CN111202512A - 一种基于小波变换与dcnn的心电图分类方法和装置 - Google Patents

一种基于小波变换与dcnn的心电图分类方法和装置 Download PDF

Info

Publication number
CN111202512A
CN111202512A CN202010145852.5A CN202010145852A CN111202512A CN 111202512 A CN111202512 A CN 111202512A CN 202010145852 A CN202010145852 A CN 202010145852A CN 111202512 A CN111202512 A CN 111202512A
Authority
CN
China
Prior art keywords
electrocardiogram
wavelet
convolution
dcnn
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010145852.5A
Other languages
English (en)
Inventor
成金勇
赵运祥
张平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202010145852.5A priority Critical patent/CN111202512A/zh
Publication of CN111202512A publication Critical patent/CN111202512A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Cardiology (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供一种基于小波变换与DCNN的心电图分类方法和装置，属于生物医学与模式识别领域。本发明基于小波变换与深度卷积神经网络的心电图信号自动分类方法和装置，利用小波函数将心电图信号分解成不同频率尺度的子信号，经过分段过滤后进行小波重构，利用24层卷积神经网络采用交叉大小卷积核进行特征提取，在传递特征信息时采用dropout和Batch Normalization来防止数据过拟合，最终利用softmax分类器进行分类。该方法已在2017 PhysioNet/CinC Challenge所提供的ECG数据集上得到验证，其准确率为0.871，F1得分为0.8652。研究表明：通过小波变换能够更有效地消除心电图信号噪音，利用24层深度卷积神经网络能够提取多层次特征，同时加大卷积核的大小增加感受视野，从而提升模型的分类性能。

