CN113116300A - 一种基于模型融合的生理信号分类方法 - Google Patents

Abstract

本发明涉及一种基于模型融合的生理信号分类方法。所述方法包括：首先对采集得到的生理信号进行去噪、重采样、分割等预处理得到一维信号片段，将信号片段作为输入，建立一维神经网络模型进行训练；同时对预处理后的一维信号片段进行时频变换，将时频图作为输入，建立二维神经网络模型进行训练。在分类预测阶段，分别将预处理后的一维信号片段和其对应的二维时频图像输入训练好的一维和二维网络模型中，将不同模型在决策层进行融合得到最终分类结果。本方法将神经网络和集成学习思想相结合，通过模型融合技术提高分类准确率，可以应用于不同类型的生理信号分类场景中，在信号处理领域和疾病研究领域均有一定的应用价值。

Description

一种基于模型融合的生理信号分类方法

技术领域

本发明涉及一种基于模型融合的生理信号分类方法。

背景技术

心血管疾病是导致人类死亡的首要原因，由于社会老龄化和城市化进程加快，以及不健康生活方式的普遍，患病人数仍在持续增加，心血管疾病的诊疗已成为我国国民健康稳定发展的重要课题。心律失常是最常见的心血管疾病，它可以单独发作，或者是和其他心血管疾病一起发作，危害人体健康。动态连续的生理信号监测有利于捕获此类疾病信息，减少疾病的漏检。但是，动态连续的生理信号会产生大量的数据，这些海量数据给医生诊断带来负担，利用计算机辅助人工诊断是当前的一个研究热点。针对动态连续的生理信号进行分类从而自动检测疾病的算法近年来受到了广泛的关注。

随着大数据时代的来临，基于神经网络的研究受到越来越多的关注，神经网络可以自动学习信号中的特征，对研究者的先验知识依赖较小，可以实现端对端的分类，算法效率也比较高，在很多场景中都表现出优越的性能，目前在图像分类、语音识别以及自然语言处理等领域中已得到广泛应用。

基于神经网络进行生理信号分类是一个重要的研究方向，如何对算法进行优化，得到准确率高、泛化能力强的分类模型，使其满足实际应用需求，具有重要的研究意义。此外，在神经网络建模的过程中，为了使结果最优，通常会对多种算法进行探索（如使用不同结构的模型或者提取不同特征等），同时建立多个模型进行对比，最终选出性能最优的模型用于分类。但是这种做法有两个缺点，一方面，神经网络训练通常需要花费大量的时间，最终只选用单个模型，浪费了用于训练其他模型的时间；另一方面，在当前测试集上分类效果较好的模型，未必在更多新样本上性能也最优，舍弃其他模型而可能会错失其中泛化能力最强的模型。

发明内容

本发明的目的在于提出一种基于模型融合的生理信号分类方法。本发明方法将神经网络和集成学习思想相结合，通过模型融合技术提高分类准确率。将原始数据的多个特征分别输入多个神经网络模型中进行训练，得到不同模型的输出结果，然后在决策层进行综合性考量。

本发明提出的一种基于模型融合的生理信号分类方法，具体步骤如下：

（1）采集生物个体的生理信号，并对生理信号进行预处理，所述预处理包括片段分割、重采样、噪声滤除和幅值归一化等操作，得到一维信号片段，将预处理后的一维信号片段按照标签分成若干种不同的类别；

（2）针对步骤（1）得到的一维信号片段，选用合适的时频变换方法，确定时频变换的各项参数，将一维信号片段转变为带灰度信息的二维时频幅度矩阵，该二维时频幅度矩阵类似于图像，对该图像进行归一化等操作，得到归一化后的二维时频矩阵；

（3）将经步骤（1）和（2）处理后得到的全部数据划分成训练集和测试集：

针对步骤（1）得到的一维信号片段，按照一定比例划分（如，9:1、8:2或7:3）得到训练集和测试集；将步骤（2）得到的二维时频矩阵也按照同样比例划分得到训练集和测试集；其中：在一维信号片段的训练集中出现的样本，其对应的二维时频矩阵样本也被划分入同一个训练集中；在一维信号片段的测试集中出现的样本，其对应的二维时频矩阵样本也被划分入同一个测试集中；

（4）将一维信号片段作为输入，构建一维神经网络模型进行分类，将步骤（3）得到的一维信号片段的训练集数据输入到该一维神经网络模型中进行网络训练，直至一维神经网络模型收敛或者达到预设训练次数，得到分类模型1；

（5）将二维时频矩阵作为输入，构建二维神经网络模型进行分类，将步骤（3）得到的二维时频矩阵的训练集数据输入到该二维神经网络模型中进行网络训练，直至二维神经网络模型收敛或者达到预设训练次数，得到分类模型2；

（6）通过模型融合得到预测结果：

将步骤（3）得到的同一个测试集中两种数据分别输入步骤（4）和步骤（5）得到的分类模型中进行测试，即将一维信号片段的测试集输入分类模型1进行分类预测，得到分类结果1，将对应的二维时频矩阵的测试集输入分类模型2进行分类预测，得到分类结果2；将分类结果1和分类结果2进行加权平均融合，得到分类结果3；将分类结果3和样本标签进行对比，检验分类结果3的准确率。

