CN113349790B - 基于s型重构的2d卷积神经网络的心拍分类方法及系统 - Google Patents

Abstract

本公开公开的基于S型重构的2D卷积神经网络的心拍分类方法及系统，包括：获取ECG心电信号；对获取的ECG心电信号预处理，提取心拍信号；将心拍信号重构为二维信号；将获得的二维信号输入至2D卷积神经网络模型中，获取心拍信号的分类结果。通过将心拍信号重构为二维信号，将二维信号输入至2D‑CNN网络模型中进行心拍信号的分类识别，由于心拍信号转化为二维信号，从而使得2D‑CNN卷积网络在卷积时，既能考察相邻的点，也能考察较远距离处的点，挖掘出心拍信号中不相邻数据点间的隐含的联系，从而更能准确反映心拍信号的特征，使得分类结果更准确。

Description

基于S型重构的2D卷积神经网络的心拍分类方法及系统

技术领域

本发明涉及心电分析技术领域，尤其涉及基于S型重构的2D卷积神经网络的心拍分类方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

传统的心拍分类主要有两种方法，分别为基于特征提取的机器学习算法与无需特征提取的深度学习方法。

当采用基于特征提取的机器学习算法进行心拍分类时，需手工提取特征，如时域、频域特征等，再选择并训练合适的分类器根据提取的特征进行分类，故选取的特征对分类性能的影响非常关键。基于SVM，Thaweesak等人通过使用二级分类研究输入特征维度固定且自由选择的SVM的性能，其方法的缺陷在于特征维度必须固定，限制了特征的扩展，Nasiri J A等人从心电信号中半自动提取了22个特征，将遗传算法与支持向量机结合，一定程度上增强了模型的泛化性能。这两种方法各自能识别出三种和四种类型的心律失常，但提取的特征都较少，不能反映心电信号中全面信息，影响最后的分类精度。基于随机森林，Ozcift等人提出了一种利用数据重采样策略训练RFs的方法，除了传统的RFs,RaF的变体也被用于心电图分类，如斜向随机森林(ORAF)也被用于对心电图进行质量评价，随机森林的方法在解释性方面优势显著，但提取的特征质量仍是决定其分类效果的核心要素，精度提高有限。

可见传统的机器学习算法在前期提取特征时比较依赖先验知识。这种方法对提取出的特征要求比较严格，分类器的设计十分受限于特征提取对心电信号内在属性的真实反映能力，也就使得心拍分类的性能对特征选择的正确性、真实性依赖度非常高，影响了心拍分类结果的准确性。

当基于深度学习算法进行心拍分类时，可以无需实施特征工程，将经过预处理后的原始数据作为神经网络的输入，直接实现对心拍类别的分类，原始数据可以从CCDD数据库提取，也可以来自临床的原始检测数据，神经网络的每层根据原始输出提取出的特征用于最后的分类，但是经典的基于深度学习方法，如U.Rajendra Acharya等人提出的一种采用一维卷积模板的卷积神经网络，因为一维信号所含信息有限，不能全面反映心电信号中所包含的心脏动力学性质，限制了精度的提高，使得该种方法的分类精度较低。Sayantan G等人利用深层置信网络和主动学习对心电图节拍进行分类，但是现有的深度置信网络结构复杂，速度较慢，不如卷积神经网络CNN结构清晰。

发明内容

本公开为了解决上述问题，提出了基于S型重构的2D卷积神经网络的心拍分类方法及系统，通过将心拍信号重构为二维信号，将二维信号输入至2D-CNN网络模型中进行心拍信号的分类识别，由于心拍信号转化为二维信号，从而使得2D-CNN卷积网络在卷积时，既能考察相邻的点，也能考察较远距离处的点，挖掘出心拍信号中不相邻数据点间的隐含的联系，从而更能准确反映心拍信号的特征，使得分类结果更准确。

为实现上述目的，本公开采用如下技术方案：

第一方面，基于S型重构的2D卷积神经网络的心拍分类方法，包括：

获取ECG心电信号；

对获取的ECG心电信号预处理，提取心拍信号；

将心拍信号重构为二维信号；

将获得的二维信号输入至2D卷积神经网络模型中，获取心拍信号的分类结果。

第二方面，基于S型重构的2D卷积神经网络的心拍分类系统，包括：

信号采集模块，获取ECG心电信号；

预处理模块，用于对ECG心电信号预处理，获取心拍信号；

重构模块，用于将心拍信号重构为二维信号；

分类识别模块，用于将二维信号输入存储的2D-CNN网络模型中，获取心拍信号的分类结果。

第三方面，一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成基于S型重构的2D卷积神经网络的心拍分类方法所述的步骤。