Description

一种基于小波变换与DCNN的心电图分类方法和装置
技术领域
本发明涉及生物医学与模式识别领域，具体涉及一种基于小波变换与DCNN的心电图分类方法和装置。
背景技术
心房颤动(房颤)是临床最常见的持续性快速心律失常。房颤的主要危害是增加血管栓塞的危险，是缺血性脑卒中的主要原因之一。房颤表现在心电图上就是各导联上窦性P波消失，QRS波形态、振幅与窦性心律基本相同，R-R间期绝对不均衡。心电图自动分析与分类系统可以为医生诊断心脏疾病提供巨大帮助，对提高医疗效率，降低医疗成本，预防诊断心脏疾病具有重要意义。
近几年国内外对心电信号自动识别分类进行了广泛的研究。随着机器学习的发展，利用支持向量机(SVM)来进行多分类任务，利用内积核函数代替向高维空间的非线性映射，实现高效的从训练样本到预测样本的“推理转换”。Kumar提出了一种基于小波变换心电信号自动分类方法，对心电信号进行节拍分割。并对每个心电节拍进行小波变换，最后采用支持向量机来分类。Ramírez对597例慢性心力衰竭伴窦性心律患者的心电图记录进行分，最终使用支持向量机将患者分为三组，取得了良好的结果。SmisekIt提出利用个体节拍和整体心电图的不同节律和形态特征分别表示短期事件和整体趋势，最后用支持向量机进行分类。但是由于SVM的计算能力对数据规模和机器设备有较大的依赖，应用到多分类问题的时候，对数据高维度特征必须进行降维处理后才能进行分类，降维往往会丢失数据特征，从而影像分类精度，所以应用到多分类问题时，使用深度学习更有优势。
随着深度学习的迅速发展，神经网络在特征提取方面所体现的优势逐渐明显，深度学习通常将简单的模型组合在一起，将数据从一层传递到另一层来构建更复杂的模型。卷积神经网络(CNN)是目前最流行的深度学习算法之一，CNN尤其适用于发现图像中的模式，直接从图像数据中学习，使用模式对图像进行分类，CNN在各个应用中都展现了不错的效果。Rubin提出使用训练数据集训练两个卷积神经网络(CNN)模型(主模型接受15s的ECG段，第二个模型处理较短的9s段)来进行分类。Pyakillya提出了基于一维卷积层和FCN层的心电分类深度学习模型，并给出了分类结果。Warrick提出将卷积神经网络(CNNs)与循环神经网络相结合，并采dropout和归一化来提高其精度。Rizwan从心电图波形中提取特征并训练机器学习分类器。Hannun开发了一种深度神经网络(DNN)，对单导联心电图信号中的12种信号进行分类，其分类性能准确度高达83.7％，超过了人类心脏病医生的78％。
由于通过人体体表采集的心电信号不可避免的存在大量的噪音干扰，如肌电干扰，工频干扰等。Ari提出了一种基于遗传算法的IMF阈值技术，实验结果表明该方法优于传统的基于EMD降噪中的方法。Wu通过心电图信号增强消除噪音，提高信噪比(SNR)的同时保持了和较低的均方根误差(RMSE)。Ari和Wu所论述的方法由于没有考虑到心电图信号的本身特征，因此去除噪音的同时，也可能消除信号中的奇异点。本发明采用了基于小波变换来进行数据预处理，通过对ECG信号进行连续的小波变换(SWT)，将原始信号进行分解重构，消除噪音对信号的影响。在特征提取和分类方面，通过深度卷积网络用来对心电图信号进行特征提取，卷积神经网络的每个层检测信号不同的特征。卷积层滤波器会应用到不同分辨率的各个训练数据，从而提取到深层心电图特征，在心电图信号分类上显示出良好的性能。
发明内容
本发明的技术任务是针对现有技术的不足，提供一种基于小波变换与DCNN的心电图分类方法和装置，以更准确地对心电图进行分类识别。
在本发明中，使用一种基于小波变换与深度卷积神经网络相结合的心电图自动分类的方法，使用这种心电图自动分类方法在2017PhysioNet/CinC Challenge所提供的心电图数据集上取得优良的性能。针对心电信号微弱，提取特征层次不够导致识别分类准确性不足，主要在以下几个方面做出了改进：
1、对心电信号进行了滤波处理，使用小波变换能够在心电信号的时间频率上局部化分析，通过伸缩平移运算对信号逐步进行多尺度细化，能自适应对时频信号分析的要求，并有效保留了信号特征值，去噪音效果更好。
2、针对心电信号微弱以及在时间序列上更加冗长的特性，设计了更加深层次得卷积神经网络，来更好的提取心电信号的层次特征，由于心电数据和图像数据的差异性，相对图像数据我们设计了较大的卷积核，来增加卷积核的感受视野，同时使用一维卷积核对心电信号进行特征提取。
3、由于数据维度比较高，存在收敛效果与收敛速度如何平衡的问题，我们尝试使用RAdam作为优化器去解决收敛到局部解的问题，既能保证收敛速度快，也不容易掉入局部最优解，而且收敛结果对学习率的初始值并不敏感，不仅对效率有所提升，对最终优化分类结果也有帮助。
本发明解决其技术问题所采用的技术方案是：
1、本发明提供一种基于小波变换与DCNN的心电图分类方法，其实现包括如下步骤：
步骤S1、选取数据集，对数据集中的心电图数据进行采样；
步骤S2、数据集预处理，使用小波变换对数据集中的心电图数据进行预处理，得到心电数据测试样本；
步骤S3、深度卷积，特征提取，采用深度卷积神经网络DCNN提取心电信号的层次特征，采用了比提取图像特征更大的卷积核，来扩大卷积和的感受视野，同时使用一维卷积核对心电信号进行特征提取；