本发明中，步骤（2）中，对一维信号片段进行时频变换，得到一维信号在时间域和频率域的联合分布信息；时频变换之后，对幅值进行归一化，并通过重采样得到合适的二维时频矩阵大小，后续作为二维神经网络的输入；该步骤可以同时用多种不同类型的时频变换对信号进行分析，将一个信号片段变换得到多个二维图像。

本发明中，步骤（4）中，构建一维神经网络模型对一维信号片段的测试集信号进行分类，一维神经网络模型最后一层通过softmax函数计算输出类型的概率分布，得到分类结果1。

本发明中，步骤（5）中，构建二维神经网络模型对二维时频矩阵的测试集信号进行分类，二维神经网络模型最后一层通过softmax函数计算输出类型的概率分布，得到分类结果2。；如果采用多种时频变换方法得到了多个时频图（如，同时利用短时傅里叶变换和连续小波变换进行时频变换），则针对不同时频图分别建立二维神经网络模型进行训练，最终得到多个二维模型。

本发明中，步骤（6）中，使用网络最后一层softmax输出的概率，每个概率值可以看作该模型对于这个类型的置信度，将不同模型输出的属于各类型的概率进行加权融合，再将概率最大的类型作为融合模型的分类预测结果，即分类结果3。

本发明具有以下有益效果：

1. 本发明通过时频变换扩充了一维生理信号的特征，将不同时频变换的结果作为输入，可挖掘到生理信号多个维度上的不同特征信息；

2. 通过深度学习方法，分别将一维信号和基于一维信号的时频变换得到的二维图像作为输入，通过训练可得到多个神经网络模型，从而实现端对端的分类结果输出；

3. 本发明借鉴机器学习中集成学习的思想，将不同模型的预测结果在决策层进行融合，可提高分类的准确率；

4. 本发明方法可以应用于不同类型的生理信号分类，在信号处理领域和疾病研究领域都有一定的应用价值。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单的介绍。需要说明的是，以下附图仅展示出了本发明的实施例，因此不应被看作是范围的限定。

图1是不同类型心拍（心电信号片段）的示意图。其中：（a）为N类心拍，（b）为S类心拍，（c）为V类心拍，（d）为F类心拍。

图2是本实施例使用的一维卷积网络结构图。

图3是本实施例基于连续小波变换对心拍信号进行处理后得到的二维时频图。其中：（a）为N类心拍，（b）为S类心拍，（c）为V类心拍，（d）为F类心拍。

图4是本实施例使用的二维卷积网络结构图。

图5是本实施例进行模型融合的整体流程图。

具体实施方式

下面结合附图和实施例对本发明方法及其应用做进一步详细说明。实施例仅用于对本发明进行说明，而非限定条件。在本发明技术方案的基础上，凡根据本发明原理对上述实施例的各种变形或修正，均不应排除在本发明的保护范围之外。实施例1：将本发明的基于模型融合进行生理信号分类的方法用于心电信号的分析。本实施例的心电数据是来自公开的MIT-BIH心律失常数据库。工作流程如下：

（1）本实施例中，信号来源是MIT-BIH心律失常数据集，每条记录包含了两个通道的数据，一个通道的数据大多数是修正的肢体II导联，另一个通道的数据大多数是V1导联，每条记录的时长为30min，采样频率是360Hz。本实施例选用II导联数据，根据美国医疗仪器促进协会的建议，将原始数据库的标注映射到四种不同的大类进行研究，分别是：正常心拍（N类，10000例），室上性异位搏动（S类，3026例），室性异位搏动（V类，7010例），融合心拍（F类，802例）。首先使用中值滤波器滤除基线漂移，然后以R波所在位置为基准进行心拍截取，在R波前面取99个点，后面取156个点，一个心拍由256个点组成。四种不同类型心拍的波形图如图1所示。

（2）首先基于一维卷积神经网络进行对步骤（1）得到的心拍片段进行分类，输入维度是1×256，采用的一维卷积网络模型结构如图2所示。卷积神经网络由8个卷积块组成，每个卷积块里包含了两个卷积层，卷积层的步长设置为1，并采用relu激活函数，每层卷积核的个数为64，第二个卷积层后面添加最大池化层，池化层的取样核大小为1×2，最后为全连接层，利用softmax激活函数输出分类信息，训练得到分类模型1。

（3）采用连续小波变换这种时频变换方法处理步骤（1）得到的心拍片段，获得每个心拍对应的时频系数矩阵（二维图像）。采用morl小波基，并设定在对数域上均匀分布的尺度，使得中心频率在低频和中频上分布较多，中心频率的范围是0.5-180Hz，经过变换得到二维幅度矩阵，可以直观地反映能量在不同频域和时域的分布情况。在时间轴上进行采样后得到64×64的二维时频矩阵，然后根据极大极小值将其进行归一化。将归一化后的二维时频矩阵作为后续二维分类模型的输入。四种不同心拍分别经过连续小波变换后得到的二维时频矩阵如图3所示。

