CN110263684B - 基于轻量级神经网络的心电图分类方法 - Google Patents

Abstract

一种基于轻量级神经网络的心电图分类方法，通过单导联心电图数据和轻量级神经网络模型实现心律失常自动分类的方法。首先，肢体II导联心电信号蕴含足够的信息；其次，使用卷积核大小为1的卷积层和全局平均池化层压缩特征维度；最后使用流线型的深度可分离卷积快速提取特征。利用单导联数据集和轻量级神经网络模型可以在保证模型准确率的基础上大幅度提高模型运算速度。

Description

基于轻量级神经网络的心电图分类方法

技术领域

本发明涉及心电图分类技术领域，具体涉及一种基于轻量级神经网络的心电图分类方法。

背景技术

心电图检查在医院已成为常见检验项目，心电图是医生判断病人心脏状况最基本的指标。心电图信号是由心脏的电活动引起的非平稳周期性生物信号，蕴含大量复杂的心脏活动信息，只有经过专业培训的医生才能准确解读。因为心脏结构复杂和心脏活动规律较多，所以心律失常类型分类较多。普通的深度学习方法虽然预测结果较好，但是网络过于复杂，在计算能力有限的平台上难以满足实时性要求。

发明内容

本发明为了克服以上技术的不足，提供了一种提高网络学习精度的轻量级神经网络(LNet)的心电图分类方法。

本发明克服其技术问题所采用的技术方案是：

一种基于轻量级神经网络的心电图分类方法，包括如下步骤：

a)计算机从MIT-BIH心律失常数据库中获取心电数据，根据心电数据中导联记录内容，选择upper信号为Ⅱ导联信号作为实验数据；

b)使用基于双尺度小波变换法对实验数据进行降噪处理，定位实验数据中的QRS波群，通过QRS波群获取心电信号中的P波和T波的位置，获取一个心拍数据，通过边缘填充随机剪裁算法得到心拍数据的扩充数据集；

c)对扩充数据集添加高斯白噪声，得到数据集集合，通过公式X_i＝{x₁₁,x₁₂,...,x_1N}计算数据集集合中第i个样本X_i，式中x₁₁为心电数据中肢体II导联信号第1个点位电压，N为心电数据中肢体II导联信号使用的像素点个数；

d)通过包含c¹个卷积核的一维卷积层Conv1D对数据集集合提取特征，得到特征图a¹，其中c¹为特征图a¹通道数，w¹为特征图a¹每个通道特征宽度，从特征图a¹抽取得到第k个通道的特征图

e)通过卷积核为1的卷积层将特征图

进行压缩，得到压缩特征图a^2.1，其中压缩特征图a^2.1通道数为c^2.1，压缩特征图a^2.1每个通道特征宽度为w^2.1，通过深度卷积层计算得到第k个通道的压缩特征图

其中压缩特征图

的通道数为c^2.2，压缩特征图

的每个通道特征宽度为w^2.2；

f)通过批处理层，利用公式

计算压缩特征图

归一化数据均值u^2.2，式中

为压缩特征图

第k个通道的第i个特征，通过公式

计算压缩特征图

归一化数据方差σ^2.2，通过公式

计算压缩特征图

规范化函数BN_γ,β(a^2.2)，其中

式中ε为常数，式中0＜ε＜0.001，γ为线性规范化的斜率，β为线性规范化的截距，a^2.3为a^2.2批规范化的结果；

g)通过非线性激活层，利用公式

计算得到线性修正结果a^2.4，通过逐点卷积层对线性修正结果a^2.4计算得到扩张特征图a^2.5，通过批处理层和ReLU激活函数对扩张特征图a^2.5计算得到特征图a²，其中特征图a²的通道数为c²，特征图a²的每个通道特征宽度为w²；

h)通过最大池化层，计算特征图a²压缩后的结果特征图a³；

i)用结果特征图a³替换步骤d)中的特征图a¹后重复执行步骤e)至步骤h)，得到心电特征图a⁴，其中心电特征图a⁴的通道数为c⁴，心电特征图a⁴的每个通道特征宽度为w⁴；

j)通过池化层，计算心电特征图a⁴压缩后的结果特征图a⁵；

k)用结果特征图a⁵替换步骤d)中的特征图a¹后重复执行步骤e)至步骤h)，得到心电特征图a⁶，其中心电特征图a⁶的通道数为c⁶，心电特征图a⁶的每个通道特征宽度为w⁶；

l)通过全局平均池化层，利用公式

计算压缩得到的结果特征图a⁷，式中a_i ⁶是第i个位置的特征；

m)通过展平层将结果特征图a⁷展平成为一维向量a⁸，通过全连接层根据公式a⁹＝W_i ⁸·a⁸+b⁸计算样本对应每类疾病得分a⁹，式中W_i ⁸是全连接层权重，b⁸为全连接层偏倚，通过softmax激活函数根据公式

计算预测结果a¹⁰，其中

表示对第i类疾病预测得分，

表示对第j类疾病预测得分；

n)使用交叉熵函数计算预测结果a¹⁰的损失，如果损失小于制定阈值Threshold则跳转至步骤p)，如果损失大于等于制定阈值Threshold则跳转至步骤o)；

o)使用Adam优化算法调整模型参数，跳转至步骤e)；

p)保存模型参数，算法结束。

进一步的，步骤c)中对扩充数据集分别添加信噪比为40db、60db和80db的高斯白噪声，形成40db数据集、60db数据集和80db数据集，40db数据集、60db数据集和80db数据集构成数据集集合。

进一步的，步骤c)中N＝64。

进一步的，步骤d)中通过公式

计算得到一个通道特征向量的宽度w¹，式中F为卷积核大小，P为边缘填充密度，S为步长，通过公式

计算第k个通道的特征图，其中

为卷积层第1层第k个通道的权重，

为卷积层第1层第k个通道的偏倚，Conv1D为一维卷积神经网络计算函数。

进一步的，步骤e)中通过公式

计算得到第k个通道的压缩特征图

式中，

为深度卷积层的权重，

为深度卷积层的偏倚。

进一步的，步骤n)中制定阈值Threshold＝0.001。

进一步的，步骤n)使用Adam优化算法调整步骤d)中的权重

偏倚

调整步骤e)中的权重

偏倚

调整步骤m)中的权重W_i ⁸、偏倚b⁸。

本发明的有益效果是：通过单导联心电图数据和轻量级神经网络模型实现心律失常自动分类的方法。首先，肢体II导联心电信号蕴含足够的信息；其次，使用卷积核大小为1的卷积层和全局平均池化层压缩特征维度；最后使用流线型的深度可分离卷积快速提取特征。利用单导联数据集和轻量级神经网络模型可以在保证模型准确率的基础上大幅度提高模型运算速度。

具体实施方式

下面对本发明做进一步说明。

一种基于轻量级神经网络的心电图分类方法，包括如下步骤：

a)计算机从MIT-BIH心律失常数据库中获取心电数据，根据心电数据中导联记录内容，选择upper信号为Ⅱ导联信号作为实验数据；

b)使用基于双尺度小波变换法对实验数据进行降噪处理，定位实验数据中的QRS波群，通过QRS波群获取心电信号中的P波和T波的位置，获取一个心拍数据，通过边缘填充随机剪裁算法得到心拍数据的扩充数据集；

c)对扩充数据集添加高斯白噪声，得到数据集集合，通过公式X_i＝{x₁₁,x₁₂,...,x_1N}计算数据集集合中第i个样本X_i，式中x₁₁为心电数据中肢体II导联信号第1个点位电压，N为心电数据中肢体II导联信号使用的像素点个数；

d)通过包含c¹个卷积核的一维卷积层Conv1D对数据集集合提取特征，得到特征图a¹，其中c¹为特征图a¹通道数，w¹为特征图a¹每个通道特征宽度，从特征图a¹抽取得到第k个通道的特征图

e)通过卷积核为1的卷积层将特征图

进行压缩，得到压缩特征图a^2.1，其中压缩特征图a^2.1通道数为c^2.1，压缩特征图a^2.1每个通道特征宽度为w^2.1，通过深度卷积层计算得到第k个通道的压缩特征图

其中压缩特征图

的通道数为c^2.2，压缩特征图

的每个通道特征宽度为w^2.2；

f)通过批处理层，利用公式

计算压缩特征图

归一化数据均值u^2.2，式中

为压缩特征图

第k个通道的第i个特征，通过公式

计算压缩特征图

归一化数据方差σ^2.2，通过公式

计算压缩特征图

规范化函数BN_γ,β(a^2.2)，其中

式中ε为常数，式中0＜ε＜0.001，γ为线性规范化的斜率，β为线性规范化的截距，a^2.3为a^2.2批规范化的结果；

g)通过非线性激活层，利用公式

计算得到线性修正结果a^2.4，通过逐点卷积层对线性修正结果a^2.4计算得到扩张特征图a^2.5，通过批处理层和ReLU激活函数对扩张特征图a^2.5计算得到特征图a²，其中特征图a²的通道数为c²，特征图a²的每个通道特征宽度为w²；

h)通过最大池化层，计算特征图a²压缩后的结果特征图a³；

i)用结果特征图a³替换步骤d)中的特征图a¹后重复执行步骤e)至步骤h)，得到心电特征图a⁴，其中心电特征图a⁴的通道数为c⁴，心电特征图a⁴的每个通道特征宽度为w⁴；

j)通过池化层，计算心电特征图a⁴压缩后的结果特征图a⁵；

k)用结果特征图a⁵替换步骤d)中的特征图a¹后重复执行步骤e)至步骤h)，得到心电特征图a⁶，其中心电特征图a⁶的通道数为c⁶，心电特征图a⁶的每个通道特征宽度为w⁶；

l)通过全局平均池化层，利用公式

计算压缩得到的结果特征图a⁷，式中

是第i个位置的特征；

m)通过展平层将结果特征图a⁷展平成为一维向量a⁸，通过全连接层根据公式a⁹＝W_i ⁸·a⁸+b⁸计算样本对应每类疾病得分a⁹，式中W_i ⁸是全连接层权重，b⁸为全连接层偏倚，通过softmax激活函数根据公式

计算预测结果a¹⁰，其中

表示对第i类疾病预测得分，

表示对第j类疾病预测得分；

n)使用交叉熵函数计算预测结果a¹⁰的损失，如果损失小于制定阈值Threshold则跳转至步骤p)，如果损失大于等于制定阈值Threshold则跳转至步骤o)；

o)使用Adam优化算法调整模型参数，跳转至步骤e)；

p)保存模型参数，算法结束。

通过单导联心电图数据和轻量级神经网络模型实现心律失常自动分类的方法。首先，肢体II导联心电信号蕴含足够的信息；其次，使用卷积核大小为1的卷积层和全局平均池化层压缩特征维度；最后使用流线型的深度可分离卷积快速提取特征。利用单导联数据集和轻量级神经网络模型可以在保证模型准确率的基础上大幅度提高模型运算速度。

优选的，步骤c)中对扩充数据集分别添加信噪比为40db、60db和80db的高斯白噪声，形成40db数据集、60db数据集和80db数据集，40db数据集、60db数据集和80db数据集构成数据集集合。

优选的，步骤c)中N＝64。

优选的，步骤d)中通过公式

计算得到一个通道特征向量的宽度w¹，式中F为卷积核大小，P为边缘填充密度，S为步长，通过公式

计算第k个通道的特征图，其中

为卷积层第1层第k个通道的权重，

为卷积层第1层第k个通道的偏倚，Conv1D为一维卷积神经网络计算函数。

步骤e)中通过公式

计算得到第k个通道的压缩特征图

式中，

为深度卷积层的权重，

为深度卷积层的偏倚。

优选的，步骤n)中制定阈值Threshold＝0.001。

优选的，步骤n)使用Adam优化算法调整步骤d)中的权重

偏倚

调整步骤e)中的权重

偏倚

调整步骤m)中的权重W_i ⁸、偏倚b⁸。

Claims (7)

1.一种基于轻量级神经网络的心电图分类方法，其特征在于，包括如下步骤：

a)计算机从MIT-BIH心律失常数据库中获取心电数据，根据心电数据中导联记录内容，选择upper信号为Ⅱ导联信号作为实验数据；

b)使用基于双尺度小波变换法对实验数据进行降噪处理，定位实验数据中的QRS波群，通过QRS波群获取心电信号中的P波和T波的位置，获取一个心拍数据，通过边缘填充随机剪裁算法得到心拍数据的扩充数据集；

c)对扩充数据集添加高斯白噪声，得到数据集集合，通过公式X_i＝{x₁₁,x₁₂,...,x_1N}计算数据集集合中第i个样本X_i，式中x₁₁为心电数据中肢体II导联信号第1个点位电压，N为心电数据中肢体II导联信号使用的像素点个数；

d)通过包含c¹个卷积核的一维卷积层Conv1D对数据集集合提取特征，得到特征图a¹，其中c¹为特征图a¹通道数，w¹为特征图a¹每个通道特征宽度，从特征图a¹抽取得到第k个通道的特征图

e)通过卷积核为1的卷积层将特征图

进行压缩，得到压缩特征图a^2.1，其中压缩特征图a^2.1通道数为c^2.1，压缩特征图a^2.1每个通道特征宽度为w^2.1，通过深度卷积层计算得到第k个通道的压缩特征图

其中压缩特征图

的通道数为c^2.2，压缩特征图

的每个通道特征宽度为w^2.2；

f)通过批处理层，利用公式

计算压缩特征图

归一化数据均值u^2.2，式中

为压缩特征图

第k个通道的第i个特征，通过公式

计算压缩特征图

归一化数据方差σ^2.2，通过公式

计算压缩特征图

规范化函数BN_γ,β(a^2.2)，其中

式中ε为常数，0＜ε＜0.001，γ为线性规范化的斜率，β为线性规范化的截距，a^2.3为a^2.2批规范化的结果；

g)通过非线性激活层，利用公式

计算得到线性修正结果a^2.4，通过逐点卷积层对线性修正结果a^2.4计算得到扩张特征图a^2.5，通过批处理层和ReLU激活函数对扩张特征图a^2.5计算得到特征图a²，其中特征图a²的通道数为c²，特征图a²的每个通道特征宽度为w²；

h)通过最大池化层，计算特征图a²压缩后的结果特征图a³；

i)用结果特征图a³替换步骤d)中的特征图a¹后重复执行步骤e)至步骤h)，得到心电特征图a⁴，其中心电特征图a⁴的通道数为c⁴，心电特征图a⁴的每个通道特征宽度为w⁴；

j)通过池化层，计算心电特征图a⁴压缩后的结果特征图a⁵；

k)用结果特征图a⁵替换步骤d)中的特征图a¹后重复执行步骤e)至步骤h)，得到心电特征图a⁶，其中心电特征图a⁶的通道数为c⁶，心电特征图a⁶的每个通道特征宽度为w⁶；

l)通过全局平均池化层，利用公式

计算压缩得到的结果特征图a⁷，式中

是第i个位置的特征；

m)通过展平层将结果特征图a⁷展平成为一维向量a⁸，通过全连接层根据公式a⁹＝W_i ⁸·a⁸+b⁸计算样本对应每类疾病得分a⁹，式中W_i ⁸是全连接层权重，b⁸为全连接层偏倚，通过softmax激活函数根据公式

计算预测结果a¹⁰，其中

表示对第i类疾病预测得分，

表示对第j类疾病预测得分；

n)使用交叉熵函数计算预测结果a¹⁰的损失，如果损失小于制定阈值Threshold则跳转至步骤p)，如果损失大于等于制定阈值Threshold则跳转至步骤o)；

o)使用Adam优化算法调整模型参数，跳转至步骤e)；

p)保存模型参数，算法结束。

2.根据权利要求1所述的基于轻量级神经网络的心电图分类方法，其特征在于：步骤c)中对扩充数据集分别添加信噪比为40db、60db和80db的高斯白噪声，形成40db数据集、60db数据集和80db数据集，40db数据集、60db数据集和80db数据集构成数据集集合。

3.根据权利要求1所述的基于轻量级神经网络的心电图分类方法，其特征在于：步骤c)中N＝64。

4.根据权利要求1所述的基于轻量级神经网络的心电图分类方法，其特征在于：步骤d)中通过公式

计算得到一个通道特征向量的宽度w¹，式中F为卷积核大小，P为边缘填充密度，S为步长，通过公式

计算第k个通道的特征图，其中

为卷积层第1层第k个通道的权重，

为卷积层第1层第k个通道的偏倚，Conv1D为一维卷积神经网络计算函数。

5.根据权利要求4所述的基于轻量级神经网络的心电图分类方法，其特征在于：步骤e)中通过公式

计算得到第k个通道的压缩特征图

式中，

为深度卷积层的权重，

为深度卷积层的偏倚。

6.根据权利要求1所述的基于轻量级神经网络的心电图分类方法，其特征在于：步骤n)中制定阈值Threshold＝0.001。

7.根据权利要求5所述的基于轻量级神经网络的心电图分类方法，其特征在于：步骤n)使用Adam优化算法调整步骤d)中的权重

偏倚

调整步骤e)中的权重

偏倚

调整步骤m)中的权重W_i ⁸、偏倚b⁸。