第四方面，一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成基于S型重构的2D卷积神经网络的心拍分类方法所述的步骤。

与现有技术相比，本公开的有益效果为：

1、本公开通过S型重构将一维心拍信号转为二维信号，从而挖掘出不相邻数据点间的隐含联系，使得在经过2D-CNN网络深度学习时能考察的关系更多，最终获得的心拍信号的分类结果更准确。

2、本公开将重构后的二维信号输入2D-CNN网络模型中进行分类识别，卷积神经网络在处理二维数据时更具备优势，一方面减少了权值的数量使得网络易于优化，另一方面降低了模型的复杂度，减小了过拟合的风险；该优势在网络的输入是二维数据时表现的更为明显，使得二维数据可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建的工作，在二维数据的处理过程中有很大的优势，在处理二维数据的问题上，特别是识别位移、缩放及其他形式扭曲不变性的应用上具有良好的鲁棒性和运算效率等。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本公开实施例1的流程示意图；

图2为原始ECG心电信号片段示例；

图3为降噪后的信号片段示例；

图4为R波定位检测片段示例；

图5中(a)(b)(c)(d)(e)(f)(g)(h)(i)(j)(k)(l)(m)(n)(o)为15类目标心拍波形示例；

图6为本公开实施例1采用的S型重构和2D-CNN结构示意图；

图7为本公开实施例1使用的S型重构；

图8为本公开实施例1中S型重构后二维卷积示例。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。

本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。

实施例1

在该实施例中，公开了基于S型重构的2D卷积神经网络的心拍分类方法，如图1所示，包括：

获取ECG心电信号；

对获取的ECG心电信号预处理，提取心拍信号；

将心拍信号重构为二维信号；

将获得的二维信号输入至2D卷积神经网络模型中，获取心拍信号的分类结果。

进一步的，提取心拍信号的具体过程为：

获取ECG心电信号中所有的R波位置；

根据R波位置从ECG心电信号中提取心拍信号；

进一步的，每个心拍信号包括一个R波。

进一步的，一维心拍信号通过S型重构的方法获得二维信号。

进一步的，在对2D卷积神经网络模型训练时，采用上采样的方法，将不同种类心拍信号的样本数量统一。

进一步的，2D卷积神经网络模型，包括输入层、卷积层、池化层、第三层卷积层、池化层、全连接层和输出层；

通过输入层输入二维信号，通过多次卷积池化提取二维信号特征，通过全连接层连接至寄存器，通过输出层输出分类结果。

进一步的，使用梯度下降法优化2D卷积神经网络模型的参数取值。

进一步的，采用准确率、阳性预测率、灵敏度、特异度四个指标对2D卷积神经网络模型的分类性能进行评价。

为了实现对心拍信号的准确识别分类，本实施例采用的技术方案主要有两点，一是采用S型重构法将一维心电信号转为二维心电信号，使所处理的数据能够更全面的反映心脏动力学状态变化的信息，所采用的S型重构法，是一种计算与结构简单，容易实现的方法，能够得到比一维数据蕴含更多信息的二维数据，有助于挖掘心电数据中数据间所蕴含的关联，从而深入挖掘信息，达到提高分类精度的目的；其二，本实施例在LeNet-5模型的基础上，设计了一种基于多种卷积核的CNN神经网络结构，该2D-CNN深度学习模型基于多个不同卷积核，可以从不同角度提取心电信号中的特征，从不同角度反映心电信号包含的心脏动力学变化特性，达到更全面反映蕴含信息的目的，并且模型的结构简单，使用该深度学习模型进行心拍分类，相对已有的深度学习心拍分类模型能够更明确深度学习中每个阶段的中间结果，做到一定程度的可解释。

本实施例通过S型重构将一维心电信号转换成二维心电信号，在LeNet-5模型的基础上，设计了一种新的神经网络结构，极大的提高了心电信号分类的准确性。

结合具体的实施例对本公开的基于S型重构的2D卷积神经网络的心拍分类方法进行具体说明。

(一)数据前期处理

1、数据预处理

本实施例使用MIH-BIH心律失常数据库，首先对原始ECG心电信号进行预处理以及QRS波定位，在QRS波的定位检测问题上已有非常成功的算法，已发展得较为成熟，例如Pan-Tompkins算法和小波变换法等，都能够实现对R波的准确定位和检测，原始信号中存在许多噪声，转码读取后的图像呈现出许多锯齿状变化，如图2所示为读取的记录编号为100的数据文件中前1000个点。

