CN111626114A - 基于卷积神经网络的心电信号心律失常分类系统 - Google Patents
基于卷积神经网络的心电信号心律失常分类系统 Download PDFInfo
- Publication number
- CN111626114A CN111626114A CN202010313300.0A CN202010313300A CN111626114A CN 111626114 A CN111626114 A CN 111626114A CN 202010313300 A CN202010313300 A CN 202010313300A CN 111626114 A CN111626114 A CN 111626114A
- Authority
- CN
- China
- Prior art keywords
- layer
- data
- neural network
- convolutional neural
- electrocardiosignal
- 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.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 66
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 65
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000011176 pooling Methods 0.000 claims description 60
- 238000000034 method Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 208000024891 symptom Diseases 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 14
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 8
- 230000001746 atrial effect Effects 0.000 description 6
- 206010006580 Bundle branch block left Diseases 0.000 description 5
- 206010006582 Bundle branch block right Diseases 0.000 description 5
- 206010006578 Bundle-Branch Block Diseases 0.000 description 5
- 230000000747 cardiac effect Effects 0.000 description 5
- 206010015856 Extrasystoles Diseases 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 201000007916 right bundle branch block Diseases 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000002861 ventricular Effects 0.000 description 3
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 2
- 206010047289 Ventricular extrasystoles Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002763 arrhythmic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 201000001715 left bundle branch hemiblock Diseases 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 206010029470 Nodal rhythm Diseases 0.000 description 1
- 206010036590 Premature baby Diseases 0.000 description 1
- 208000009729 Ventricular Premature Complexes Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
基于卷积神经网络的心电信号心律失常分类系统,本发明涉及心电信号心律失常分类系统。本发明的目的是为了解决现有基于卷积神经网络的心电信号分类系统不能对现行十种主流心律失常症状进行分类的问题。系统包括:心电信号处理主模块、神经网络主模块、训练主模块和检测主模块;所述心电信号处理主模块用于在目标数据库中提取心电信号数据进行预处理,将处理后的数据分为训练和测试数据集,输入训练和检测主模块;所述神经网络主模块用于搭建卷积神经网络分类器模型;所述训练主模块利用训练数据集对搭建好的分类器模型进行训练;所述检测主模块利用测试数据集对训练好的分类器模型进行验证。本发明用于能医疗检测技术领域。
