。

说明书

技术领域

本发明涉及医疗信息检测领域，更具体而言，涉及一种基于复合LSTM结构的ECG信号分类方法。

背景技术

对于某些类型的心律失常，通常采用人工分析ECG信号进行诊断，因为异常并不经常出现，人工诊断工作量巨大且对医师专业水平要求较高，容易受到外界因素干扰，现有的ECG(心电)信号分类方法大多使用单一的递归神经网络模型，比如LSTM和GRU，但这些模型无法对这种长序列提取准确的特征。还有一些其他方法利用了一维卷积神经网络(CNN)，比如ResNet或其变体，但它们不能很好地利用ECG信号中的多导联信息。

因此，有必要对现有技术进行改进。

发明内容

为了克服现有技术中存在的不足，提供一种无需人工进行特征提取，识别速度极快，可以对ECG信号进行有效的识别分类的基于复合LSTM结构的ECG信号分类方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于复合LSTM结构的ECG信号分类方法，包括：

S1、数据采集，获取MIT-BIH心律失常数据集，并将其转换为矩阵形式；

S2、数据预处理，对转换后的MIT-BIH心律失常数据集进行预处理，预处理包括去噪、QRS波峰值检测和对心跳信号进行分割；

S3、数据集构建和划分，基于预处理后的数据构建标准长度的数据集，并将重构的数据集转换为ONE-HOT形式；将数据集划分为训练集、验证集与测试集；

S4、学习模型构建，构建基于CNN网络和特征融合LSTM网络的深度学习模型，并采用训练集对该模型进行训练，用于对ECG信号进行特征提取；

S5、ECG信号分类，基于从ECG信号中提取的特征信息采用深度学习模型对ECG信号进行分类。

进一步的，所述S2中，数据预处理包括：对MIT-BIH心律失常数据集采用均值滤波，并将信号阈值的幅度降低到零级，用于消除数据中的直流噪声；对MIT-BIH心律失常数据信号进行归一化来消除高低频噪声，将数据被调整到范围[-1,1]内，归一化方式如下：

其中，x′

进一步的，所述S3中，将重构的数据集转换为ONE-HOT形式，其中，N-正常搏为[1,0,0,0,0]、SVP-室上早搏为[0,1,0,0,0]、PVC-室性早缩搏为[0,0,1,0,0]、FVN-心室与正常搏融合为[0,0,0,1,0]、FPN-快节奏与正常搏融合为[0,0,0,0,1]。

进一步的，所述S3中，训练集、验证集与测试集的比例为3：1：1，所述训练集用于模型的参数迭代训练，所述验证集用于验证模型训练是否完全，所述测试集用于模型效果评价。

进一步的，所述深度学习模型的网络包括CNN部分和LSTM部分，所述CNN部分用于特征的初步提取，提升数据维度，发掘更多的深层特征；所述LSTM部分用于对数据进行二次特征提取。

进一步的，所述CNN部分包括2次卷积运算，第一次卷积运算的卷积核大小为5，步长为2，filter为8，第二次卷积运算的卷积核大小为3，步长为1，filter为16；所述LSTM部分包括2个LSTM网络与1个Bi-LSTM网络。

进一步的，每次卷积之后使用ReLU进行激活，两次卷积之后对特征进行一次批量归一化；采用LSTM网络对数据进行一次时序识别，该LSTM网络的隐藏节点数为16；使用Bi-LSTM网络对输出进行特征提取，该Bi-LSTM网络的隐藏节点数为8；将Bi-LSTM网络的输出与第一层LSTM网络的输出进行Concate，得到的特征输入到最后一个LSTM中进行最终的分类。

进一步的，所述S4中，对深度学习模型进行训练包括：采用Adam作为优化器，初始学习率为0.02，每100个epoch学习率衰减30％，batch size大小为32，损失函数使用指数损失函数，设定训练300个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型。

进一步的，还包括：S6、模型验证，使用验证集数据对训练得到的数据模型进行100个epoch的二次训练，若模型损失无下降，保存模型；若模型损失降低，将学习率设置为原来的0.5倍，使用训练集数据继续对模型进行训练，直到模型损失稳定。

进一步的，还包括：S7、模型评估，使用训练完成的模型对测试集数据进行测试，根据模型识别结果与数据标签，对模型识别效果进行评估，评估方式为对每一个类别的数据进行准确率与召回率的计算；

准确率：Acc＝(TP+TN)/(TP+TN+FN+FP)；

召回率：R＝TP/(TP+FN)；

其中TP为正类判定为正类数量；FP为负类判定为正类数量；FN为正类判定为负类数量；TN为负类判定为负类数量。

本发明与现有技术相比所具有的有益效果为：

本发明采用深度学习方法对ECG信号进行了识别，全过程无需人工进行特征提取，识别速度极快，且训练得到的识别模型具有较强的泛化能力与鲁棒性，可以对ECG信号进行有效的识别分类。具有识别速度快、识别准确率高和识别稳定可靠等优点。

附图说明

下面将通过附图对本发明的具体实施方式做进一步的详细说明。

图1为基于复合LSTM结构的ECG信号分类方法的控制流程图；

图2为基于复合LSTM结构的ECG信号分类方法的网络构架图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