本实施例先使用Matlab中的最小二乘平滑滤波函数(sgolayfilt)对原始ECG心电信号进行初步降噪，在保证降噪后的信号和原始信号特征尽可能相似的前提下，使图像在一定程度上变平滑，对该信号片段初步降噪后所成的图像如图3所示，之后使用Pan-Tompkins算法对降噪后的ECG信号进行预处理，并完成对R波的定位检测，图4中为该信号片段的预处理及R波检测结果。

2、数据平衡处理

检测完ECG心电信号上的R波位置后，将ECG心电信号上的心拍信号全部截取出来，其中心拍信号以R波所在位置为中心分别向左、向右各取106、150个点，共计256个点，这样处理的依据在于一个完整的心拍持续时间约为0.72s，乘以采样频率360Hz，故实施例以R波为中心截取256个点作为一个心拍信号，数据间可能会由于不同的量纲、极差较大或自身变异等原因，在分类时使误差变大，所以本发明还对每个心拍信号进行中心化，中心化处理后的每个心拍信号用于训练和测试CNN模型的单个样例，图5展示了15类目标心拍波形示例。

按照AAMI标准分类方法，对心拍信号进行分类，提取了心拍信号分类中的五类结果，该五类心拍类型为：N(正常波动)、V(室性早搏)、S(早搏或室上性一尾心搏)、Q(无法分类的节拍)、F(心室融和心搏)，提取的该五类心拍信号的数量如表1所示，通过表1可知，各类心拍信号间的数量差距悬殊，数据不平衡一直是心拍分类问题中的一个难题，通常采用下采样，获得不同心拍类型的等量样本，即从每类心拍信号中选择低于最少类别心拍个数的等量样本，这种处理方法虽解决了正常心拍与异常心拍数量间的不平衡，但同时也存在着信息丢失的弊端，故本实施例采用上采样的方法，将V、S、Q、F四类心拍信号的数量均扩充至与N类心拍信号数量相同，实现了不同类型心电信号的样本数量的统一。

表1五类心拍数量

(二)训练与测试

将截取后的心拍信号作为输入样例用于2D-CNN模型的训练与测试，使用one-hot编码，用5位寄存器来标记5类心拍信号的类别。

在设计2D-CNN模型时，参考了LeNet-5模型，结构较简单，卷积核多样，该模型在手写数字识别问题上的识别准确率达到99％以上。

1、网络结构设计

在训练2D-CNN分类器时，考虑到ECG信号是一定连续时间段内的电压值变化，可将其视为一维向量，联系二维CNN(2D-CNN)在图像识别问题上强大的处理能力，本实施例将一维心拍信号重构为二维信号，以便于使用2D-CNN网络模型对心拍信号进行分类，在重构时，鉴于心拍信息的区域连续特性，本实施例采用了S型重构。

其中，S型重构法具体为：

经过预处理后的一维心电信号的一个心拍信号含有256个点，本发明对一维心电信号做S型重构转换成16×16的二维心电信号，其结构如图7所示，一维心电信号，在进入一维卷积神经网络后，每次卷积只能考察相邻的3-4个点的关系，而我们重构后的二维心电信号，每次卷积可以考察到更多的点，其中还有距离比较远的点，从而增强了特征提取效果。从图8中可知，一个卷积模板每次能考察9个点，该9个点既有相邻的点，也有距离30的点，从而使得卷积能够考察更多的信息，提取更详细的特征。

本实施例将一维心拍信号折了15次的到16x16的二维信号为最优，如果折的数目少于15次了，例如8次，4次，那么在做卷积时，考察的点的位置会因为距离太远而没有明显的关系，对特征提取不利；如果折的数目多于15次，例如18次，20次，则每次做卷积时，考察的点距离都很近，这样就同一维心拍信号进行卷积处理的效果相差不大。所以折15次是最优选择，将一维心拍信号按顺序一行一行排成16×16矩阵，则每行之间的信号间距都是16，这样要考察的数据相关性就会大大减弱，所以对一维心拍信号进行折15次的S型重构是能提高卷积效果的最好方法。