步骤S4、采用分类器对心电数据测试样本进行预测并输出分类结果；
步骤S5、对分类器输出的分类结果进行评价。
方案优选地，步骤S1中，数据集选取2017PhysioNet/CINC Challenge所提供的心电图数据集来作为评判，采样时长持续9s至60s，以300Hz采样，并通过AliveCor设备进行带通滤波。
方案优选地，步骤S2中，小波变换包括小波分解、小波重构，先将原始心电信号分解成小波分量到选定的层次，将噪音滤波后把信号进行小波重构，得到重构为不同尺度的心电信号；
通过基函数的伸缩和平移，能够在时域和频域同时具有良好的局部化性质，从而过滤掉心电图数据中的干扰波形，小波变函数计算公式如下：
Figure BDA0002400687660000041
小波变换有两个变量：尺度α和平移量τ，尺度α控制小波函数的伸缩，平移量τ控制小波函数的平移。
方案优选地，步骤S2中，利用小波变换进行分解，将分解层数设置为9，所选择的小波基是Daubechies(dbN)小波，N是小波的阶数，
除N＝1外，其他小波没有明确的表达式，但转换函数h的平方模是很明确的，假设：
Figure BDA0002400687660000042
其中
Figure BDA0002400687660000043
为二项式系数，则有：
Figure BDA0002400687660000044
其中:
Figure BDA0002400687660000045
小波ψ(t)和尺度函数φ(t)中的支撑区为2N-1，ψ(t)的消失矩为N，小波变换可以描述为f(t)∈L2(R)通过带通滤波器的输出响应。
方案优选地，步骤S3中，深度卷积神经网络DCNN包括：
卷积单元，采用卷积核将输入的特征图进行卷积求和，设计有24个Conv卷积层，每8个Conv卷积层采取不同卷积核大小来提取数据特征值，每个Conv卷积层后加入Dropout层，每2个Conv卷积层之间加入BN层；
池化单元，对卷积的特征图进行下采样，设计有12个池化层，交叉设置在每2个Conv卷积层之间；
分类单元，将卷积单元输出的特征图输入至Softmax分类器进行分类，并给出分类结果，设计有4个Dense全连接层，每个Dense全连接层后加入Dropout层。
方案优选地，每8个所述Conv卷积层的卷积核的数量分别设置为32、64、128，针对心电图数据时效特点采取相对普通图像数据更大的卷积核，将每个Conv卷积层大小设置为16。
方案优选地，所述Dropout层的取值为0.5。
方案优选地，步骤S5中实验取样维度为按照平均值取样，采取三级评价指标来评价分类结果，一级评价采用混淆矩阵来显示分类效果，并采用二级评价指标中的准确率(Accuracy)来对整个模型评价，计算公式如下：
Figure BDA0002400687660000051
其中，样本中真实值是positive，模型认为是positive的数量(True Positive＝TP)。真实值是positive，模型认为是negative的数量(False Negative＝FN)。真实值是negative，模型认为是positive的数量(False Positive＝FP)。真实值是negative，模型认为是negative的数量(True Negative＝TN)；
三级评价指标F1得分(F1-score)来评估分类性能，计算公式如下：
Figure BDA0002400687660000052
其中，P代表Precision，R代表Recall，F1-Score指标综合了Precision与Recall的产出的结果。
方案优选地，每个Conv卷积层、每个Dense全连接层后各设计1个Relu激活函数层。
方案优选地，步骤S3中，深度卷积神经网络DCNN在提取特征的同时，由于网络层数过深，要面临梯度消失的问题，为此使用RAdam作为优化器，以确保扎实的训练开始。
2、本发明另提供一种基于小波变换与DCNN的心电图分类装置，包括：
数据集采样模块，选取数据集，对数据集中的心电图数据进行采样；
数据集预处理模块，使用小波变换对数据集中的心电图数据进行预处理，得到心电数据测试样本；
深度卷积、特征提取模块，采用深度卷积神经网络DCNN提取心电信号的层次特征，采用了比提取图像特征更大的卷积核，来扩大卷积和的感受视野，同时使用一维卷积核对心电信号进行特征提取；
分类器模块：采用分类器对心电数据测试样本进行预测并输出分类结果；
评价指标模块：对分类器输出的分类结果进行评价。
本发明的一种基于小波变换与DCNN的心电图分类方法和装置与现有技术相比所产生的有益效果是：
本发明基于小波变换与深度卷积神经网络的心电图信号自动分类方法和装置，利用小波函数将心电图信号分解成不同频率尺度的子信号，经过分段过滤后进行小波重构，利用24层卷积神经网络采用交叉大小卷积核进行特征提取，在传递特征信息时采用dropout和Batch Normalization来防止数据过拟合，最终利用softmax分类器进行分类。该方法已在2017PhysioNet/CinC Challenge所提供的ECG数据集上得到验证，其准确率为0.871，F1得分为0.8652。