Description
技术领域
本发明涉及心电信号心律失常分类系统。
背景技术
心脏是人体的重要器官,它的功能是将氧气输送到人体的所有细胞并且连续工作不能出现任何故障。但是世界卫生组织报告说心血管疾病是全球第一大致死疾病,几乎有一半的致死原因被归为心源性猝死,而心律不齐是大多数心源性猝死的原因。心脏功能的任何不正常现象都称为心律不齐,而心电信号则代表心脏的所有电活动,是筛查和诊断心脏疾病的有用工具,心电信号的单个周期包含P,QRS和T波。通常,医生进行手动分析使用心电信号的波的持续时间和幅度以对心律失常类型进行分类。但是,手动分析判断是主观性的,既费时又可能有所偏差,因此研究人员开发出了可以自动进行心电信号的心律不齐分类方法。在此类方法当中,大多研究都使用机器学习技术对心电信号进行分类,例如有的研究人员将卷积神经网络用于AAMI(美国医疗仪器促进协会)所规定的五种心律失常分类,但是这些方法不能对现行十种主流心律失常症状进行分类。
发明内容
本发明的目的是为了解决现有基于卷积神经网络的心电信号分类系统不能对现行十种主流心律失常症状进行分类的问题,而提出基于卷积神经网络的心电信号心律失常分类系统。
基于卷积神经网络的心电信号心律失常分类系统包括:
心电信号处理主模块、神经网络主模块、训练主模块和检测主模块;
所述心电信号处理主模块用于在目标数据库中提取心电信号数据,并对心电信号数据进行信号分割处理,获得分割后的节拍样本数据,并将分割后的节拍样本数据按比例随机分为训练数据集和测试数据集,输入训练主模块和检测主模块;
所述神经网络主模块用于搭建卷积神经网络分类器模型;
所述训练主模块利用训练数据集对搭建好的卷积神经网络分类器模型进行训练,并获得训练好的卷积神经网络分类器模型;
所述检测主模块用于加载训练好的卷积神经网络分类器模型,利用测试数据集对训练好的卷积神经网络分类器模型进行验证;
若训练好的卷积神经网络分类器模型在测试数据集上的分类准确率大于等于99.8%,则利用训练好的卷积神经网络分类器模型作为最终模型,将最终模型用于心电信号心律失常分类;
否则,调整搭建的卷积神经网络分类器模型的学习率,利用训练样本集对搭建的卷积神经网络分类器模型进行重新训练,直至获得的训练好的模型在测试数据集上的分类准确率大于等于99.8%时,获得最终模型;再将最终模型用于心电信号心律失常分类。
本发明的有益效果为:
本发明所涉及的基于卷积神经网络的心电信号心律失常分类系统,通过对提取到的心电信号进行预处理后,设计一种卷积神经网络分类器模型,将预处理后的训练数据集输入模型进行训练,将预处理后的测试数据集输入训练后的卷积神经网络分类器模型,得到10种心律失常心电信号的分类结果;本发明在实验中正确识别率可达到99.84%,可有助于构建医生与患者之间的远程连接系统,用于自动诊断心律失常类型。
附图说明
图1为本发明结构框图;
图2为本发明中卷积神经网络分类器的结构示意图;
图3a为实施例中AAPB arrhythmia心律失常节拍时域波形示意图,Amp为幅值,Sample为采样点,AAPB arrhythmia为异常房性早搏(Aberrated Atrial Premature Beat)心律失常;
图3b为实施例中APB arrhythmia心律失常节拍时域波形示意图,APB arrhythmia为房性早搏(Atrial Premature Beat)心律失常;
图3c为实施例中FPNB arrhythmia心律失常节拍时域波形示意图,FPNBarrhythmia为起搏融合搏动(Fusion of Paced and Normal Beat)心律失常;
图3d为实施例中FVNB arrhythmia心律失常节拍时域波形示意图,FVNBarrhythmia为心室融合搏动(Fusion of Ventricular and Normal Beat)心律失常;
图3e为实施例中LBBB arrhythmia心律失常节拍时域波形示意图,LBBBarrhythmia为左束支传导阻滞搏动(Left bundle branch block beat)心律失常;
图3f为实施例中NB arrhythmia心律失常节拍时域波形示意图,NB arrhythmia为正常搏动(Normal Beat);
图3g为实施例中NJEB arrhythmia心律失常节拍时域波形示意图,NJEBarrhythmia为交界性逸搏(Nodal Junctional Escape Beat)心律失常;
图3h为实施例中NJPB arrhythmia心律失常节拍时域波形示意图,NJPBarrhythmia为交界性早搏(Nodal Junctional Premature Beat)心律失常;
图3i为实施例中PVC arrhythmia心律失常节拍时域波形示意图,PVC arrhythmia为室性早搏(Premature Ventricular Contraction)心律失常;
图3j为实施例中RBBB arrhythmia心律失常节拍时域波形示意图,RBBBarrhythmia为右束支传导阻滞搏动(Right Bundle Branch Block beat)心律失常;
图4为实施例中测试卷积神经网络分类器模型的混淆矩阵示意图,Confusionmatrix为混淆矩阵,Predicted label为预测标签,True label为真实标签。
