CN110974213A - 基于深度堆栈网络的心电信号识别方法 - Google Patents

Abstract

本发明公开了基于深度堆栈网络的心电信号识别方法，属于心电信号识别技术领域。本发明为了解决现有技术中的大量心电信号识别通过心电专家参与特征识别，诊断成本高，心电信号形态复杂，导致识别准确率低、适应性差的问题。本发明对心电信号进行预处理，利用栈式稀疏编码器逐层学习，完成心电信号特征的提取，通过与Softmax分类器构建深度堆栈网络完成心电信号类别的识别。本发明实现了大量心电数据情况下，心电信号类型的快速、准确分类的问题。

Description

基于深度堆栈网络的心电信号识别方法

技术领域

本发明涉及心电信号识别领域，特别是涉及基于深度堆栈网络的心电信号识别方法。

背景技术

心血管疾病仍然是全球死亡的主要原因。1月31日，Circulation杂志发表了美国心脏协会(American Heart Association)对心脏病和卒中流行病学统计数据的更新版。2019版报告显示，心血管疾病的患病率显著增加。心电图能提供心脏活动的信息，对各种心律失常的分析诊断具有极为重要的意义。心电信息是患者重要的临床资料，临床诊断需要医生具备高度的信息综合处理能力。但是心电特征具有一过性，所以临床上多用心电图仪对患者进行24小时甚至48小时的连续监控。传统的人工诊断面对庞大的数据困难极大，心电信号识别算法依靠心电专家参与特征识别，费时费力，诊断成本高，心电信号形态复杂多样导致识别准确率低、适应性差。

