CN107495959A

CN107495959A - 一种基于一维卷积神经网络的心电信号分类方法

Info

Publication number: CN107495959A
Application number: CN201710622047.5A
Authority: CN
Inventors: 张强; 张建新; 李丹; 魏小鹏
Original assignee: Dalian University
Current assignee: Dalian University
Priority date: 2017-07-27
Filing date: 2017-07-27
Publication date: 2017-12-22

Abstract

本发明涉及一种基于一维卷积神经网络的心电信号分类方法。首先，采用小波融合的方法对心电信号去噪处理；其次，采用双正交样条小波的QRS波群识别算法检测出R波峰值点，并以R点为基准完成心电信号的分割及降维，得到若干R波候选段；然后，建立并优化面向心电信号的一维卷积神经网络模型；最后，把处理好的R波候选段作为模型的输入数据，自动完成心电信号的特征提取和分类。本发明采用的小波融合方法，可同时去除高、低频噪声，使提取的信号特征更利于识别；建立的面向心电信号的一维卷积神经网络模型，不仅避免了心电信号特征点必须精准定位的难题，而且解决了传统方法先选择算法提取特征，后选择算法完成分类的复杂计算问题。

Description

一种基于一维卷积神经网络的心电信号分类方法

技术领域

本发明涉及生理信号分类以及深度学习领域，具体涉及一种基于一维卷积神经网络的心电信号分类方法。

背景技术

心血管疾病作为一种慢性疾病，具有危险性高、发病急、病情不明显等特征，居各种疾病之首，严重威胁着人类的身体健康，需引起我们足够的重视。传统的心电信号分类方法是先选择特征提取的方法提取出信号的有效特征，然后再选择分类的方法进行分类。但是这种方法要求实验者必须做到对心电信号特征点的精准定位，这样才能确保提取到高质量的信号特征，进而得到精确的分类结果。虽然目前针对心电信号分类方法的研究很多，但是仍然存在一定的缺陷，如：对噪声敏感、不能保留局部信号信息等。

发明内容

本发明要解决的技术问题是提供一种能够避免提取出的特征对噪声敏感的问题，以及避免对数据的复杂前期预处理问题，解决传统方法必须对信号特征点进行精准定位的难题，并确保提取到高质量的信号特征的方法。

本发明为解决其技术问题所采用的技术方案是：提出了一种基于一维卷积神经网络的心电信号分类方法，具体包括以下步骤：

步骤1：采用小波融合的方法完成心电信号的去噪处理并得到R波候选段；

步骤2：建立面向心电信号的一维卷积神经网络模型；

步骤3：优化步骤2得到的面向心电信号的一维卷积神经网络模型；

步骤4：将步骤1得到的R波候选段输入训练好的一维卷积神经网络模型，完成心电信号的特征提取和分类。

所述步骤1中包括以下具体步骤：

首先采用小波软阈值法和小波分解重构法两者融合的方法完成一维心电信号的妥善去噪处理；其中：

(1)小波软阈值法：首先选择db5作为小波函数进行3层分解；然后选择软阈值函数，并将无偏似然估计法作为选取阈值的规则，进而对每一级的小波系数进行阈值量化处理；最后进行信号的逆变换。软阈值处理方法如下：

其中Y为信号的值，t为指定的阈值，其中大于阈值的点变为该点值与阈值的差，小于或等于阈值的点变为0。

(2)小波分解重构法：将含有噪声信号在某一尺度下分解到不同的频带内，然后再将噪声所处的频带置零(或直接提取有用信号所在的频带)，进行小波重构，从而达到去噪的目的。分解如下：

其中c_j,k为尺度系数；d_j,k为小波系数；h、g为一对正交镜像滤波器组；j为分解层数；N为离散采样点数。然后取出小波系数d_j,k，根据选定的阈值δ_j，将噪声所处的频带置零(或直接提取有用信号所在的频带)，处理方法如下：