具体实施方式
具体实施方式一:本实施方式基于卷积神经网络的心电信号心律失常分类系统包括:
心电信号处理主模块、神经网络主模块、训练主模块和检测主模块;
所述心电信号处理主模块用于在目标数据库中提取心电信号数据,并对心电信号数据进行信号分割处理,获得分割后的节拍样本数据,并将分割后的节拍样本数据按比例随机分为训练数据集和测试数据集,输入训练主模块和检测主模块;
所述神经网络主模块用于搭建卷积神经网络分类器模型;
所述训练主模块利用训练数据集对搭建好的卷积神经网络分类器模型进行训练,并获得训练好的卷积神经网络分类器模型;
所述检测主模块用于加载训练好的卷积神经网络分类器模型,利用测试数据集对训练好的卷积神经网络分类器模型进行验证;
若训练好的卷积神经网络分类器模型在测试数据集上的分类准确率大于等于99.8%,则利用训练好的卷积神经网络分类器模型作为最终模型,将最终模型用于心电信号心律失常分类;
否则,调整搭建的卷积神经网络分类器模型的学习率,利用训练样本集对搭建的卷积神经网络分类器模型进行重新训练,直至获得的训练好的模型在测试数据集上的分类准确率大于等于99.8%时,获得最终模型;再将最终模型用于心电信号心律失常分类。
本发明主要包含两个过程:心电信号的分割和卷积神经网络分类器模型的设计。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述心电信号处理主模块用于在目标数据库中提取心电信号数据,并对心电信号数据进行信号分割处理,获得分割后的节拍样本数据,并将分割后的节拍样本数据按比例随机分为训练数据集和测试数据集,输入训练主模块和检测主模块;具体过程为:
在目标数据库中提取心电信号数据,并对心电信号数据进行信号分割,分割过程为:
将注释文件与心电信号数据一起从MIT-BIH数据库下载,根据注释文件确定下载得到的心律不齐每种类型的节拍开始时间与结束时间,将每个节拍作为一个样本完成分割,获得分割后的节拍样本数据,将分割后的节拍样本数据按4:1的比例随机分为训练数据集和测试数据集。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述注释文件包括某一条心电信号数据里从头到尾每个节拍的起始时间、结束时间、采样点数、心律失常类型;
(注释文件包括某一条心电信号数据里从头到尾每个节拍的起始时间、采样点数、心律失常类型,可以直接跟着数据一起从MIT-BIH数据库下载下来,然后使用matlab导入注释文件对心电信号数据进行分割得到每个样本和它的类型。就是MIT-BIH数据库里自带的可以下载到的。)
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述神经网络主模块用于搭建卷积神经网络分类器模型;具体过程为:
卷积神经网络分类器模型为一维11层卷积神经网络,包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层、第四最大池化层、第一全连接层、第二全连接层、输出层;(这里输入层不计入神经网络总层数);
心电信号数据为输入层,输入层数据进入第一卷积层,第一卷积层的输出数据输入进第一最大池化层,第一最大池化层的输出数据输入进第二卷积层,第二卷积层的输出数据输入进第二最大池化层,第二最大池化层的输出数据输入进第三卷积层,第三卷积层的输出数据输入进第三最大池化层,第三最大池化层的输出数据输入进第四卷积层,第四卷积层的输出数据输入进第四最大池化层,第四最大池化层的输出数据输入进第一全连接层,第一全连接层的输出数据输入进第二全连接层,第二全连接层的输出数据进入输出层;
输入层的心电信号数据大小为400×1,使用5个5×1大小的卷积核对输入层数据进行卷积操作,步幅为1,将每一步的卷积计算结果按步幅移动顺序排列组成第一卷积层输出数据,大小为396×5;
使用1个2×5大小的池化核对第一卷积层输出数据进行下采样得到第一最大池化层输出数据,大小为198×5;
使用10个7×5大小的卷积核对第一最大池化层输出数据进行卷积操作,步幅为1,将每一步的卷积计算结果按步幅移动顺序排列组成第二卷积层输出数据,大小为192×10;
使用1个2×10大小的池化核对第二卷积层输出数据进行下采样得到第二最大池化层输出数据,大小为96×10;
使用20个9×10大小的卷积核对第二最大池化层输出数据进行卷积操作,步幅为1,将每一步的卷积计算结果按步幅移动顺序排列组成第三卷积层输出数据,大小为88×20;
使用1个2×20大小的池化核对第三卷积层输出数据进行下采样得到第三最大池化层输出数据,大小为44×20;
使用30个11×20大小的卷积核对第三最大池化层输出数据进行卷积操作,步幅为1,将每一步的卷积计算结果按步幅移动顺序排列组成第四卷积层输出数据,大小为34×30;
使用1个2×30大小的池化核对第四卷积层输出数据进行下采样得到第四最大池化层输出数据,大小为17×30;
将第四最大池化层输出数据展开为一维数据输入进第一全连接层,第一全连接层输出数据输入第二全连接层,最后使用softmax激活函数对第二全连接层输出数据进行激活得到分类结果;
具体结构如图2所示,正向传输结构如下表所示
其中第0层为输入层,第1、3、5、7层为4个卷积层,第2、4、6、8层为最大池化层,第9、10为全连接层,第11层为输出层。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述卷积层进行卷积的输出为:
其中,为第i个节拍样本数据输入向量经过卷积层输出的第k个特征向量,l为层索引,σ为非线性激活函数,bk为第k个特征向量的偏差,M为滤波器大小,为第k个特征向量和滤波器m索引处的权重,为第i个节拍样本数据输入向量,其中xn为节拍样本数据的样本点,n是每个节拍样本数据的样本数;
所述最大池化层进行池化的输出为:
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述训练主模块利用训练数据集对搭建好的卷积神经网络分类器模型进行训练,并获得训练好的卷积神经网络分类器模型;具体过程为:
利用训练数据集对搭建好的卷积神经网络分类器模型进行训练,训练时使用随机学习与反向传播技术方法(参考文献J.Bouvrie,"Notes on Convolutional NeuralNetworks,"In Pract,pp.47–60,2006.),使用等式(3)更新权重,使用等式(4)更新偏差;
其中,W为权重,b为偏差,l为层索引,α为学习率,λ为正则化参数,m为样本总数,mb为batch大小,J为成本函数。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:所述训练主模块利用训练数据集对搭建好的卷积神经网络分类器模型进行训练,为了解决训练中收敛困难、数据过拟合、学习速度慢等问题,在训练中使用TensorFlow框架环境,为了实现最佳训练,训练中使用的ADAM优化算法(参考文献J.L.B.DiederikP.Kingma,"ADAM:A METHODFOR STOCHASTIC OPTIMIZATION,"ICLR,2015.),并使用文献(Y.XavierGloro,"Understandingthedifficultyoftrainingdeepfeedforwardneuralnetworks,"InternationalConference onArtificialIntelligenceandStatistics(AISTATS,2010.)中的方法进行权重初始化,学习率设置为0.001,动量参数β1设置为0.9,β2设置为0.999,正则化参数设置为0.01,batch大小设置为64。
其它步骤及参数与具体实施方式一至六之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
按照图1构件系统,从MIT-BIH(美国麻省理工学院心律失常数据库)提取十种心律失常心电信号数据并按注释文件进行节拍分割,每种心律失常节拍时域波形示意图如图3a、3b、3c、3d、3e、3f、3g、3h、3i、3j所示,各分类分割后得到105199个节拍,包括9896个正常搏动(NB)、12372个左束支传导阻滞搏动(LBBB),9555个右束支传导阻滞搏动(RBBB),9284个交界性逸搏(NJEB),9850个房性早搏(APB),11616个异常房性早搏(AAPB),9317个交界性早搏(NJPB),9879个室性早搏(PVC),12034心室融合搏动(FVNB),11396个起搏融合搏动(FPNB)。将所有数据按4:1的比例随机分配为训练集数据与测试集数据,将训练集数据输入本发明提出的卷积神经网络分类器模型,并在64位的标准PC工作站上运行训练,工作站的处理器是Intel(R)i5-6200U,处理器主频2.30GHz,睿频2400Mhz,4个逻辑处理器和已安装的物理内存(RAM)8.00GB。
试验得到结果如图4所示:
图4为测试卷积神经网络分类器模型的混淆矩阵,其中横轴为预测标签,纵轴为实际标签,可以看出对角线元素准确地代表正确的分类10种心律失常心跳节拍。
计算分类结果的准确度如下式所示
其中TP为真阳性,代表正常的心电图被正确分类的个数,TN为真阴性,代表异常的心电图被正确分类的个数。
准确度计算结果为99.84%,与其他方法相比本发明可以取得最佳的性能指标。同时相比于传统的模式识别框架,本发明减少了特征提取阶段,此外,特征向量本身的大小由最大池化层来减小和控制,而在常规框架中需要像PCA(主成分分析)这样的基于统计的方法。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.基于卷积神经网络的心电信号心律失常分类系统,其特征在于:所述系统包括:
心电信号处理主模块、神经网络主模块、训练主模块和检测主模块;
所述心电信号处理主模块用于在目标数据库中提取心电信号数据,并对心电信号数据进行信号分割处理,获得分割后的节拍样本数据,并将分割后的节拍样本数据按比例随机分为训练数据集和测试数据集,输入训练主模块和检测主模块;
所述神经网络主模块用于搭建卷积神经网络分类器模型;
所述训练主模块利用训练数据集对搭建好的卷积神经网络分类器模型进行训练,并获得训练好的卷积神经网络分类器模型;
所述检测主模块用于加载训练好的卷积神经网络分类器模型,利用测试数据集对训练好的卷积神经网络分类器模型进行验证;
若训练好的卷积神经网络分类器模型在测试数据集上的分类准确率大于等于99.8%,则利用训练好的卷积神经网络分类器模型作为最终模型,将最终模型用于心电信号心律失常分类;
否则,调整搭建的卷积神经网络分类器模型的学习率,利用训练样本集对搭建的卷积神经网络分类器模型进行重新训练,直至获得的训练好的模型在测试数据集上的分类准确率大于等于99.8%时,获得最终模型;再将最终模型用于心电信号心律失常分类。