（4）基于二维卷积神经网络进行对心拍片段进行分类，二维神经网络的输入是经过步骤（3）得到的二维时频矩阵，网络架构采用和一维卷积网络类似的架构。进行分类之前利用数据增强方法得到数据分布均衡的训练集。网络的输入维度是64×64，使用的二维卷积神经网络的结构图如图4所示。类似的，卷积神经网络由3个卷积块（block1、block2和block3）组成，每个卷积块里包含了两个卷积层。这里的卷积层使用的是二维卷积，卷积层的步长设置为1，卷积核的大小为3×3，每层卷积核的个数为64。第二个卷积层后面添加最大池化层（Maxpooling），池化层的取样核大小为2×2。最后为全连接层，利用softmax激活函数输出分类信息，训练得到分类模型2。

（5）进行模型融合，将测试集数据输入网络进行测试。图5是该实施例进行模型融合的流程图。将测试集样本（一维心拍片段）输入一维卷积网络中，得到各类别的概率，作为分类结果1，然后将其按照步骤（3）中的方法进行时频变换得到二维时频图，将其输入二维卷积网络中，得到各类别的概率，作为分类结果2。接下来将两模型进行决策层融合，求得分类结果1和分类结果2的加权平均作为最终结果，记为分类结果3。最后，可分别将三种不同的预测结果和样本标签进行对比，计算三种模型的准确率等指标，比较三种模型的性能差异，以验证模型融合方法的有效性。

Claims (5)

1.一种基于模型融合的生理信号分类方法，其特征在于，具体步骤如下：

（1）采集生物个体的生理信号，并对生理信号进行预处理，所述预处理包括片段分割、重采样、噪声滤除和幅值归一化操作，得到一维信号片段，将预处理后的一维信号片段按照标签分成若干种不同的类别；

（2）针对步骤（1）得到的一维信号片段，选用合适的时频变换方法，确定时频变换的各项参数，将一维信号片段转变为带灰度信息的二维时频幅度矩阵，该二维时频幅度矩阵类似于图像，对该图像进行归一化操作，得到归一化后的二维时频矩阵；

（3）将经步骤（1）和（2）处理后得到的全部数据划分成训练集和测试集：

针对步骤（1）得到的一维信号片段，按照比例划分得到训练集和测试集；将步骤（2）得到的二维时频矩阵也按照同样比例划分得到训练集和测试集；其中：在一维信号片段的训练集中出现的样本，其对应的二维时频矩阵样本也被划分入同一个训练集中；在一维信号片段的测试集中出现的样本，其对应的二维时频矩阵样本也被划分入同一个测试集中；

（4）将一维信号片段作为输入，构建一维神经网络模型进行分类，将步骤（3）得到的一维信号片段的训练集数据输入到该一维神经网络模型中进行网络训练，直至一维神经网络模型收敛或者达到预设训练次数，得到分类模型1；

（5）将二维时频矩阵作为输入，构建二维神经网络模型进行分类，将步骤（3）得到的二维时频矩阵的训练集数据输入到该二维神经网络模型中进行网络训练，直至二维神经网络模型收敛或者达到预设训练次数，得到分类模型2；

（6）通过模型融合得到预测结果：

将步骤（3）得到的同一个测试集中两种数据分别输入步骤（4）和步骤（5）得到的分类模型中进行测试，即将一维信号片段的测试集输入分类模型1进行分类预测，得到分类结果1，将对应的二维时频矩阵的测试集输入分类模型2进行分类预测，得到分类结果2；将分类结果1和分类结果2进行加权平均融合，得到分类结果3；将分类结果3和样本标签进行对比，检验分类结果3的准确率。

2.根据权利要求1所述的方法，其特征在于步骤（2）中，对一维信号片段进行时频变换，得到一维信号在时间域和频率域的联合分布信息；时频变换之后，对幅值进行归一化，并通过重采样得到合适的二维时频矩阵大小，后续作为二维神经网络的输入；该步骤可以同时用多种不同类型的时频变换对信号进行分析，将一个信号片段变换得到多个二维图像。

3.根据权利要求1所述的方法，其特征在于步骤（4）中，构建一维神经网络模型对一维信号片段的测试集信号进行分类，一维神经网络模型最后一层通过softmax函数计算输出类型的概率分布，得到分类结果1。

4.根据权利要求1所述的方法，其特征在于步骤（5）中，构建二维神经网络模型对二维时频矩阵的测试集信号进行分类，二维神经网络模型最后一层通过softmax函数计算输出类型的概率分布，得到分类结果2；如果采用多种时频变换方法得到了多个时频图，则针对不同时频图分别建立二维神经网络模型进行训练，最终得到多个二维模型。

5.根据权利要求1所述的方法，其特征在于步骤（6）中，使用网络最后一层softmax输出的概率，每个概率值看作该模型对于这个类型的置信度，将不同模型输出的属于各类型的概率进行加权融合，再将概率最大的类型作为融合模型的分类预测结果，即分类结果3。

Images