小波重构过程是分解过程的逆运算，相应的重构公式为：

进一步地，采用双正交样条小波的QRS波群识别方法识别出R波峰值点，方法过程如下：

(1)选择小波基函数和尺度；

(2)将心电信号进行小波变换，得到各尺度的小波系数；

(3)找出各尺度下的正极大值点，从而求出负极大值点；

(4)在选择好的尺度上找出满足条件的全部极值点；

(5)找出相应尺度上的模极大值对；

(6)上述极大值对中，过零点的即为R波峰值点。

又进一步地，完成心电信号的分割及降维的工作，得到R波候选段，具体方法：

(1)以R波顶点为基准定位，左右各选择100个采样点；

(2)采用分割函数分割心电信号；

(3)采用下采样函数对分割好的心电信号降维；

(4)得到R波候选段。

所述步骤2中包括以下具体步骤：

构建面向心电信号的一维卷积神经网络模型。本发明的模型是根据步骤1 中处理好的心电信号数据，经过不断地实验，选择最合适的层数及模型参数，最终构建而成。主要包括：一个输入层，两个卷基层，两个池化层，一个全连接层，一个输出层。其中，两个卷基层的卷积核尺寸均设置为7，每层的卷积核的数量均设置为18。池化层采用最大池化方法进行下采样。

所述步骤3中包括以下具体步骤：

基于步骤2中构建好的面向心电信号的一维卷积神经网络模型进行参数优化。具体的方法如下：

(1)优化卷积核的尺寸及数量参数；

(2)在卷积核尺寸和数量参数确定的条件下，设置不同量级的学习率；

(3)在卷积核尺寸、数量、学习率等参数确定的条件下，设置迭代次数。

所述步骤4中包括以下具体步骤：

基于步骤1得到的R波候选段直接作为步骤3中优化好的模型的输入数据，自动提取信号特征并完成分类；主要方法模型如下：

其中，表示第l层卷基层第j个卷积核对应的特征向量，M_j表示当前神经元的接受域，表示第l层第j个卷积核对应的偏置系数，而f为非线性函数； down()表示下采样函数，表示加权系数，表示偏置系数。

本发明采用小波软阈值法和小波分解重构法两者融合的方法完成一维心电信号的妥善去噪处理，避免了提取出的特征对噪声敏感的问题；另一方面，构建并优化了面向心电信号的一维卷积神经网络模型，由于该模型能够避免对数据的复杂前期预处理，可以直接输入原始数据，并自动提取有效特征，因而解决了传统方法必须对信号特征点进行精准定位的难题。

附图说明

以下结合附图和具体实施方式对本发明作进一步详细说明

图1为一种基于一维卷积神经网络的心电信号分类方法流程图。

图2为去噪效果图。

图3为R波峰值点检测结果图。

图4为构建的一维卷积神经网络模型图。

图5为分类结果识别率比较图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

本发明提供一种基于一维卷积神经网络的心电信号分类方法，所使用的心电信号数据来源于MIT-BIH标准心律失常数据库，该数据库包含48个双通道动态心电图记录，前23个记录是从常规门诊实践中提取出的，而其余的25个记录被选择是因为存在不常见的复杂的心室、交界处、室上性心律失常信号，每一条记录长达30分钟，采样频率为360HZ。本发明从该数据库中选择了44个记录的第II导联的心电信号来训练并验证发明的可行性。具体包括：

步骤1：采用小波融合的方法完成心电信号的去噪处理并得到R波候选段；其中：

(1)小波软阈值法：首先选择db5作为小波函数进行3层分解；然后选择软阈值函数，并将无偏似然估计法作为选取阈值的规则，进而对每一级的小波系数进行阈值量化处理；最后对量化处理后的各级小波系数进行信号的小波重构。软阈值处理方法如下：

其中Y为信号的值，t为指定的阈值；大于阈值的点变为该点值与阈值的差，小于或等于阈值的点变为0。

(2)小波分解重构法：根据需要，将含有噪声信号在某一尺度下分解到不同的频带内，然后再将噪声所处的频带置零(或直接提取有用信号所在的频带)，进行小波重构，从而达到去噪的目的。分解公式如下：

其中c_j,k为尺度系数；d_j,k为小波系数；h、g为一对正交镜像滤波器组；j为分解层数；N为离散采样点数。然后取出小波系数d_j,k，根据选定的阈值δ_j，将噪声所处的频带置零(或直接提取有用信号所在的频带)，处理如下：

小波重构过程是分解过程的逆运算，相应的重构公式为：

以上，小波软阈值法在处理高斯噪声方面有很强的优势，通过合理选择分层和阈值大小即可实现，所以采用小波软阈值法去除高频噪声；而小波分解重构法在得知信号和噪声分布频段的情况下有很好的去噪效果，所以采用小波分解重构法来校正基线漂移这种低频噪声。综上，融合两种小波去噪方法得到高质量的心电信号如图2所示。