本研究主要得出结论：通过小波变换能够更有效地消除心电图信号噪音，利用24层深度卷积神经网络能够提取多层次特征，同时加大卷积核的大小增加感受视野，从而提升模型的分类性能。
附图说明
为了更清楚地描述本发明自动喷雾结合捕尘网的工作原理，下面将附上简图作进一步说明。
附图1是本发明的实施方式流程图；
附图2是本发明数据预处理示意图；
附图3是本发明经小波变换滤波处理示意图；
附图4是传统卷积神经网络示意图；
附图5是本发明深度神经网络示意图；
附图6是本发明实施结果Accuracy示意图；
附图7是本发明实施结果F1-score示意图。
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。
实施例一
请参阅图1，本发明的一种基于小波变换与DCNN的心电图分类方法，该方法首先采用小波变换对心电信号进行滤波，并将分析定位在心电信号的时间和频率上，通过伸缩平移操作，信号逐渐被多尺度细化，有效保留信号的特征值，其次采用深度卷积神经网络提取心电信号的层次特征，最终在测试数据集上进行测试，利用分类器进行分类，其实现包括如下步骤：
步骤S1、选取数据集
由于心电图信号易受干扰的特性，本发明选取2017PhysioNet/CINC Challenge所提供的心电图数据集来作为评判。2017PhysiNet/CINC challenge数据集，从单个短心电图导联记录(长度在30秒到60秒之间)中，记录主要对正常窦性心律、房颤(AF)进行分类，另外两类数据分别是其他心脏疾病数据和噪音数据。数据集包含8528个单导联心电图记录，持续9s至60s，以300hz采样，并通过AliveCor设备进行带通滤波，数据集分布情况如表1。
表1 2017PhysiNet/CINC challenge数据集
Figure BDA0002400687660000071
Figure BDA0002400687660000081
步骤S2、数据集预处理
由于心电信号自身极易受到干扰，对于数据集标注为正常的信号在开始时也有严重的噪音干扰，这些干扰对于医生来说，可以根据整个记录来进行判断，但是对于计算机来说，严重的噪音干扰会直接影响对心电信号的识别与分类。本发明对在数据预处理阶段对心电图信号进行了小波变换滤波，将心电图信号分解成不同频率尺度的子信号，经过分段过滤后进行小波重构，通过基函数的伸缩和平移，能够在时域和频域同时具有良好的局部化性质，从而过滤掉心电图数据中的干扰波形，如公式(1)中小波变函数，小波变换有两个变量：尺度α和平移量τ，尺度α控制小波函数的伸缩，平移量τ控制小波函数的平移。
Figure BDA0002400687660000082
小波变换是一种有效的时频分析工具，根据原始记录的采样频率和带宽，利用小波变换进行分解，将分解层数设置为9，将原始信号分解成小波分量到选定的层次，将噪音滤波后把信号进行小波重构，得到重构为不同尺度的心电信号，小波变换滤波过程如图2。本发明选择的小波基是Daubechies(dbN)小波，Daubechies小波是世界著名的小波分析学者Inrid·Daubechies构造的小波函数，简写为dbN，N是小波的阶数。
除N＝1外，其他小波没有明确的表达式，但转换函数h的平方模是很明确的。假设：
Figure BDA0002400687660000083
其中
Figure BDA0002400687660000084
为二项式系数，则有：
Figure BDA0002400687660000091
其中:
Figure BDA0002400687660000092
小波ψ(t)和尺度函数φ(t)中的支撑区为2N-1，ψ(t)的消失矩为N。dbN大多数不具有对称性；对于有些小波函数不对称是明显的。正则性随序号N的增加而增加，函数具有正交性。小波变换可以描述为f(t)∈L2(R)通过带通滤波器的输出响应，因此小波变换对原始心电信号进行滤波处理更具有稳定性。如图3提取了一小段心电信号进行小波变换处理，通过比较，经过滤波后的信号更加平稳。
步骤S3、深度卷积，特征提取
卷积神经网络与普通神经网络的区别在于，卷积神经网络包含多个由卷积层和池化层构成的特征抽取器。在卷积层中，一个神经元只与部分邻层神经元连接，在每一个卷积层中，通常包含若干个特征平面，每个特征平面由一些矩形排列的神经元组成，同一特征平面的神经元共享权值，共享权值(卷积核)带来的直接好处是减少网络各层之间的连接，同时又降低了过拟合的风险。池化层可以看作一种特殊的卷积过程。池化层简化了模型复杂度，减少了模型的参数。完整的卷积神经网络结构如图4。
公式(5)(6)是对于每一个卷积层的输入和输出，conv代表卷积运算函数，W是卷积核矩阵，X是输入矩阵，b是偏置，
Figure BDA0002400687660000093
是激活函数。
V＝conv(W,X,)+b (5)
Figure BDA0002400687660000094
对于每一个卷积层而言，每一个卷积层都有一个不同的权重矩阵W，并且W,X,Y是矩阵形式，对于最后一层的全连接层，设定为L层，输出向量形式的yN，期望值输出是h，则有总误差公式：
Figure BDA0002400687660000095
总误差中的h,y分别是期望输出和网络输出的向量，||x||2表示向量x的2-范式，计算表达式为：