2.根据权利要求1所述基于卷积神经网络的心电信号心律失常分类系统,其特征在于:所述心电信号处理主模块用于在目标数据库中提取心电信号数据,并对心电信号数据进行信号分割处理,获得分割后的节拍样本数据,并将分割后的节拍样本数据按比例随机分为训练数据集和测试数据集,输入训练主模块和检测主模块;具体过程为:
在目标数据库中提取心电信号数据,并对心电信号数据进行信号分割,分割过程为:
将注释文件与心电信号数据一起从MIT-BIH数据库下载,根据注释文件确定下载得到的心律不齐每种类型的节拍开始时间与结束时间,将每个节拍作为一个样本完成分割,获得分割后的节拍样本数据,将分割后的节拍样本数据按4:1的比例随机分为训练数据集和测试数据集。
3.根据权利要求2所述基于卷积神经网络的心电信号心律失常分类系统,其特征在于:所述注释文件包括某一条心电信号数据里从头到尾每个节拍的起始时间、结束时间、采样点数、心律失常类型。
4.根据权利要求2或3所述基于卷积神经网络的心电信号心律失常分类系统,其特征在于:所述神经网络主模块用于搭建卷积神经网络分类器模型;具体过程为:
卷积神经网络分类器模型为一维11层卷积神经网络,包括第一卷积层、第一最大池化层、第二卷积层、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层、第四最大池化层、第一全连接层、第二全连接层、输出层;
心电信号数据为输入层,输入层数据进入第一卷积层,第一卷积层的输出数据输入进第一最大池化层,第一最大池化层的输出数据输入进第二卷积层,第二卷积层的输出数据输入进第二最大池化层,第二最大池化层的输出数据输入进第三卷积层,第三卷积层的输出数据输入进第三最大池化层,第三最大池化层的输出数据输入进第四卷积层,第四卷积层的输出数据输入进第四最大池化层,第四最大池化层的输出数据输入进第一全连接层,第一全连接层的输出数据输入进第二全连接层,第二全连接层的输出数据进入输出层;
输入层的心电信号数据大小为400×1,使用5个5×1大小的卷积核对输入层数据进行卷积操作,步幅为1,将每一步的卷积计算结果按步幅移动顺序排列组成第一卷积层输出数据,大小为396×5;
使用1个2×5大小的池化核对第一卷积层输出数据进行下采样得到第一最大池化层输出数据,大小为198×5;
使用10个7×5大小的卷积核对第一最大池化层输出数据进行卷积操作,步幅为1,将每一步的卷积计算结果按步幅移动顺序排列组成第二卷积层输出数据,大小为192×10;
使用1个2×10大小的池化核对第二卷积层输出数据进行下采样得到第二最大池化层输出数据,大小为96×10;
使用20个9×10大小的卷积核对第二最大池化层输出数据进行卷积操作,步幅为1,将每一步的卷积计算结果按步幅移动顺序排列组成第三卷积层输出数据,大小为88×20;
使用1个2×20大小的池化核对第三卷积层输出数据进行下采样得到第三最大池化层输出数据,大小为44×20;
使用30个11×20大小的卷积核对第三最大池化层输出数据进行卷积操作,步幅为1,将每一步的卷积计算结果按步幅移动顺序排列组成第四卷积层输出数据,大小为34×30;
使用1个2×30大小的池化核对第四卷积层输出数据进行下采样得到第四最大池化层输出数据,大小为17×30;
将第四最大池化层输出数据展开为一维数据输入进第一全连接层,第一全连接层输出数据输入第二全连接层,最后使用softmax激活函数对第二全连接层输出数据进行激活得到分类结果。
7.根据权利要求6所述基于卷积神经网络的心电信号心律失常分类系统,其特征在于:所述训练主模块利用训练数据集对搭建好的卷积神经网络分类器模型进行训练,训练中使用TensorFlow框架环境,ADAM优化算法进行权重初始化,学习率设置为0.001,动量参数β1设置为0.9,β2设置为0.999,正则化参数设置为0.01,batch大小设置为64。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010313300.0A CN111626114B (zh) | 2020-04-20 | 2020-04-20 | 基于卷积神经网络的心电信号心律失常分类系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010313300.0A CN111626114B (zh) | 2020-04-20 | 2020-04-20 | 基于卷积神经网络的心电信号心律失常分类系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111626114A true CN111626114A (zh) | 2020-09-04 |
CN111626114B CN111626114B (zh) | 2022-11-18 |
Family
ID=72260058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010313300.0A Active CN111626114B (zh) | 2020-04-20 | 2020-04-20 | 基于卷积神经网络的心电信号心律失常分类系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111626114B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111920405A (zh) * | 2020-09-15 | 2020-11-13 | 齐鲁工业大学 | 一种房颤信号识别系统及方法 |
