CN110327039A

CN110327039A - 基于卷积神经网络的房颤分类方法

Info

Publication number: CN110327039A
Application number: CN201910298192.1A
Authority: CN
Inventors: 李智; 周登仕; 李健
Original assignee: Sichuan University
Current assignee: Sichuan University
Priority date: 2019-04-15
Filing date: 2019-04-15
Publication date: 2019-10-15

Abstract

本发明针对采集后的心电信号，采用小波变换进行预处理，去除心电信号中包含的肌电噪声、工频噪声以及基线漂移等噪声，然后将去除噪声后的心电信号转换并分割成5s时间段和10s时间段的图片，再送到卷积神经网络模型中进行训练和房颤心电信号的分类预测。本发明在房颤心电信号诊断处理过程中不需要特征提取阶段，简化系统模型同时提高识别准确率，对心脏病精准识别有着重要意义。

Description

基于卷积神经网络的房颤分类方法

技术领域

本发明属于生物医学与计算机科学交叉领域，涉及一种基于卷积神经网络的房颤分类方法，更具体来说，是对心电信号数据转换成图片送入到深度学习算法中，再做分类处理。

背景技术

房颤是一种常见的心律失常疾病，基于心电图的房颤检测对临床诊断具有十分重要的意义。由于心电信号的非线性和复杂性，人工检测需要耗费大量时间且极易出现错误。对房颤的分类一般包括三个步骤：预处理、特征提取和分类。目前，大多数房颤的检测方法使用传统的机器学习方法，且需要对心电信号进行特征提取或特征选择。这无疑增加了房颤的检测系统的步骤，对系统实时性有着不利影响。另外，由于个体间的差异较大，导致目前的房颤检测方法在分类准确率上难以提高。

深度学习是指多层神经网络上运用各种机器学习算法解决图像，文本等各种问题的算法集合。深度学习从大类上可以归入神经网络，不过在具体实现上有许多变化。深度学习的核心是特征学习，其层与层之间为非线性关系，通过分层网络来获取分层次的特征信息，从而解决以往需要人工提取特征的重要难题。

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，属于深度学习中的一种算法。20 世纪 60 年代，加拿大神经科学家David H. Hubel 和 Torsten Wiesel提出了卷积神经网络结构，认为该神经元结构可以对复杂的反馈神经网络进行有效的简化。CNN一般由输入层、卷积层、池化层、全连接层和输出层等部分构成，可以提供一种“端到端”的学习结构，不需要手工提取心电信号的特征, 这在房颤分类中省去了特征提取步骤。CNN以其独特的捕捉位置和位移不变性的能力，被广泛应用于生理信号的形态分析。

发明内容

针对上述现有传统的房颤心电信号诊断方法的现状和存在的问题，本发明提出了一种基于卷积神经网络的房颤分类方法，该方法旨在使用包含几个心跳的心电信号时间段的图片来训练CNN模型，并实现高精确度的房颤分类。

本发明所采用的技术方案如下：

一种基于卷积神经网络的房颤分类方法，其具体步骤如下：

步骤1：利用小波变换对心电信号预处理；

步骤2：将心电信号数据分割成包含多个心拍的心拍段；

步骤3：将分割后心电信号数据转化成二维图片形式；

步骤4：使用深度学习框架搭建CNN模型；

步骤5：将训练图片数据送入到CNN模型中进行训练；

步骤6：利用训练好的模型对测试图片数据进行分类识别。

本发明的优势在于：

1、本发明对采集后的心电信号可以自动进行房颤诊断，辅助医生临床检测，较少对心脏病人的误诊和漏诊情况；

2、本发明采用卷积神经网络的深度学习方法，可以实现“端到端”的学习，不需要单独提取手工特征，直接将特征提取和分类步骤相结合，减少了房颤诊断系统的步骤；

3、本发明将一维的心电信号转换为二维的图片形式，最后送入卷积神经网络中实现稳定且高精度的分类。

附图说明

图1是本发明系统示意图。

图2是本发明二维5秒心电图。

图3是本发明二维10秒心电图。

图4是本发明CNN模型的结构图。

图5是本发明连续5秒的心电信号测试结果图。

图6是本发明连续10秒的心电信号测试结果图。

具体实施方式

下面结合附图和具体实施示例，对本发明涉及的技术方案做进一步的详细说明：

图1是本实施示例中的系统原理图，具体包括以下步骤。

步骤1，心电信号预处理。心电信号预处理主要过程是进行去噪，利用小波变换算法的分解与重构，然后选择母小波函数‘db5’，将心电信号分解为8层，最高频和最低频系数置零，达到去除工频噪声和肌电噪声的效果。