Figure BDA0002400687660000101
针对心电图数据，本发明设计了一种深度卷积神经网络进行特征提取，相比于传统的卷积神经网络，采用了比提取图像特征更大的卷积核，来扩大卷积核的感受视野，来满足心电图信号时序性强的数据特点，设计了24个Conv卷积层，每8个Conv卷积层采取不同卷积核大小来来更好的提取数据特征值，卷积核数量每八层分别设置为32、64、128，针对心电图数据时效特点采取相对普通图像数据更大的卷积核，将每层卷积核大小设置为16，采用了配合不同的卷积核大小和数量，来尽可能的挖掘数据特征，网络结构设计如图5，神经元仅与其相邻的上一层神经元相连接，通过对学习到的局部特征进行组合形成最后的全局特征，要在加深网络结构的同时依然保持高效，卷积神经网络非常高效的原因就是池化层(Pooling)。池化层是像卷积一样，用于对数据的每个局部区域标量变换的一种矢量。本发明设计有12个池化层，在每两个Conv卷积层后加入池化层进行下采样，保证算法的高效性，为了防止模型出现过拟合的现象，在每个Conv卷积层后加入Dropout层，Dropout层的取值为0.5，它可以随机地将一些激活值设置为0，迫使网络探索更多的方式来分类数据，而不是过度依赖一些功能。
因深度网络模型在提取特征的同时，由于网络层数过深，要面临梯度消失的问题，为了防止出现这种现象，我们使用RAdam作为优化器，RAdam利用动态整流器根据方差调整Adam的自适应动量，并有效地提供自动预热，根据当前数据集定制，以确保扎实的训练开始。同时在每2个Conv卷积层之间加入BN(Batch Normalization层)，它通过将每批数据标准化为具有零均值和单位差异来工作，极大地提高了准确性，同时极大地加快了训练过程。
步骤S4、采用分类器对心电数据测试样本进行预测并输出分类结果将卷积单元输出的特征图输入至Softmax分类器进行分类，并给出分类结果，设计有4个Dense全连接层，每个Dense全连接层后加入Dropout层，Dropout层的取值为0.5。
每个Conv卷积层、每个Dense全连接层后各设计1个Relu激活函数层。
步骤S5、对分类器输出的分类结果进行评价
本发明实验取样维度为按照平均值取样，采取三级评价指标来评价分类结果。一级评价采用混淆矩阵(也称误差矩阵，Confusion Matrix)来显示分类效果，分类结果见图5。并采取二级评价指标中的准确率(Accuracy)来对整个模型评价，它的公式如公式9。训练与测试结果如图6，Accuracy用来计算分类模型所有判断的结果占总观测值的比重。其中，样本中真实值是positive，模型认为是positive的数量(True Positive＝TP)。真实值是positive，模型认为是negative的数量(False Negative＝FN)。真实值是negative，模型认为是positive的数量(False Positive＝FP)。真实值是negative，模型认为是negative的数量(True Negative＝TN)。三级评价指标F1得分(F1-score)来评估分类性能他的计算公式如公式10。训练及测试结果图如图7。其中，P代表Precision，R代表Recall。F1-Score指标综合了Precision与Recall的产出的结果。
Figure BDA0002400687660000111
Figure BDA0002400687660000112
SmisekIt提出利用个体节拍和整体心电图的不同节律和形态特征分别表示短期事件和整体趋势，最后用支持向量机进行分类。Rubin提出使用训练数据集训练两个卷积神经网络(CNN)模型(主模型接受15s的ECG段，第二个模型处理较短的9s段)来进行分类。Pyakillya提出了基于一维卷积层和FCN层的心电分类深度学习模型，并给出了分类结果。Warrick提出将卷积神经网络(CNNs)与循环神经网络相结合，并采dropout和归一化来提高其精度。Rizwan从心电图波形中提取特征并训练机器学习分类器。本发明采用小波变换对心电信号进行滤波，并将分析定位在心电信号的时间和频率上。通过伸缩平移操作，信号逐渐被多尺度细化。有效地保留了信号的特征值，并采用深卷积神经网络更好地提取心电信号的层次特征，最终在测试数据集上取得了良好的性能。实验对比结果如表2。
表2
Figure BDA0002400687660000121
实施例二
如附图1所示，本发明的一种基于小波变换与DCNN的心电图分类装置，包括：
数据集采样模块，选取数据集，对数据集中的心电图数据进行采样；
数据集预处理模块，使用小波变换对数据集中的心电图数据进行预处理，得到心电数据测试样本；
深度卷积、特征提取模块，采用深度卷积神经网络DCNN提取心电信号的层次特征，采用了比提取图像特征更大的卷积核，来扩大卷积和的感受视野，同时使用一维卷积核对心电信号进行特征提取；
分类器模块：采用分类器对心电数据测试样本进行预测并输出分类结果；
评价指标模块：对分类器输出的分类结果进行评价。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
除说明书所述的技术特征外，均为本专业技术人员的已知技术。