CN112890828A (zh) * | 2021-01-14 | 2021-06-04 | 重庆兆琨智医科技有限公司 | 一种密集连接门控网络的脑电信号识别方法及系统 |
CN113128585A (zh) * | 2021-04-16 | 2021-07-16 | 重庆康如来科技有限公司 | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 |
CN113274031A (zh) * | 2021-04-30 | 2021-08-20 | 西安理工大学 | 一种基于深度卷积残差网络的心律失常分类方法 |
CN113768514A (zh) * | 2021-08-09 | 2021-12-10 | 西安理工大学 | 基于卷积神经网络与门控循环单元的心律失常分类方法 |
CN114041800A (zh) * | 2021-10-21 | 2022-02-15 | 吉林大学 | 心电信号实时分类方法、装置及可读存储介质 |
CN114847905A (zh) * | 2022-05-10 | 2022-08-05 | 武汉大学 | 一种心率失常数据检测识别方法及系统 |
CN114886404A (zh) * | 2022-07-13 | 2022-08-12 | 西南民族大学 | 一种心律数据分类方法、装置、电子设备及存储介质 |
CN115429284A (zh) * | 2022-09-16 | 2022-12-06 | 山东科技大学 | 心电信号分类方法、系统、计算机设备以及可读存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105337742A (zh) * | 2015-11-18 | 2016-02-17 | 哈尔滨工业大学 | 基于人脸图像特征和gps信息的lfsr文件加密及解密方法 |
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 |
CN107495959A (zh) * | 2017-07-27 | 2017-12-22 | 大连大学 | 一种基于一维卷积神经网络的心电信号分类方法 |
US20180032689A1 (en) * | 2016-07-29 | 2018-02-01 | Qatar University | Method and apparatus for performing feature classification on electrocardiogram data |
CN108256452A (zh) * | 2018-01-06 | 2018-07-06 | 天津大学 | 一种基于特征融合的ecg信号分类的方法 |
CN108932452A (zh) * | 2017-05-22 | 2018-12-04 | 中国科学院半导体研究所 | 基于多尺度卷积神经网络的心律失常心拍分类方法 |
EP3488772A1 (en) * | 2017-11-28 | 2019-05-29 | Bardy Diagnostics, Inc. | Ecg data classification for use in facilitating diagnosis of cardiac rhythm disorders with the aid of a digital computer |
CN110141220A (zh) * | 2019-06-20 | 2019-08-20 | 鲁东大学 | 基于多模态融合神经网络的心肌梗死自动检测方法 |
KR20190141326A (ko) * | 2018-06-14 | 2019-12-24 | 한국과학기술원 | 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치 |
-
2020
- 2020-04-20 CN CN202010313300.0A patent/CN111626114B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105337742A (zh) * | 2015-11-18 | 2016-02-17 | 哈尔滨工业大学 | 基于人脸图像特征和gps信息的lfsr文件加密及解密方法 |
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 |
US20180032689A1 (en) * | 2016-07-29 | 2018-02-01 | Qatar University | Method and apparatus for performing feature classification on electrocardiogram data |
CN108932452A (zh) * | 2017-05-22 | 2018-12-04 | 中国科学院半导体研究所 | 基于多尺度卷积神经网络的心律失常心拍分类方法 |