发明内容

为了解决上述问题，本发明提供了一种基于深度堆栈网络的心电信号识别方法，包括如下步骤：

步骤S1、输入训练集样本，所述训练集样本包括正常类型、左束支阻滞类型、右束支阻滞类型和窒性早搏类型；

步骤S2、对训练集样本中的心电信号进行预处理后，截取心拍；

步骤S3、建立栈式稀疏自编码器，通过所述栈式稀疏自编码器模型逐层学习，完成心电信号特征提取；

步骤S4、将提取的心电信号特征通过Softmax分类器进行有监督训练，获得心电类型概率估计值，进而完成心电信号类型的识别。

进一步的，所述步骤S2所述心电信号预处理方法包括：

步骤S2a、进行第一次中值滤波处理去掉QRS波和P波；

步骤S2b、进行第二次中值滤波处理去掉T波；

步骤S2c、将训练集的原始的心电信号减去所述第二次中值滤波处理信号得到消除基线漂移的心电信号；

步骤S2d、采用低通滤波方式去除步骤S2c得到的心电信号中的工频噪声和肌电噪声；

进一步的，所述截取心拍的方法包括：

S2e、峰值检测：设定第一阈值和第二阈值，且第一阈值大于第二阈值，当检测到峰值超过其中一个所述阈值时，则检测到的峰为一个R峰；

S2f、信号截取：设定心拍长度为250个点，以所述R锋为基准，向所述R峰前去100个点，R峰后去150个点。

进一步的，所述栈式稀疏自编码器包括输入层、第一隐含层、第二隐含层和第三隐含层，第一隐含层、第二隐含层和第三隐含层分别为稀疏自编码器；

所述栈式稀疏自编码器模型逐层学习过程包括：

参数初始化阶段所用的数据集为无类标的心电数据集，参数精调阶段所用的数据集为带类标的心电数据集。

步骤S3a、利用无类标数据集训练第一稀疏自编码器，保留第一隐含层分析阶段参数，舍弃合成阶段的参数及输出；

步骤S3b、将第一稀疏自编码器的隐含层的输出作为第二稀疏自编码器的输入，训练第二个稀疏自编码器，保留第二隐含层分析阶段，舍弃合成阶段的参数及输出；

步骤S3c、将第二稀疏自编码器的隐含层的输出作为第三稀疏自编码器的输入，训练第三稀疏自编码器，保留第三隐含层分析阶段的参数，舍弃合成阶段的参数及输出；

步骤S3d、将第三隐含层的输出作为Softmax分类器的输入，第三隐含层的输出为心电信号特征。

进一步的，所述栈式稀疏自编码器的的心电信号特征学习模型为：

式中，l为隐含层序号，l∈{1，2，…,L}；

为分析阶段第l隐含层的激活函数；

为合成阶段第l隐含层的激活函数；W_l ^a，

分别为第l隐含层分析阶段的参数；W_l ^s，

分别为第l隐含层合成阶段的参数；输出

为输入X_l第l隐含层的预测估计；x为心电信号样本数据。

进一步的，所述激活函数

和

均为为Sigmiod函数，具体如下：

进一步的，所述Softmax分类器的心电信号识别模型为：

式中，k为心电信号类别数，

表示第k种心电信号的估计概率值，θ_k为Softmax分类器的第k个输出的连接权向量，s为隐含层输出的特征向量。

如上所述，本发明提供的基于深度堆栈网络的心电信号识别方法，具有如下有益效果：

1、本发明针对大量心电数据难以诊断的难题，栈式稀疏自编码器与Softmax分类器结合构建了深度堆栈网络用于心电信号识别。

2、本发明利用稀疏自编码器的稀疏性，集中信号特征的表达，在提高网络学习能力的同时也提高了网络泛化能力，多个隐含层的堆叠实现了对信号特征从低维到高维的深度挖掘。

3、本申请的心电信号识别方法与现有技术中的多层感知器模型、栈式自编码器模型、主成分分析算法相比大大提高了心电信号识别的准确率。

附图说明

图1为本发明具体实施例整体流程示意图；

图2为本发明具体实施例的心电信号识别模型示意图；

图3为本发明具体实施例的4中心电信号类型示意图；

图4为本发明具体实施例的深度堆栈网络识别结果；

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1所示，本实施例的基于深度堆栈网络的心电信号识别方法，包括如下步骤：

步骤S1、输入训练集样本，所述训练集样本包括正常类型、左束支阻滞类型、右束支阻滞类型和窒性早搏类型；

心电信号的自动分类过程通常包括心电信号采集、心电信号的预处理、心电信号的特征提取和分类。临床采集的心电信号是非常珍贵的，所以现在大多数心电信号的研究者研究所用的心电信号来源于4个国际权威的心电数据库，本实施例采用的是其中之一的MIT-BIH心律失常数据库，选取四个目标类型，分别为“正常(NORM)”、“左束支阻滞(LBBB)”、“右束支阻滞(RBBB)”、“室性早搏(PVC)”。其形态如图3所示，不同类型的训练集和测试集如表1所示。

表1 心律实验数据集(4种类型)

步骤S2、对训练集样本中的心电信号进行预处理后，截取心拍；

受到外部环境以及人体自身活动的影响，采集到的心电信号包含大量的噪声，需要去除的主要噪声分别为心电图仪的电极与人体体表接触不良造成的基线漂移噪声、人体肌肉颤动造成的肌电干扰和外界各种用电设备造成的工频干扰三种噪声。本实施例具体心电信号预处理方法包括：