Claims (10)

1.一种基于小波变换与DCNN的心电图分类方法，其特征在于，其实现包括如下步骤：
步骤S1、选取数据集，对数据集中的心电图数据进行采样；
步骤S2、数据集预处理，使用小波变换对数据集中的心电图数据进行预处理，得到心电数据测试样本；
步骤S3、深度卷积，特征提取，采用深度卷积神经网络DCNN提取心电信号的层次特征，采用了比提取图像特征更大的卷积核，来扩大卷积和的感受视野，同时使用一维卷积核对心电信号进行特征提取；
步骤S4、采用分类器对心电数据测试样本进行预测并输出分类结果；
步骤S5、对分类器输出的分类结果进行评价。
2.根据权利要求1所述的一种基于小波变换与DCNN的心电图分类方法，其特征在于，步骤S1中，数据集选取2017 PhysioNet/CINC Challenge所提供的心电图数据集来作为评判，采样时长持续9s至60s，以300Hz采样，并通过AliveCor设备进行带通滤波。
3.根据权利要求1或2所述的一种基于小波变换与DCNN的心电图分类方法，其特征在于，步骤S2中，小波变换包括小波分解、小波重构，先将原始心电信号分解成小波分量到选定的层次，将噪音滤波后把信号进行小波重构，得到重构为不同尺度的心电信号；
通过基函数的伸缩和平移，能够在时域和频域同时具有良好的局部化性质，从而过滤掉心电图数据中的干扰波形，小波变函数计算公式如下：
Figure FDA0002400687650000011
小波变换有两个变量：尺度α和平移量τ，尺度α控制小波函数的伸缩，平移量τ控制小波函数的平移。
4.根据权利要求3所述的一种基于小波变换与DCNN的心电图分类方法，其特征在于，步骤S2中，利用小波变换进行分解，将分解层数设置为9，所选择的小波基是Daubechies(dbN)小波，N是小波的阶数，
除N＝1外，其他小波没有明确的表达式，但转换函数h的平方模是很明确的，假设：
Figure FDA0002400687650000021
其中
Figure FDA0002400687650000022
为二项式系数，则有：
Figure FDA0002400687650000023
其中:
Figure FDA0002400687650000024
小波ψ(t)和尺度函数φ(t)中的支撑区为2N-1，ψ(t)的消失矩为N，小波变换可以描述为f(t)∈L2(R)通过带通滤波器的输出响应。
5.根据权利要求1、2或4所述的一种基于小波变换与DCNN的心电图分类方法，其特征在于，步骤S3中，深度卷积神经网络DCNN包括：
卷积单元，采用卷积核将输入的特征图进行卷积求和，设计有24个Conv卷积层，每8个Conv卷积层采取不同卷积核大小来提取数据特征值，每个Conv卷积层后加入Dropout层，每2个Conv卷积层之间加入BN层；
池化单元，对卷积的特征图进行下采样，设计有12个池化层，交叉设置在每2个Conv卷积层之间；
分类单元，将卷积单元输出的特征图输入至Softmax分类器进行分类，并给出分类结果，设计有4个Dense全连接层，每个Dense全连接层后加入Dropout层。
6.根据权利要求5所述的一种基于小波变换与DCNN的心电图分类方法，其特征在于，每8个所述Conv卷积层的卷积核的数量分别设置为32、64、128，针对心电图数据时效特点采取相对普通图像数据更大的卷积核，将每个Conv卷积层大小设置为16。
7.根据权利要求5所述的一种基于小波变换与DCNN的心电图分类方法，其特征在于，步骤S5中，实验取样维度为按照平均值取样，采取三级评价指标来评价分类结果，一级评价采用混淆矩阵来显示分类效果，并采用二级评价指标中的准确率(Accuracy)来对整个模型评价，计算公式如下：
Figure FDA0002400687650000031
其中，样本中真实值是positive，模型认为是positive的数量(True Positive＝TP)。真实值是positive，模型认为是negative的数量(False Negative＝FN)。真实值是negative，模型认为是positive的数量(False Positive＝FP)。真实值是negative，模型认为是negative的数量(True Negative＝TN)；
三级评价指标F1得分(F1-score)来评估分类性能，计算公式如下：
Figure FDA0002400687650000032
其中，P代表Precision，R代表Recall，F1-Score指标综合了Precision与Recall的产出的结果。
8.根据权利要求5所述的一种基于小波变换与DCNN的心电图分类方法，其特征在于，每个Conv卷积层、每个Dense全连接层后各设计1个Relu激活函数层。
9.一种基于小波变换与DCNN的心电图分类装置，其特征在于，步骤S3中，深度卷积神经网络DCNN在提取特征的同时，由于网络层数过深，要面临梯度消失的问题，为此使用RAdam作为优化器，以确保扎实的训练开始。
10.一种基于小波变换与DCNN的心电图分类装置，其特征在于，包括：
数据集采样模块，选取数据集，对数据集中的心电图数据进行采样；
数据集预处理模块，使用小波变换对数据集中的心电图数据进行预处理，得到心电数据测试样本；
深度卷积、特征提取模块，采用深度卷积神经网络DCNN提取心电信号的层次特征，采用了比提取图像特征更大的卷积核，来扩大卷积和的感受视野，同时使用一维卷积核对心电信号进行特征提取；
分类器模块：采用分类器对心电数据测试样本进行预测并输出分类结果；
评价指标模块：对分类器输出的分类结果进行评价。
CN202010145852.5A 2020-03-05 2020-03-05 一种基于小波变换与dcnn的心电图分类方法和装置 Pending CN111202512A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010145852.5A CN111202512A (zh) 2020-03-05 2020-03-05 一种基于小波变换与dcnn的心电图分类方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010145852.5A CN111202512A (zh) 2020-03-05 2020-03-05 一种基于小波变换与dcnn的心电图分类方法和装置

Publications (1)

Publication Number Publication Date
CN111202512A true CN111202512A (zh) 2020-05-29

Family

ID=70781628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010145852.5A Pending CN111202512A (zh) 2020-03-05 2020-03-05 一种基于小波变换与dcnn的心电图分类方法和装置

Country Status (1)

Country Link
CN (1) CN111202512A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111798980A (zh) * 2020-07-10 2020-10-20 哈尔滨工业大学（深圳） 基于深度学习网络的复杂医学生物信号处理方法和装置
CN112932497A (zh) * 2021-03-10 2021-06-11 中山大学 一种不平衡单导联心电数据分类方法及系统
CN112992356A (zh) * 2021-03-30 2021-06-18 太原理工大学 一种基于卷积层特征重排和svm的心力衰竭预测方法及装置
CN113361385A (zh) * 2021-06-03 2021-09-07 山东大学 心音分类方法及系统、可读存储介质、电子设备
CN113907762A (zh) * 2021-10-18 2022-01-11 浙江好络维医疗技术有限公司 一种可穿戴设备上的ecg信号的干扰波识别方法
CN114366047A (zh) * 2022-01-27 2022-04-19 上海国民集团健康科技有限公司 多任务神经网络脉象数据处理方法、系统及终端
WO2023101526A1 (ko) * 2021-12-03 2023-06-08 서울대학교병원 다채널 1차원 시그널로부터 얻어진 이미지를 분석하는 이미지 기반 인공지능 모델을 훈련하는데 사용되는 훈련 이미지 생성 방법 및 이를 수행하는 장치