其中，2D-CNN网络模型具体为：

本实施例参考了LeNet-5模型设计了一种多卷积核的2D-CNN网络模型，在手写数字识别问题上的识别准确率达到99％以上，表2中罗列了2D-CNN网络模型的结构参数及使用梯度下降法进行参数设置，包括：包括输入层、卷积层、池化层、第三层卷积层、池化层、全连接层和输出层；通过输入层输入二维信号，通过多次卷积池化提取二维信号特征，通过全连接层连接至分类器，通过输出层输出分类结果。对2D-CNN网络模型详细为：以获得的16x16的二维心电信号为输入，第一层卷积层使用卷积核为3×3，深度为4，不使用全0填充，步长为1，激活函数使用ReLu，输出特征图4@14×14，第二层池化层使用平均池化，长和宽的步长均为2，输出特征图4@7×7，第三层卷积层使用卷积核大小4×4，不使用全0填充，步长为1，输出特征图8@4×4，激活函数ReLu，第四层池化层使用平均池化，长和宽的步长均为2，输出特征图8@2×2，第五层全连接层输入节点数8×2×2，使用softmax回归，第六层输出层输出节点数为5，对该模型使用梯度下降法优化参数取值，学习率为0.01，批训练样本量为16，迭代次数为30次，使用该2D-CNN模型对V、S、Q和F类心拍分类准确率较高，分别为V：94.13％、S：91.46％、Q：97.58％、F：94.53％。

表2 2D-CNN结构参数

2、评价指标

本实施例还对2D-CNN网络模型的分类性能进行评价，采用的评价标准参考了二分类问题中的划分方法：真阳率、假阳率、真阴率、假阴率。对于每一类心拍信号样本，将模型的预测结果划分为以上四种，在实验中它们代表的信息分别如下:

TP(True Positive)：实际是本类预测结果为本类的样本数；

FP(False Positive)：实际是其他类别预测结果为本类的样本数；

TN(True Negtive)：实际是其他类预测为其他类的样本数；

FN(False Negtive)：实际是本类预测为其他类的样本数。

此外，采用准确率、阳性预测率、灵敏度、特异度四个指标对2D-CNN网络模型的分类性能进行评价，分别简写为：acc(accurary)、ppv(positive predictive value)、sen(sensitivity)、spec(specificity)，分别定义为：

在多分类问题中，混淆矩阵也常用于描述预测结果的分布情况，本实施例中5类心拍分类结果的混淆矩阵如下

对于矩阵中任一元素

代表实际类别为O(Original)预测结果为P(Predicted)的样本数量。对角线上为正确预测的个数，其余元素均为误判个数。

表3 2D-CNN心拍分类结果

表3给出了2D-CNN网络模型在10-fold交叉验证下的分类结果，包括五类心拍的预测结果混淆矩阵和各项指标，可知，使用2D-CNN模型对V、S、Q和F类心拍信号分类准确率较高，分别为V：94.13％、S：91.46％、Q：97.58％、F：94.53％，其中以对Q和F类心拍的分类效果最好。

作为一种替代方案，本实施例在将一维心拍信号重构获得二维信号时，也可以将一维心拍信号转换为二维图像，将获得的二维图像输入2D-CNN网络模型中进行心拍信号的分类识别。

本实施例公开的基于S型重构的2D卷积神经网络的心拍分类方法具有的有益效果为：

(一)将一维心电信号转为二维心电信号

心电信号本身是一维信号，所以现在基于神经网络的深度学习处理心拍分类的大部分模型都是1D-CNN，针对一维心电信号进行处理。而本发明联系2D-CNN在图像识别问题上强大的处理能力，设计了S型重构方法，将一维心电信号转为二维心电信号，本方法比传统的时频分析方法简单，而且能够挖掘不相邻数据点间的隐含的联系，使得在经过神经网络深度学习时能考察的关系更多，使得最终的分类结果精度有明显提高。

同时卷积神经网络在处理二维数据时更具备优势，一方面减少了权值的数量使得网络易于优化，另一方面降低了模型的复杂度，也就是减小了过拟合的风险。

该优势在网络的输入是二维数据时表现的更为明显，使得二维数据可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建的工作，在二维数据的处理过程中有很大的优势，如网络能够自行抽取二维数据的特征包括颜色、纹理、形状及二维数据的拓扑结构，在处理二维数据的问题上，特别是识别位移、缩放及其他形式扭曲不变性的应用上具有良好的鲁棒性和运算效率等。

(二)不用人工提取特征

在机器学习算法中，需要人工使用多种技术从心电信号中提取特征。提取的特征主要分为时域、频域、时频域、形态学四类特征。

(1)时域特征也称为信号的统计特征，特征提取使用概率统计的方法；常见的有最大值、最小值、均值、方差、偏度、峭度等。

(2)频域包含了心电信号的频率信息，需要从频谱、功率谱两个方面提取心电信号的频域特征。

(3)时频特征的提取采用短时傅里叶变换、维格纳分布、小波变换等方法提取。

(4)所谓的形态学特征，也就是物体的形态结构特征。包含心率、心率变异性、QRS波群形态特征和ST段形态特征。QRS波群形态特征包括QRS波群宽度、R波峰值和QRS波群变化幅度。ST段异常包括ST压低、ST抬高、ST缩短和ST延长。

以上这些特征的提取，使用了多种方法，需要花费大量时间，并且还存在提取不正确的情况，而本发明采用CNN模型，不用人工提取特征，节省了大量的时间。CNN的特征提取是每一个神经元从上一层的局部接收域得到突触输入，因而迫使它提取局部特征。一旦一个特征被提取出来，只要它相对于其他特征的位置被近似保留下来，他的精确位置就变得没有那么重要了。网络的每一个计算层都是由多个特征映射组成的，每个特征映射都是平面形式的，平面中单独的神经元在约束下共享相同的突触权值。

CNN一方面减少了权值的数量使得网络易于优化，另一方面降低了模型的复杂度，也就是减小了过拟合的风险。

实施例2

在该实施例中，公开了基于S型重构的2D卷积神经网络的心拍分类系统，包括：

信号采集模块，获取ECG心电信号；

预处理模块，用于对ECG心电信号预处理，获取心拍信号；

重构模块，用于将心拍信号重构为二维信号；

分类识别模块，用于将二维信号输入存储的2D-CNN网络模型中，获取心拍信号的分类结果。

实施例3

在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中公开的基于S型重构的2D卷积神经网络的心拍分类方法所述的步骤。

实施例4

在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中公开的基于S型重构的2D卷积神经网络的心拍分类方法所述的步骤。

以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.基于S型重构的2D卷积神经网络的心拍分类方法，其特征在于，包括：

获取ECG心电信号；

对获取的ECG心电信号预处理，提取心拍信号；

将心拍信号重构为二维信号；

将获得的二维信号输入至2D卷积神经网络模型中，获取心拍信号的分类结果；

一维心拍信号通过S型重构的方法获得二维信号，具体为：

经过预处理后的一维心电信号的一个心拍信号含有256个点，对一维心电信号做S型重构转换成16×16的二维心电信号，一个卷积模板每次考察9个点，该9个点既有相邻的点，也有距离30的点。

2.如权利要求1所述的基于S型重构的2D卷积神经网络的心拍分类方法，其特征在于，提取心拍信号的具体过程为：

获取ECG心电信号中所有的R波位置；

根据R波位置从ECG心电信号中提取心拍信号；

其中，每个心拍信号包括一个R波。

3.如权利要求1所述的基于S型重构的2D卷积神经网络的心拍分类方法，其特征在于，在对2D卷积神经网络模型训练时，采用上采样的方法，将不同种类心拍信号的样本数量统一。

4.如权利要求1所述的基于S型重构的2D卷积神经网络的心拍分类方法，其特征在于，2D卷积神经网络模型，包括输入层、卷积层、池化层、第三层卷积层、池化层、全连接层和输出层；

通过输入层输入二维信号，通过多次卷积池化提取二维信号特征，通过全连接层连接至寄存器，通过输出层输出分类结果。

5.如权利要求1所述的基于S型重构的2D卷积神经网络的心拍分类方法，其特征在于，使用梯度下降法优化2D卷积神经网络模型的参数取值。

6.如权利要求1所述的基于S型重构的2D卷积神经网络的心拍分类方法，其特征在于，采用准确率、阳性预测率、灵敏度、特异度四个指标对2D卷积神经网络模型的分类性能进行评价。

7.基于S型重构的2D卷积神经网络的心拍分类系统，其特征在于，包括：

信号采集模块，获取ECG心电信号；

预处理模块，用于对ECG心电信号预处理，获取心拍信号；

重构模块，用于将心拍信号重构为二维信号；

分类识别模块，用于将二维信号输入存储的2D-CNN网络模型中，获取心拍信号的分类结果；

一维心拍信号通过S型重构的方法获得二维信号，具体为：

经过预处理后的一维心电信号的一个心拍信号含有256个点，对一维心电信号做S型重构转换成16×16的二维心电信号，一个卷积模板每次考察9个点，该9个点既有相邻的点，也有距离30的点。

8.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-6任一项所述的基于S型重构的2D卷积神经网络的心拍分类方法所述的步骤。

9.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项所述的基于S型重构的2D卷积神经网络的心拍分类方法所述的步骤。

Images