步骤S2a、进行200ms的第一次中值滤波处理，处理去掉QRS波和P波；

步骤S2b、进行600ms第二次中值滤波处理，去除T波；

步骤S2c、将训练集的原始的心电信号减去所述第二次中值滤波处理信号得到消除基线漂移的心电信号；

步骤S2d、采用截止频率为35Hz的低通滤波方式去除步骤S2c得到的心电信号中的工频噪声和肌电噪声；

本实施例的所述截取心拍的方法包括：

S2e、峰值检测：设定第一阈值和第二阈值，且第一阈值大于第二阈值，当检测到峰值超过其中一个所述阈值时，则检测到的峰为一个R峰；

S2f、信号截取：设定心拍长度为250个点，以所述R锋为基准，向所述R峰前去100个点，R峰后去150个点，心拍的时间为0.7s。

信号特征提取是整个过程的核心环节，病理信息体现在信号特征上，心电信号的特征提取也是过去几十年心电信号分类研究的关键，其中最重要的特征是R波、P波、T波的形态、位置和幅度，心电主要波形的检测是心电特征提取和分类的基础，为此，小波变换、小波变换与数学形态学相结合、R波检测和心电数据压缩相结合等算法不断被提出。上述方法在特定的数据集下虽都能取得较高的准确率，但是仍存在需要人工设计特征，构建模板甚至需要心脏专家的参与等诸多问题，这些问题导致时间、金钱成本的增加，所以，本实施例采用深度堆栈网络学习算法进行心电信号的特征提取和分类，深度堆栈网络训练过程分参数初始化阶段和参数精调阶段，在参数初始化阶段和参数精调阶段，参数训练方法都使用误差反向传播法。误差反向传播是指根据网络输出与样本的间接误差反向求出每一层的每一个神经元的误差，通过该误差可以得到一个神经元的误差对于参数的梯度，可以根据优化目标调整参数使用网络输出总的误差最小。

本实施例的深度堆栈网络为栈式稀疏自编码器与Softmax分类器结合，其识别心电信号分为特征提取和信号分类两个部分，所述第三个隐含层的输出即为心电信号提取的特征矩阵，将其输入Softmax分类器中，通过Softmax分类器计算得到识别结果。

步骤S3、建立栈式稀疏自编码器，通过所述栈式稀疏自编码器模型逐层学习，完成心电信号特征提取；

参数初始化阶段主要任务是特征学习，采用无监督训练方式，即在无类标数字据集上获得优化目标函数。本实施例所述栈式稀疏自编码器包括输入层、第一隐含层、第二隐含层和第三隐含层，第一隐含层、第二隐含层和第三隐含层分别为稀疏自编码器，本实施例所述参数初始化阶段即栈式稀疏自编码器模型逐层学习过程包括：

步骤S3a、利用无类标数据集训练第一稀疏自编码器，保留第一隐含层分析阶段参数，舍弃合成阶段的参数及输出；

所述栈式稀疏自编码器的心电信号特征学习模型为：

式中，l为隐含层序号，l∈{1，2，…,L}；

为分析阶段第l隐含层的激活函数；

为合成阶段第l隐含层的激活函数；W_l ^a，

分别为第l隐含层分析阶段的参数；W_l ^s，

分别为第l隐含层合成阶段的参数；输出

为输入X_l第l隐含层的预测估计；x为心电信号样本数据。

所述激活函数

和

均为为Sigmiod函数，具体如下：

所述无监督训练时输入、输出数据采用心电信号相同的样本数据，将正向传播时获取的网络输出与心电信号样本数据间的误差进行反向传播，用以调整稀疏自编码器的参数，依据能量损失准则给出深度堆栈网络参数初始化阶段的优化目标函数为：

其中

为输入x_i的估计值；

为KL距离，利用KL距离引入稀疏性约束，构造的稀疏正则项为：

其中

为第l层第j个节点的的平均激活度；ρ_l为平均激活度的目标值；

表示了通过更新参数(W^a,b^a)获得的

与ρ_l之间的差异。

步骤S3b、将第一稀疏自编码器隐含层的输出作为第二稀疏自编码器的输入继续以无监督训练方式训练第二个稀疏自编码器，保留第二隐含层分析阶段，舍弃合成阶段的参数及输出；

步骤S3c、将第二稀疏自编码器隐含层的输出作为第三稀疏自编码器的输入继续以无监督训练方式训练第三个稀疏自编码器，保留第三隐含层分析阶段的参数，舍弃合成阶段的参数及输出，三个稀疏自编码器串联构成栈式自编码器；

步骤S3d、将第三隐含层的输出作为Softmax分类器的输入。

步骤S4、将提取的心电信号特征通过Softmax分类器进行有监督训练，获得心电类型概率估计值，进而完成心电信号类型的识别。本实施例所述Softmax分类器的心电信号识别模型为：

式中，k为心电信号类别数，

表示第k种心电信号的估计概率值，θ_k为Softmax分类器的第k个输出的连接权向量，s为隐含层输出的特征向量。

对深度堆栈网络进行参数训练，即参数精调阶段采用有监督训练方式在有类标训练集上利用误差反向传播算法更新深度堆栈网络的参数，即深度堆栈网络包括栈式稀疏编码器和Softmax分类器的所有参数(W,b,θ)，最终输出心电信号的概率估计值完成识别任务。