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090069703A1 (en) * 2007-05-17 2009-03-12 The Cleveland Clinic Foundation System for artifact detection and elimination in an electrocardiogram signal recorded from a patient monitor
CN105748063A (zh) * 2016-04-25 2016-07-13 山东大学齐鲁医院 基于多导联和卷积神经网络的心律失常智能诊断方法
CN108714026A (zh) * 2018-03-27 2018-10-30 杭州电子科技大学 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法
CN110136779A (zh) * 2019-05-30 2019-08-16 上海大学 一种生物网络关键差异节点的样本特征提取及预测方法
US20200015755A1 (en) * 2018-07-12 2020-01-16 The Chinese University Of Hong Kong Deep learning approach for long term, cuffless, and continuous arterial blood pressure estimation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090069703A1 (en) * 2007-05-17 2009-03-12 The Cleveland Clinic Foundation System for artifact detection and elimination in an electrocardiogram signal recorded from a patient monitor
CN105748063A (zh) * 2016-04-25 2016-07-13 山东大学齐鲁医院 基于多导联和卷积神经网络的心律失常智能诊断方法
CN108714026A (zh) * 2018-03-27 2018-10-30 杭州电子科技大学 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法
US20200015755A1 (en) * 2018-07-12 2020-01-16 The Chinese University Of Hong Kong Deep learning approach for long term, cuffless, and continuous arterial blood pressure estimation
CN110136779A (zh) * 2019-05-30 2019-08-16 上海大学 一种生物网络关键差异节点的样本特征提取及预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
任晓霞: "基于Dropout深度卷积神经网络的ST段波形分类算法", 《传感技术学报》 *
罗强: "基于小波分析的心电信号去噪研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111798980A (zh) * 2020-07-10 2020-10-20 哈尔滨工业大学（深圳） 基于深度学习网络的复杂医学生物信号处理方法和装置
CN112932497A (zh) * 2021-03-10 2021-06-11 中山大学 一种不平衡单导联心电数据分类方法及系统
CN112992356A (zh) * 2021-03-30 2021-06-18 太原理工大学 一种基于卷积层特征重排和svm的心力衰竭预测方法及装置
CN112992356B (zh) * 2021-03-30 2022-04-26 太原理工大学 基于卷积层特征重排和svm的心力衰竭预测方法及装置
CN113361385A (zh) * 2021-06-03 2021-09-07 山东大学 心音分类方法及系统、可读存储介质、电子设备
CN113361385B (zh) * 2021-06-03 2022-06-21 山东大学 心音分类方法及系统、可读存储介质、电子设备
CN113907762A (zh) * 2021-10-18 2022-01-11 浙江好络维医疗技术有限公司 一种可穿戴设备上的ecg信号的干扰波识别方法
WO2023101526A1 (ko) * 2021-12-03 2023-06-08 서울대학교병원 다채널 1차원 시그널로부터 얻어진 이미지를 분석하는 이미지 기반 인공지능 모델을 훈련하는데 사용되는 훈련 이미지 생성 방법 및 이를 수행하는 장치
CN114366047A (zh) * 2022-01-27 2022-04-19 上海国民集团健康科技有限公司 多任务神经网络脉象数据处理方法、系统及终端

Similar Documents

Publication Publication Date Title
Yildirim A novel wavelet sequence based on deep bidirectional LSTM network model for ECG signal classification
Oh et al. Automated diagnosis of arrhythmia using combination of CNN and LSTM techniques with variable length heart beats
CN108714026B (zh) 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法
Nurmaini et al. Robust detection of atrial fibrillation from short-term electrocardiogram using convolutional neural networks
CN111202512A (zh) 一种基于小波变换与dcnn的心电图分类方法和装置
Li et al. Inter-patient arrhythmia classification with improved deep residual convolutional neural network
Zhao et al. ECG classification using deep CNN improved by wavelet transform
Javadi et al. Classification of ECG arrhythmia by a modular neural network based on mixture of experts and negatively correlated learning
CN111990989A (zh) 一种基于生成对抗及卷积循环网络的心电信号识别方法
Diker et al. A novel application based on spectrogram and convolutional neural network for ECG classification
Cao et al. Atrial fibrillation detection using an improved multi-scale decomposition enhanced residual convolutional neural network
Alaskar Deep learning-based model architecture for time-frequency images analysis
Ullah et al. [Retracted] An Effective and Lightweight Deep Electrocardiography Arrhythmia Recognition Model Using Novel Special and Native Structural Regularization Techniques on Cardiac Signal
Peláez et al. Ischemia classification via ECG using MLP neural networks
Tseng et al. Sliding large kernel of deep learning algorithm for mobile electrocardiogram diagnosis
CN116361688A (zh) 用于心电节律自动分类的多模态特征融合模型构建方法
Berger et al. Generative adversarial networks in electrocardiogram synthesis: Recent developments and challenges
Dang et al. A deep biometric recognition and diagnosis network with residual learning for arrhythmia screening using electrocardiogram recordings
Oleiwi et al. Efficient ECG Beats Classification Techniques for The Cardiac Arrhythmia Detection Based on Wavelet Transformation.
Bassiouni et al. Deep learning approach based on transfer learning with different classifiers for ECG diagnosis
CN111603135B (zh) 一种基于主从支持向量机的低功耗癫痫检测电路
Chen et al. Multi-channel lightweight convolution neural network for anterior myocardial infarction detection
Tippannavar et al. Ecg based heart disease classification and validation using 2d cnn
CN112818315B (zh) 一种融合多特征信息的心电信号身份识别方法及系统
CN115500807A (zh) 基于小型卷积神经网络的心律失常分类检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200529