进一步地，采用双正交样条小波的QRS波群识别算法识别出R波峰值点，具体实现过程如下：

(1)采用双正交样条小波作为小波基函数；

(2)选择2³作为检测R波峰值点的尺度；

(3)将心电信号进行小波变换，得到2¹～2⁴的小波系数；

(4)找出各尺度下的正极大值点，并求出负极大值点；

(5)在2³尺度上找出满足条件的全部极值点和极大值对；

(6)上述有效的极大值对中，过零点的即为R波峰值点。

经过以上方法成功识别出R波峰值点如图3所示。

又进一步地，完成心电信号的分割及降维的工作，得到R波候选段，具体实施过程如下：

(1)以R波顶点为基准定位，左右各选择100个采样点；

(2)采用分割函数分割心电信号，得到长度为201个点的心跳段；

(3)采用下采样函数对分割好的心跳段降维到130个采样点；

(4)得到若干R波候选段。

步骤2：构建面向心电信号的一维卷积神经网络(1D CNN)模型：

经过不断地实验，针对一维心电信号数据，选择最优的网络层数及模型参数，最终构建成专门针对心电信号的一维卷积神经网络。主要包括：一个输入层，两个卷基层，两个池化层，一个全连接层，一个输出层。其中，两个卷基层的卷积核尺寸均设置为7，每层的卷积核的数量均设置为18。池化层采用最大池化方法进行下采样。最终构建好的卷积神经网络模型如图4所示。

步骤3：优化面向心电信号的1D CNN模型：

(1)设置4组不同的卷积核参数的对比实验，即卷积核尺寸分别设置为 3*3，5*5，7*7，9*9，而每组实验的卷积核数量依次设置为3，6，9，12，15， 18，21，24，27，保证每个状态均收敛的条件下，选择最优结果的卷积核参数，实验结果如表1所示，可知在卷积核尺寸为7*7，卷积核个数为18的时候效果最优。

表1不同卷积核参数的错误率

(2)在卷积核参数固定的条件下，设置不同量级的学习率，同样保证每个状态均收敛的条件下，选择最优结果的学习率参数；实验结果如表2所示，得知最佳状态是学习率为0.1时错误率最低且用时最少。

表2不同学习率下的实验结果

(3)在卷积核的相关参数和学习率参数均固定的条件下，经过不断的实验确定结果收敛时的迭代次数为300次，如表3所示：

表3不同迭代次数的实验结果

步骤4：采用优化好的模型自动完成特征提取和分类：

经过步骤3的参数优化后，最终确定模型的最优参数分别为：卷积核的尺寸为7*7；卷积核的特征向量个数为18；学习率设置为0.01；迭代次数选择300 次。基于得到的R波候选段直接作为优化好的模型的输入数据，自动提取特征并完成分类，5种信号的分类结果如表4所示：

表4分类结果表

进一步地，与传统方法的对比结果如表5所示：

表5不同方法的结果对比

本方法不同参数结果对比如图5所示，主要方法模型如下：

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims

1.一种基于一维卷积神经网络的心电信号分类方法，其特征在于，该方法包括以下步骤：

步骤2：建立面向心电信号的一维卷积神经网络模型；

2.根据权利要求1所述的一种基于一维卷积神经网络的心电信号分类方法，其特征在于，步骤1所述的小波融合的方法为将可去除心电信号高频噪声的小波软阈值法和可去除心电信号低频噪声的小波分解重构法两者融合的方法。

3.根据权利要求1所述的一种基于一维卷积神经网络的心电信号分类方法，其特征在于，得到步骤1所述的R波候选段的方法为：

（1）采用双正交样条小波的QRS波群识别出R波峰值点；

（2）以此R点为基准完成心电信号的分割及降维工作，得到R波候选段。

4.根据权利要求1所述的一种基于一维卷积神经网络的心电信号分类方法，其特征在于，步骤2所述的面向心电信号的一维卷积神经网络模型的框架主要包括：一个输入层，两个卷基层，两个池化层，一个全连接层，一个输出层，其中，两个卷基层的卷积核尺寸均设置为7，每层的卷积核的数量均设置为18，池化层采用最大池化方法进行下采样。

5.根据权利要求1所述的一种基于一维卷积神经网络的心电信号分类方法，其特征在于，步骤3中根据数据集的特征，优化步骤2得到的一维卷积神经网络模型，具体优化参数的方法如下：

（1）优化卷积核的尺寸及数量参数；

（2）在卷积核尺寸和数量参数确定的条件下，设置不同量级的学习率；

（3）在卷积核尺寸、数量、学习率等参数确定的条件下，设置迭代次数。