利用多目标优化原则构造深度堆栈网络参数精调阶段的优化目标函数为：

其中，M为隐含层输出样本数，K为心电信号类别数，ξ为权重衰减系数。

为引入的惩罚项，旨在防止梯度消失，可以快速找到全局最优解。

本实施例采用总准确率(Total classification accuracy，TCA)和阳性预测值(Positive predictive value，PPV)的方式对本发明技术方案进行验证，具体指标定义如下：

其中，TP代表被正确分类的心跳数，TN代表不属于该种类型被分类的数量，FP代表属于该种类型被分类的数量，FN代表被错误分类的心跳数。

由于栈式稀疏自编码模型中稀疏参数的选取对分类效果影响极大，本实施例针对心电信号分类问题，采用如下方法对相关参数进行选择。

首先，选择稀疏参数ρ和β，所述栈式稀疏自编码器隐含层数为3，每层的节点个数分别为150，50，10，根据心电信号的心拍长度，输入节点为250，输出节点个数为4，分别对应了不同心电信号类型。结果分别如表2、表3所示。

表2 参数β对分类准确率的影响(ρ＝0.01)

由表2可以看出分类准确率随着β先增大后减小，且β为3时效果最优。设定稀疏性的权重β过大时，测试集准确率降低；

表3 参数ρ对分类准确率的影响(β＝3)

从表3可以得出结论：参数ρ为变量时，分类准确率的整体趋势为先增大后稳定减小，且ρ为0.01时准确率最高，特征表达能力最优，设定平均激活度的目标值ρ过小时，会导致部分重要信息被弱化，从而导致分类准确率降低，特征表达能力下降。

其次，选择隐含层数，栈式稀疏自编码器分类模型的隐含层数会影响特征提取效果，分别构建由1～6层的隐含层构成的栈式稀疏自编码器结合Softmax分类器构成的深度模型，以分类准确率为评价标准求取最佳隐含层数。其结果如表4所示。

表4 隐含层数对分类性能影响结果

由表4可得出结论：分类准确率随隐含层数的增大呈现先增高后降低的趋势，相对于单隐含层结构，多隐含层网络特征表达能力更佳，其中在隐含层数为3时分类效果最好，但是隐含层数过多时不但会造成部分关键信息丢失还会增加训练的复杂程度。

再次，选择隐含层节点数，自编码器模型隐含层节点数小于输入层节点数时可以实现特征压缩，隐含层节点数直接影响特征转换后的特征表达，本实施例构建含有1个隐含层的栈式稀疏自编码器模型，以Softmax分类器的准确率为标准，改变隐含层节点数，得到的结果如表5所示。

表5 隐含层节点数对分类性能影响结果

由表5可得结论：在节点数为150时，分类效果最佳。隐含层节点数过多会导致在表示心电信号的特征时过于冗余，影响了关键特征的提取，从而使分类的准确率下降；隐含层节点数过少，又会造成心电信息过度压缩，造成部分关键特征缺失，分类的准确率下降。

综上，本实施例的深度栈式网络由栈式稀疏自编码器和Softmax分类器构成。栈式稀疏自编码器的各层单元数结构为{250-150-50-10-4}，输入为第一层250个节点，第5层4个节点为输出层对应心电信号类别，批次大小为200，训练次数为40。平均激活度的目标值ρ为0.01，稀疏权重β为3，分类器的衰减系数ξ为0.0001。

将本实施例构建的深度栈式网络与多层感知器模型(Multilayer perceptron，MLP)，栈式自编码器模型(Stack automatic encoder，SAE)，主成分分析算法(Principalcomponent analysis，PCA)的特征提取能力通过实验进行对比，结果如下：

基于栈式稀疏自编码器的识别总准确率为99.69％。其中NORM、LBBB、RBBB、PVC的阳性预测值分别为99.78％、98.87％、98.40％、98.38％。结果如图4所示，表明本文方法在心电信号自动诊断方面适应性强。