CN107495959A (zh) * | 2017-07-27 | 2017-12-22 | 大连大学 | 一种基于一维卷积神经网络的心电信号分类方法 |
EP3488772A1 (en) * | 2017-11-28 | 2019-05-29 | Bardy Diagnostics, Inc. | Ecg data classification for use in facilitating diagnosis of cardiac rhythm disorders with the aid of a digital computer |
CN108256452A (zh) * | 2018-01-06 | 2018-07-06 | 天津大学 | 一种基于特征融合的ecg信号分类的方法 |
KR20190141326A (ko) * | 2018-06-14 | 2019-12-24 | 한국과학기술원 | 심층 컨볼루션 신경망을 이용한 심전도 부정맥 분류 방법 및 장치 |
CN110141220A (zh) * | 2019-06-20 | 2019-08-20 | 鲁东大学 | 基于多模态融合神经网络的心肌梗死自动检测方法 |
Non-Patent Citations (6)
Title |
---|
ALEXANDER ALEXIS SUÁREZ LEÓN 等: "1D Convolutional Neural Network for Detecting Ventricular Heartbeats", 《IEEE LATIN AMERICA TRANSACTIONS》 * |
RUGGERODONIDA LABATI 等: "Deep-ECG: Convolutional Neural Networks for ECG biometric recognition", 《PATTERN RECOGNITION LETTERS》 * |
ZHILI 等: "Heartbeat classification using deep residual convolutional neural network from 2-lead electrocardiogram", 《JOURNAL OF ELECTROCARDIOLOGY》 * |
李嘉: "基于卷积神经网络的心律失常自动分类关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士)医药卫生科技辑》 * |
王春武 等: "基于脉搏的心冲击信号特征提取方法研究", 《微型机与应用》 * |
瞿文凤: "基于卷积神经网络的心电信号分类研究", 《科技资讯》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111920405A (zh) * | 2020-09-15 | 2020-11-13 | 齐鲁工业大学 | 一种房颤信号识别系统及方法 |
CN112890828A (zh) * | 2021-01-14 | 2021-06-04 | 重庆兆琨智医科技有限公司 | 一种密集连接门控网络的脑电信号识别方法及系统 |
CN113128585A (zh) * | 2021-04-16 | 2021-07-16 | 重庆康如来科技有限公司 | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 |
CN113128585B (zh) * | 2021-04-16 | 2022-08-16 | 重庆康如来科技有限公司 | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 |
CN113274031B (zh) * | 2021-04-30 | 2023-12-29 | 西安理工大学 | 一种基于深度卷积残差网络的心律失常分类方法 |
CN113274031A (zh) * | 2021-04-30 | 2021-08-20 | 西安理工大学 | 一种基于深度卷积残差网络的心律失常分类方法 |
CN113768514A (zh) * | 2021-08-09 | 2021-12-10 | 西安理工大学 | 基于卷积神经网络与门控循环单元的心律失常分类方法 |
CN113768514B (zh) * | 2021-08-09 | 2024-03-22 | 西安理工大学 | 基于卷积神经网络与门控循环单元的心律失常分类方法 |
CN114041800A (zh) * | 2021-10-21 | 2022-02-15 | 吉林大学 | 心电信号实时分类方法、装置及可读存储介质 |
CN114041800B (zh) * | 2021-10-21 | 2024-01-30 | 吉林大学 | 心电信号实时分类方法、装置及可读存储介质 |
CN114847905A (zh) * | 2022-05-10 | 2022-08-05 | 武汉大学 | 一种心率失常数据检测识别方法及系统 |
CN114886404B (zh) * | 2022-07-13 | 2022-10-28 | 西南民族大学 | 一种电子设备、装置及存储介质 |
CN114886404A (zh) * | 2022-07-13 | 2022-08-12 | 西南民族大学 | 一种心律数据分类方法、装置、电子设备及存储介质 |