如图1至2所示，一种基于复合LSTM结构的ECG信号分类方法，包括以下步骤：

S1、数据采集，获取MIT-BIH心律失常数据集，并将其转换为矩阵形式，MIT-BIH心律失常数据集被广泛用于评估基于ECG的心跳分类算法的性能，MIT-BIH心律失常数据集包括从47个个体中收集的持续30分钟的两通道心电信号的48条记录。将44条记录在125Hz采样频率下的109446个时间步作为训练模式和测试模式进行本方案深度学习模型的参数训练与性能分析，本数据集将每个ECG搏分为5种心跳类型：N-正常搏、SVP-室上早搏、PVC-室性早缩搏、FVN-心室与正常搏融合、FPN-快节奏与正常搏融合。

S2、数据预处理，为了提高心电信号的数据质量，帮助网络更容易从心电波形中提取数据特征，本方案对数据进行三种方式的预处理，包括：去噪、QRS波峰值检测、对心跳信号进行分割。

心电图信号包括不同形式的破坏性噪声，因此，首先要对心电图信号进行去噪处理。为了降低心电信号中存在的直流噪声，采用均值滤波，然后通过从每个测试样本中减去心电图数据的平均值来消除不必要的直流噪声，并将信号阈值的幅度降低到零级。几乎所有的心电图记录都会产生高低频噪声，这些噪声受到多种原因的影响，如肌肉活动、心脏活动、与电极的不当交互以及许多其他环境因素的影响。然而，由于这些伪影，相关数据不能从原始信号中快速导出，因此必须首先进行分析，以对心电信号建模和去噪，在本实施例中，通过对心电信号进行归一化来消除此类噪声，将数据被调整到范围[-1,1]内，归一化方式如下：

其中x′

S3、数据集构建和划分，将数据标签重构为ONE-HOT形式，方便深度学习网络进行参数训练，N-正常搏为[1,0,0,0,0]、SVP-室上早搏为[0,1,0,0,0]、PVC-室性早缩搏为[0,0,1,0,0]、FVN-心室与正常搏融合为[0,0,0,1,0]、FPN-快节奏与正常搏融合为[0,0,0,0,1]。将数据集按照3：1：1的比例划分为训练集、验证集与测试集，其中训练集用于模型的参数迭代训练，验证集用于验证模型训练是否完全，测试集用于模型效果评价。划分完毕后，观察3个数据集的数据分布，保证3个数据集的数据分布基本一致。

S4、学习模型构建，对LSTM网络进行改造，构建特征融合型LSTM网络，从而对ECG信号数据进行更加全面的特征提取，达到更好的分类效果。深度学习网络包括2部分，分别为CNN部分，LSTM部分，CNN部分用于特征的初步提取，并提升数据维度，发掘更多深层特征。CNN层包括2次卷积运算，第一次卷积运算的卷积核大小为5，步长为2，filter为8，第二次卷积运算的卷积核大小为3，步长为1，filter为16。每次卷积之后使用ReLU进行激活，两次卷积之后对特征进行一次批量归一化。

LSTM部分用于对数据进行二次特征提取，LSTM部分由2个LSTM网络与1个Bi-LSTM网络构成。接收到CNN层提取得到的特征之后，首先使用LSTM对数据进行一次时序识别，该LSTM网络的隐藏节点数为16，之后使用Bi-LSTM对其输出进行特征提取，该Bi-LSTM网络的隐藏节点数为8。将Bi-LSTM的输出与第一层LSTM的输出进行Concate，得到的特征输入到最后一个LSTM中进行最终的分类。

训练模型，采用Adam作为优化器，初始学习率为0.02，每100个epoch学习率衰减30％，batch size大小为32，损失函数使用指数损失函数，设定训练300个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型。

S5、ECG信号分类，基于从ECG信号中提取的特征信息采用深度学习模型对ECG信号进行分类。

S6、模型验证，使用验证集数据对训练的到的数据模型进行100个epoch的二次训练，若模型损失无下降，保存模型；若模型损失降低，将学习率设置为原来的0.5倍，使用训练集数据继续对模型进行训练，直到模型损失稳定。

S7、模型评估，使用训练完成的模型对测试集数据进行测试，根据模型识别结果与数据标签，对模型识别效果进行评估，评估方式为对每一个类别的数据进行准确率与召回率的计算；

准确率：Acc＝(TP+TN)/(TP+TN+FN+FP)；

召回率：R＝TP/(TP+FN)；

其中TP为正类判定为正类数量；FP为负类判定为正类数量；FN为正类判定为负类数量；TN为负类判定为负类数量。

上述基于复合LSTM结构的ECG信号分类方法，首先对ECG信号进行了滤波与归一化，有效的去除了与降低了多种噪声对数据的影响，极大的提升了数据质量，帮助网络可以更好的识别信号特征。之后对数据长度与数据标签进行了标准化处理，使之成为可以供深度学习网络进行识别的标准数据集。之后对网络进行构建，网络采用CNN-LSTM融合型网络，且LSTM部分采用多个LSTM网络进行特征的提取，并对特征进行融合，使网络对于数据特征的提取更加全面，帮助网络可以对特征进行更有效的学习。

上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。