根据Softmax分类器分类原则，选择其中四种测试样本的识别结果如表6所示。

表6 Softmax分类器结果

表7为相对于其他方法的分类性能比较。从结果可以看出本文采用的深度堆栈网络分类方法可自动提取心电信号的全面高层特征进行分类，相对其他方法具有较高的准确率。

表7 几种神经网络分类性能比较

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (7)

1.基于深度堆栈网络的心电信号识别方法，其特征在于：包括如下步骤：

步骤S1、输入训练集样本，所述训练集样本包括正常类型、左束支阻滞类型、右束支阻滞类型和窒性早搏类型；

步骤S2、对训练集样本中的心电信号进行预处理后，截取心拍；

步骤S3、建立栈式稀疏自编码器，通过所述栈式稀疏自编码器模型逐层学习，完成心电信号特征提取；

步骤S4、将提取的心电信号特征通过Softmax分类器进行有监督训练，获得心电类型概率估计值，进而完成心电信号类型的识别。

2.根据权利要求1所述基于深度堆栈网络的心电信号识别方法，其特征在于：所述步骤S2所述心电信号预处理方法包括：

步骤S2a、进行第一次中值滤波处理去掉QRS波和P波；

步骤S2b、进行第二次中值滤波处理去掉T波；

步骤S2c、将训练集的原始的心电信号减去所述第二次中值滤波处理信号得到消除基线漂移的心电信号；

步骤S2d、采用低通滤波方式去除步骤S2c得到的心电信号中的工频噪声和肌电噪声。

3.根据权利要求2所述基于深度堆栈网络的心电信号识别方法，其特征在于：所述截取心拍的方法包括：

S2e、峰值检测：设定第一阈值和第二阈值，且第一阈值大于第二阈值，当检测到峰值超过其中一个所述阈值时，则检测到的峰为一个R峰；

S2f、信号截取步骤：设定心拍长度为250个点，以所述R锋为基准，向所述R峰前去100个点，R峰后去150个点。

4.根据权利要求1所述基于深度堆栈网络的心电信号识别方法，其特征在于：所述栈式稀疏自编码器包括输入层、第一隐含层、第二隐含层和第三隐含层，第一隐含层、第二隐含层和第三隐含层分别为稀疏自编码器；

所述栈式稀疏自编码器模型逐层学习过程包括：

步骤S3a、利用无类标数据集训练第一稀疏自编码器，保留第一隐含层分析阶段参数，舍弃合成阶段的参数及输出；

步骤S3b、将第一稀疏自编码器的隐含层的输出作为第二稀疏自编码器的输入，训练第二个稀疏自编码器，保留第二隐含层分析阶段，舍弃合成阶段的参数及输出；

步骤S3c、将第二稀疏自编码器的隐含层的输出作为第三稀疏自编码器的输入，训练第三稀疏自编码器，保留第三隐含层分析阶段的参数，舍弃合成阶段的参数及输出；

步骤S3d、将第三隐含层的输出作为Softmax分类器的输入。

5.根据权利要求1所述基于深度堆栈网络的心电信号识别方法，其特征在于：所述栈式稀疏自编码器的心电信号特征学习模型为：

式中，l为隐含层序号，l∈{1，2，…,L}；

为分析阶段第l隐含层的激活函数；

为合成阶段第l隐含层的激活函数；W_l ^a，

分别为第l隐含层分析阶段的参数；W_l ^s，

分别为第l隐含层合成阶段的参数；输出

为输入X_l第l隐含层的预测估计；x为心电信号样本数据。

6.根据权利要求5所述基于深度堆栈网络的心电信号识别方法，其特征在于：所述激活函数

和

均为为Sigmiod函数，具体如下：

7.根据权利要求1所述基于深度堆栈网络的心电信号识别方法，其特征在于：所述Softmax分类器的心电信号识别模型为：

式中，k为心电信号类别数，

表示第k种心电信号的估计概率值，θ_k为Softmax分类器的第k个输出的连接权向量，s为隐含层输出的特征向量。

Images