CN115429284A (zh) * | 2022-09-16 | 2022-12-06 | 山东科技大学 | 心电信号分类方法、系统、计算机设备以及可读存储介质 |
CN115429284B (zh) * | 2022-09-16 | 2024-05-03 | 山东科技大学 | 心电信号分类方法、系统、计算机设备以及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111626114B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
CN110890155B (zh) | 一种基于导联注意力机制的多类心律失常检测方法 | |
Murugesan et al. | Ecgnet: Deep network for arrhythmia classification | |
Chen et al. | Multi-information fusion neural networks for arrhythmia automatic detection | |
CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
EP3614301A1 (en) | Artificial intelligence-based interference recognition method for electrocardiogram | |
CN107714023A (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
CN106901723A (zh) | 一种心电图异常自动诊断方法 | |
CN109431492B (zh) | 基于神经网络算法的心电图导联数据模拟重建方法 | |
CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
CN110974214A (zh) | 一种基于深度学习的自动心电图分类方法、系统及设备 | |
CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
Gawande et al. | Heart diseases classification using convolutional neural network | |
Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
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 | |
Boda et al. | An automated patient-specific ECG beat classification using LSTM-based recurrent neural networks | |
Tao et al. | ECG-based expert-knowledge attention network to tachyarrhythmia recognition | |
CN116864140A (zh) | 一种心内科术后护理监测数据处理方法及其系统 | |
Rahuja et al. | A deep neural network approach to automatic multi-class classification of electrocardiogram signals | |
Irfan et al. | Deep learning based classification for healthcare data analysis system | |
Begum et al. | Detection of cardiomyopathy using support vector machine and artificial neural network | |
CN112022140B (zh) | 一种心电图的诊断结论自动诊断方法及系统 | |
Kovalchuk et al. | A novel feature vector for ECG classification using deep learning | |
CN112686091A (zh) | 基于深度神经网络的两步骤心律失常分类方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Wu Longwen Inventor after: Zhao Yaqin Inventor after: Nie Yuting Inventor after: Ren Guanghui Inventor after: He Shengyang Inventor before: Zhao Yaqin Inventor before: Nie Yuting Inventor before: Wu Longwen Inventor before: Ren Guanghui Inventor before: He Shengyang |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |