CN111626114B - 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 PDF

Info

Publication number
CN111626114B
CN111626114B CN202010313300.0A CN202010313300A CN111626114B CN 111626114 B CN111626114 B CN 111626114B CN 202010313300 A CN202010313300 A CN 202010313300A CN 111626114 B CN111626114 B CN 111626114B
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.)
Active
Application number
CN202010313300.0A
Other languages
English (en)
Other versions
CN111626114A (zh
Inventor
吴龙文
赵雅琴
聂雨亭
任广辉
何胜阳
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute 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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010313300.0A priority Critical patent/CN111626114B/zh
Publication of CN111626114A publication Critical patent/CN111626114A/zh
Application granted granted Critical
Publication of CN111626114B publication Critical patent/CN111626114B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

基于卷积神经网络的心电信号心律失常分类系统
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
Figure BDA0002458650660000051
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：
Figure BDA0002458650660000061
其中，
Figure BDA0002458650660000062
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，
Figure BDA0002458650660000063
为第k个特征向量和滤波器m索引处的权重，
Figure BDA0002458650660000064
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：
Figure BDA0002458650660000065
其中，
Figure BDA0002458650660000066
为第i个节拍样本数据输入向量经过最大池化层输出的第k个特征向量，T为池化窗口大小，S为池化步幅大小。
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；
Figure BDA0002458650660000067
Figure BDA0002458650660000068
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
Figure BDA0002458650660000071
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 (6)

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；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；
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、采样点数和心律失常类型。
4.根据权利要求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：所述卷积层进行卷积的输出为：
Figure FDA0003826796180000031
其中，
Figure FDA0003826796180000032
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，
Figure FDA0003826796180000033
为第k个特征向量和滤波器m索引处的权重，
Figure FDA0003826796180000034
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：
Figure FDA0003826796180000035
其中，
Figure FDA0003826796180000036
为第i个节拍样本数据输入向量经过最大池化层输出的第k个特征向量，T为池化窗口大小，S为池化步幅大小。
5.根据权利要求4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，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，使用等式(3)更新权重，使用等式(4)更新偏差；
Figure FDA0003826796180000037
Figure FDA0003826796180000038
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。
6.根据权利要求5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。
CN202010313300.0A 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 Active CN111626114B (zh)

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 CN111626114A (zh) 2020-09-04
CN111626114B true 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)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
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
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
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
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
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
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

Citations (8)

* Cited by examiner, † Cited by third party
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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180032689A1 (en) * 2016-07-29 2018-02-01 Qatar University Method and apparatus for performing feature classification on electrocardiogram data

Patent Citations (8)

* Cited by examiner, † Cited by third party
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
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)

* Cited by examiner, † Cited by third party
Title
1D Convolutional Neural Network for Detecting Ventricular Heartbeats;Alexander Alexis Suárez León 等;《IEEE Latin America Transactions》;20191231;第17卷(第12期);1970-1977 *
Deep-ECG: Convolutional Neural Networks for ECG biometric recognition;RuggeroDonida Labati 等;《Pattern Recognition Letters》;20190131;第126卷;78-85 *
Heartbeat classification using deep residual convolutional neural network from 2-lead electrocardiogram;ZhiLi 等;《Journal of Electrocardiology》;20200229;第58卷;105-112 *
基于卷积神经网络的心律失常自动分类关键技术研究;李嘉;《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》;20191031(第10(2019年)期);E062-18 *
基于卷积神经网络的心电信号分类研究;瞿文凤;《科技资讯》;20190831;第17卷(第23期);8-10+12 *
基于脉搏的心冲击信号特征提取方法研究;王春武 等;《微型机与应用》;20161130;第35卷(第22期);36-39 *

Also Published As

Publication number Publication date
CN111626114A (zh) 2020-09-04

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
US11324455B2 (en) Artificial intelligence-based interference recognition method for electrocardiogram
Chen et al. Multi-information fusion neural networks for arrhythmia automatic detection
EP4092570A1 (en) Heartbeat classification method for multi-tag ecg signal labeling, and device
CN110890155A (zh) 一种基于导联注意力机制的多类心律失常检测方法
CN110619322A (zh) 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统
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
CN111329469A (zh) 一种心律异常预测方法
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
CN111631705A (zh) 心电异常检测方法、模型训练方法、装置、设备及介质
Darmawahyuni et al. Deep learning with long short-term memory for enhancement myocardial infarction classification
Rohmantri et al. Arrhythmia classification using 2D convolutional neural network
Zhang et al. [Retracted] An ECG Heartbeat Classification Method Based on Deep Convolutional Neural Network
Prakash et al. A system for automatic cardiac arrhythmia recognition using electrocardiogram signal
CN111759304A (zh) 心电图异常识别方法、装置、计算机设备和存储介质
Tao et al. ECG-based expert-knowledge attention network to tachyarrhythmia recognition
Rahuja et al. A deep neural network approach to automatic multi-class classification of electrocardiogram signals
CN116864140A (zh) 一种心内科术后护理监测数据处理方法及其系统
CN113679393B (zh) 基于对比预测编码的ecg数据特征生成模型
Yu et al. Work-in-progress: On the feasibility of lightweight scheme of real-time atrial fibrillation detection using deep learning
Meng et al. Biosignal Classification Based on Multi-Feature Multi-Dimensional WaveNet-LSTM Models.
Bengherbia et al. Real-time smart system for ecg monitoring using a one-dimensional convolutional neural network
Nandanwar et al. ECG Signals-Early detection of Arrhythmia using Machine Learning approaches

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
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

GR01 Patent grant
GR01 Patent grant