步骤2，将心电信号数据分割成心电信号段，根据心电信号的采集频率与需要分割时间长度的乘积来提取相应的采样点长度

式中，s是采样点，t是采样时间长度，f是采样频率。

步骤3，绘制出5秒和10秒时间长度的心电信号的电压幅值-采样点图，再保存成二维的图片形式。在图2和图3中，转换后的图片的横轴是采样点，纵轴是采样点的电压幅值。

步骤4，使用深度学习框架搭建CNN模型。在图4中，搭建了一个9层卷积神经网络

步骤4.1，将心电图片压缩到227x227的固定大小格式，并作为输入层数据;

步骤4.2，搭建卷积层和池化层，其具体参数为：第一层为卷积层，filter个数、Kernel大小、stride分别为44、12x12和5；第二层为池化层，filter个数、Kernel大小、stride分别为21、4x4和2；第三层为卷积层，filter个数、Kernel大小、stride分别为11、3x3和2；第四层为池化层，filter个数、Kernel大小、stride分别为10、2x2和1；第五层为卷积层，filter个数、Kernel大小、stride分别为10、3x3和1；第六层为池化层，filter个数、Kernel大小、stride分别为5、2x2和2。每个卷积层中的激活函数为ReLU激活函数，其公式如下：

式中，max为求最大值函数，为神经元的输入，为激活函数输出;

步骤4.3，第七、八和九层都为全连接层，其神经元个数分别为4096、4096和2。

步骤5，将训练图片数据送入到CNN模型中进行训练。在本实施例中，将5秒和10秒的心电图片分别送入到步骤4中的CNN模型中进行训练，并保留部分未训练的心电图片作为验证数据集，使用验证数据集对训练后的CNN模型进行模拟测试。

步骤6，利用训练好的模型对测试图片数据进行分类识别。在本实施例中，需要对正常的心电信号和房颤心电信号进行分类决策。在图5和图6中，分别使用连续5秒和10秒的心电信号对CNN模型进行模拟测试。图5和图6中横轴Iters为迭代次数，纵轴Test accuracy为模拟测试的准确率。选择迭代次数大于2000时，其CNN模型的分类准确率基本稳定，并且对正常心电图和房颤心电图的分类准确率达到95%以上。

Claims

1.基于卷积神经网络的房颤分类方法，其特征是，包括以下几个步骤：

步骤1：利用小波变换对心电信号预处理

步骤2：将心电信号数据分割成包含多个心拍的心拍段

步骤3：将分割后的心电信号转化成二维图片形式

步骤4：使用深度学习框架搭建CNN模型

步骤5：将训练图片数据送入到CNN模型中进行训练

步骤6：利用训练好的模型对测试图片数据进行分类识别。

2.根据权利要求1所述的基于卷积神经网络的房颤分类方法，其特征在于：步骤1中对心电数据去噪，利用小波算法的分解与重构，选择母小波函数‘db5’，将心电信号分解为8层，去除工频噪声，基线漂移噪声以及肌电噪声等，获得去噪后的心电信号数据。

3.根据权利要求1所述的基于卷积神经网络的房颤分类方法，其特征在于：步骤2中分割的心电信号不是单个的心拍形式，而是包含多个心拍的心拍段，其采样点为采样频率乘以时间，另外，心拍段可以更好的反映出受试者在一段时间里的生理状况。

4.根据权利要求1所述的基于卷积神经网络的房颤分类方法，其特征在于：步骤3中将一维的时序信号绘制出横轴为采样点，纵轴为采样电压的图形，然后保存成图片形式，以便于送入到卷积神经网络中进行训练和分类。

5.根据权利要求4所述的基于卷积神经网络的房颤分类方法，其特征在于：还包括将转换后的图片压缩到227x227的像素大小，同时，图片的灰度值为2。

6.根据权利要求1所述的基于卷积神经网络的房颤分类方法，其特征在于：步骤4中使用一个9层的CNN模型，模型结构包括3个卷积层、3个池化层和3个全连接层，其具体的结构为：输入层、卷积层、池化层、卷积层、池化层、卷积层、池化层、全连接层、全连接层、全连接层和输出层。

7.根据权利要求1所述的基于卷积神经网络的房颤分类方法，其特征在于：步骤5和6中使用图片作为输入数据送入到CNN模型中进行训练和分类。