CN113729723B - 一种基于ResNet-50和迁移学习的心电信号质量分析方法及装置 - Google Patents

一种基于ResNet-50和迁移学习的心电信号质量分析方法及装置 Download PDF

Info

Publication number
CN113729723B
CN113729723B CN202111109834.2A CN202111109834A CN113729723B CN 113729723 B CN113729723 B CN 113729723B CN 202111109834 A CN202111109834 A CN 202111109834A CN 113729723 B CN113729723 B CN 113729723B
Authority
CN
China
Prior art keywords
electrocardiosignal
resnet
matrix
signal
dimensional picture
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
CN202111109834.2A
Other languages
English (en)
Other versions
CN113729723A (zh
Inventor
郭方洪
吴嘉昊
窦云飞
董辉
吴祥
陈博
俞立
姚荣康
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202111109834.2A priority Critical patent/CN113729723B/zh
Publication of CN113729723A publication Critical patent/CN113729723A/zh
Application granted granted Critical
Publication of CN113729723B publication Critical patent/CN113729723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/24—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]
    • A61B5/346—Analysis of electrocardiograms
    • 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
    • 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
    • A61B5/7264—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
    • 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
    • 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

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

Abstract

本发明公开了一种基于ResNet‑50和迁移学习的心电信号质量分析方法及装置，方法包括利用ImageNet数据库中的图片对ResNet‑50神经网络进行预训练；采集心电信号数据；对所采集的心电信号数据进行去噪处理；将去噪处理后的心电信号数据转化为二维图片；基于转化后得到的二维图片对预训练的ResNet‑50神经网络进行训练，得到最终的信号质量分析模型；采用信号质量分析模型对实时采集的心电信号数据进行分类，输出心电信号质量等级，完成对心电信号的质量分析。本发明能够有效提高心电信号筛选效率和准确率。

Description

一种基于ResNet-50和迁移学习的心电信号质量分析方法及 装置
技术领域
本申请属于信号分析技术领域，具体涉及一种基于ResNet-50和迁移学习的心电信号质量分析方法及装置。
背景技术
在生活质量不断提高的同时，身体健康问题也受到了社会越来越多的关注，其中心脏健康问题尤为关注重点。在心脏研究中发现心律失常通常具有短暂、阵发且有时无症状等特点，这些偶发性特征的心脏问题往往不被人所注意，从而为医学救治和个人防范带来了重大挑战。并且由于监测困难，心电数据匮乏，为医疗研究带来了不少困难。
近年来，随着物联网技术的飞速发展，对于可穿戴医疗设备的研究不断深入，使得对于患者心电的连续、实时监测成为可能。这大大解决了心电数据缺乏而带来的困难。但是由于心电信号十分微弱且易受人体活动、肌电干扰等外界因素干扰，通常采集到的信号质量层次不齐，质量差的心电信号不利于做后续研究，这也严重影响着心电医疗研究技术的发展。心电图的研究对于从业人员的工作经验有很大的要求，人工挑选优质信号费时费力。如何准确挑选出优质信号数据并且合理利用成为了当下研究热点。
发明内容
本申请的目的在于提供一种基于ResNet-50和迁移学习的心电信号质量分析方法及装置，提高心电信号筛选效率和准确率。
为实现上述目的，本申请所采取的技术方案为：
一种基于ResNet-50和迁移学习的心电信号质量分析方法，所述基于ResNet-50和迁移学习的心电信号质量分析方法，包括：
步骤1、利用ImageNet数据库中的图片对ResNet-50神经网络进行预训练；
步骤2、采集心电信号数据；
步骤3、对所采集的心电信号数据进行去噪处理；
步骤4、将去噪处理后的心电信号数据转化为二维图片，包括：
步骤4.1、获取二维图片的规格为m×m，按照长度m2将去噪处理后的心电信号数据剪切为多个片段信号；
步骤4.2、采用公式(1)将片段信号转化为BM矩阵：
BMi(j，k)＝Li((j-1)×m+k) (1)
公式(1)中，j＝1,...,m,k＝1,...,m，i表示心电信号数据中第i个片段信号，Li((j-1)×m+k)表示第i个片段信号中第(j-1)×m+k个元素的强度值，BMi(j，k)表示第i个片段信号转化后的得到的BM矩阵，i＝1,...,I,I为剪切得到的片段信号的总个数；
步骤4.3、采用公式(2)对BM矩阵中的元素进行归一化处理：
公式(2)中，NMi(j,k)为对第i个片段信号对应的BM矩阵中的元素进行归一化处理后得到的NM矩阵，Mini,j,k(BMi(j,k))为第i个片段信号对应的BM矩阵中元素的最小值，Maxi,j,k(BMi(j,k))为第i个片段信号对应的BM矩阵中元素的最大值；
步骤4.4、采用公式(3)基于NM矩阵得到RGB格式的二维图片：
RGBPixeli(j,k,p)＝NMi(j,k)×255,p＝1,2,3 (3)
公式(3)中，RGBPixeli(j,k,p)代表RGB格式的3D矩阵，即第i个片段信号对应的二维图片，p代表色彩通道，p＝1代表红色通道，p＝2代表绿色通道，p＝3代表蓝色通道，p的取值根据3D矩阵中像素的生成顺序依次取1至3；
步骤5、基于转化后得到的二维图片对预训练的ResNet-50神经网络进行训练，得到最终的信号质量分析模型；
步骤6、采用信号质量分析模型对实时采集的心电信号数据进行分类，输出心电信号质量等级，完成对心电信号的质量分析。
作为优选，所述对所采集的心电信号数据进行去噪处理，包括：
采用db6小波基函数将心电信号数据分解为9层，通过对第3层到第8层的系数重构完成对心电信号数据的去噪处理。
作为优选，所述基于转化后得到的二维图片对预训练的ResNet-50神经网络进行训练，包括：
取预训练的ResNet-50神经网络的前49层；
在所取的前49层之后依次连接一个全连接层和一个softmax层构成一个51层的新的初始化模型；
对转化后得到的二维图片添加相应的心电信号质量等级标签，并划分为训练集和测试集；
利用训练集和测试集完成对新的初始化模型的训练和测试，得到满足条件的模型作为信号质量分析模型。
作为优选，所述心电信号质量等级包括：优质且对研究有用的信号、劣质但对研究有用的信号、无用信号。
本申请还提供一种基于ResNet-50和迁移学习的心电信号质量分析装置，所述基于ResNet-50和迁移学习的心电信号质量分析装置，包括预训练模块、信号采集模块、去噪模块、数据转化模块、再训练模块、实时分析模块，其中：
所述预训练模块，用于利用ImageNet数据库中的图片对ResNet-50神经网络进行预训练；
所述信号采集模块，用于采集心电信号数据；
所述去噪模块，用于对所采集的心电信号数据进行去噪处理；
所述数据转化模块，用于将去噪处理后的心电信号数据转化为二维图片，具体执行如下操作：
获取二维图片的规格为m×m，按照长度m2将去噪处理后的心电信号数据剪切为多个片段信号；
采用公式(1)将片段信号转化为BM矩阵：
BMi(j，k)＝Li((j-1)×m+k) (1)
公式(1)中，j＝1,...,m,k＝1,...,m，i表示心电信号数据中第i个片段信号，Li((j-1)×m+k)表示第i个片段信号中第(j-1)×m+k个元素的强度值，BMi(j，k)表示第i个片段信号转化后的得到的BM矩阵，i＝1,...,I,I为剪切得到的片段信号的总个数；
采用公式(2)对BM矩阵中的元素进行归一化处理：
公式(2)中，NMi(j,k)为对第i个片段信号对应的BM矩阵中的元素进行归一化处理后得到的NM矩阵，Mini,j,k(BMi(j,k))为第i个片段信号对应的BM矩阵中元素的最小值，Maxi,j,k(BMi(j,k))为第i个片段信号对应的BM矩阵中元素的最大值；
采用公式(3)基于NM矩阵得到RGB格式的二维图片：
RGBPixeli(j,k,p)＝NMi(j,k)×255,p＝1,2,3 (3)
公式(3)中，RGBPixeli(j,k,p)代表RGB格式的3D矩阵，即第i个片段信号对应的二维图片，p代表色彩通道，p＝1代表红色通道，p＝2代表绿色通道，p＝3代表蓝色通道，p的取值根据3D矩阵中像素的生成顺序依次取1至3；
所述再训练模块，用于基于转化后得到的二维图片对预训练的ResNet-50神经网络进行训练，得到最终的信号质量分析模型；
所述实时分析模块，用于采用信号质量分析模型对实时采集的心电信号进行分类，输出心电信号质量等级，完成对心电信号的质量分析。
作为优选，所述信号采集模块包括依次连接的心率传感器、二阶RC滤波电路、EMI滤波器和ADS1298芯片。
作为优选，所述去噪模块对所采集的心电信号数据进行去噪处理，执行如下操作：
采用db6小波基函数将心电信号数据分解为9层，通过对第3层到第8层的系数重构完成对心电信号数据的去噪处理。
作为优选，所述再训练模块基于转化后得到的二维图片对预训练的ResNet-50神经网络进行训练，执行如下操作：
取预训练的ResNet-50神经网络的前49层；
在所取的前49层之后依次连接一个全连接层和一个softmax层构成一个51层的新的初始化模型；
对转化后得到的二维图片添加相应的心电信号质量等级标签，并划分为训练集和测试集；
利用训练集和测试集完成对新的初始化模型的训练和测试，得到满足条件的模型作为信号质量分析模型。
作为优选，所述心电信号质量等级包括：优质且对研究有用的信号、劣质但对研究有用的信号、无用信号。
本申请提供的基于ResNet-50和迁移学习的心电信号质量分析方法及装置，1)通过迁移学习的方法克服了心电数据特征单一，特征提取层无法得到充分训练的问题，提高分析准确率。2)利用一种高效的去除噪声方法，简单有效的去除了主要噪声。3)使用新颖的数据预处理方法将信号转化为图片来处理，较传统神经网络对于数据标签的要求更低，工作更简单。
附图说明
图1为本申请的基于ResNet-50和迁移学习的心电信号质量分析方法的流程图；
图2为本申请ResNet-50神经网络迁移学习的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。
其中一个实施例中，为了克服现有技术中心电信号多且杂乱从而无法高效筛选利用这一问题，提供一种基于ResNet-50和迁移学习的心电信号质量分析方法。
如图1所示，本实施例的基于ResNet-50和迁移学习的心电信号质量分析方法，包括以下步骤：
步骤1、利用ImageNet数据库中的图片对ResNet-50神经网络进行预训练。
为了解决心电信号数据特征单一无法训练出高精度的神经网络来对数据的优良进行分析的问题，本实施例采用迁移学习的思想方法将ResNet-50神经网络在ImageNet数据集上预训练作为信号特征提取器。利用ImageNet数据集中丰富的图片数据充分训练ResNet-50神经网络的特征提取层。
步骤2、采集心电信号数据。在本实施例中对心电信号数据的采集无特殊要求，即基于现有的心电信号采集装置和方法得到心电信号数据即可。
步骤3、对所采集的心电信号数据进行去噪处理。
心电信号微弱，极易受到外界因素干扰。噪声主要包括基线漂移、工频干扰和肌电干扰。本实施例为了排除心电信号数据中的噪声干扰，采用db6小波基函数将心电信号分解为9层。第9层的近似系数主要是基线漂移成分，第1、2层细节系数包含工频干扰和肌电干扰这类高频干扰，通过对第3到8层系数重构，实现对心电信号的去噪。
步骤4、将去噪处理后的心电信号数据转化为二维图片，包括：
步骤4.1、获取二维图片的规格为m×m，按照长度m2将去噪处理后的心电信号数据剪切为多个片段信号。
由于采集的心电信号数据通常为持续较长时间的信号，并且不同心电信号数据的长度可能存在区别，因此本实施例将原始采集的心电信号数据统一剪切为固定大小的片段信号，以便于转换后得到相同规格的二维图片，排除由于图片规格的不同带来的识别干扰。并且对于一条心电信号数据而言，具体剪切得到的片段信号的数量由原始采集的心电信号数据的长度以及片段信号的长度决定。
步骤4.2、ImageNet数据集的图像格式为RGB格式，为保证模型输入一致性，采用公式(1)将片段信号转化为BM矩阵：
BMi(j，k)＝Li((j-1)×m+k) (1)
公式(1)中，j＝1,...,m,k＝1,...,m，i表示心电信号数据中第i个片段信号，Li((j-1)×m+k)表示第i个片段信号中第(j-1)×m+k个元素的强度值，且(j-1)×m+k＝1,...,m2，BMi(j，k)表示第i个片段信号转化后的得到的BM矩阵，i＝1,...,I,I为所采集的心电信号数据中心电信号的总条数。步骤4.3、采用公式(2)对BM矩阵中的元素进行归一化处理：
公式(2)中，NMi(j,k)为对第i个片段信号对应的BM矩阵中的元素进行归一化处理后得到的NM矩阵，Mini,j,k(BMi(j,k))为第i个片段信号对应的BM矩阵中元素的最小值，Maxi,j,k(BMi(j,k))为第i个片段信号对应的BM矩阵中元素的最大值。
步骤4.4、采用公式(3)基于NM矩阵得到RGB格式的二维图片：
RGBPixeli(j,k,p)＝NMi(j,k)×255,p＝1,2,3 (3)
公式(3)中，RGBPixeli(j,k,p)代表RGB格式的3D矩阵，即第i个片段信号对应的二维图片，p代表色彩通道，p＝1代表红色通道，p＝2代表绿色通道，p＝3代表蓝色通道，p的取值根据3D矩阵中像素的生成顺序依次取1至3，保证红绿蓝颜色分布均匀且满足了预训练的ResNet-50神经网络的输入要求。采用式(3)最终转化为RGB格式的二维图像且红绿蓝元素相同，像素值范围为0-255。
步骤5、基于转化后得到的二维图片对预训练的ResNet-50神经网络进行训练，得到最终的信号质量分析模型，如图2所示，包括：
取预训练的ResNet-50神经网络的前49层；
在所取的前49层之后依次连接一个全连接层(FC层)和一个softmax层构成一个51层的新的初始化模型，完成ResNet-50神经网络的重构；
对转化后得到的二维图片添加相应的心电信号质量等级标签，并划分为训练集和测试集(例如按照训练集和测试集为3:2进行划分)；
利用训练集和测试集完成对新的初始化模型的训练和测试，得到满足条件的模型作为信号质量分析模型。
需要说明的是，利用训练集和测试集对神经网络进行训练为神经网络技术领域的常规操作，本实施例中不对训练过程展开描述。
步骤6、采用信号质量分析模型对实时采集的心电信号数据进行分类，输出心电信号质量等级，完成对心电信号的质量分析。本实施例中心电信号质量等级包括：优质且对研究有用的信号、劣质但对研究有用的信号、无用信号。[2]
本实施例根据心电信号在研究或医学上的要求和定义，将心电信号质量等级划分为符合研究或医学上的要求和定义的三个等级，其中无用信号为受噪声干扰很大(例如大于40％)的无研究意义的信号，有用的信号为受噪声干扰相对较小(例如小于40％)的有研究意义的信号，并在有用的信号中进一步区分为劣质和优质，其中优质与劣质主要参考受噪声干扰程度(例如受干扰程度小于10％为优质，受干扰程度大于10％为劣质)，并在后续心电研究中(例如心电信号处理或识别模型训练中)可将优质且对研究有用的信号作为正样本，将劣质但对研究有用的信号作为负样本使用。
在实时分析中，同样需要对采集的心电信号数据进行去噪、转化为二维图片等处理，并在处理后输入信号质量分析模型得到对对应片段信号的质量分析。
在另一个实施例中，提供一种基于ResNet-50和迁移学习的心电信号质量分析装置，包括预训练模块、信号采集模块、去噪模块、数据转化模块、再训练模块、实时分析模块。
所述预训练模块，用于利用ImageNet数据库中的图片对ResNet-50神经网络进行预训练；
所述信号采集模块，用于采集心电信号数据；
所述去噪模块，用于对所采集的心电信号数据进行去噪处理；
所述数据转化模块，用于将去噪处理后的心电信号数据转化为二维图片，具体执行如下操作：
获取二维图片的规格为m×m，按照长度m2将去噪处理后的心电信号数据剪切为多个片段信号；
采用公式(1)将片段信号转化为BM矩阵：
BMi(j，k)＝Li((j-1)×m+k) (1)
公式(1)中，j＝1,...,m,k＝1,...,m，i表示心电信号数据中第i个片段信号，Li((j-1)×m+k)表示第i个片段信号中第(j-1)×m+k个元素的强度值，BMi(j，k)表示第i个片段信号转化后的得到的BM矩阵，i＝1,...,I,I为剪切得到的片段信号的总个数；
采用公式(2)对BM矩阵中的元素进行归一化处理：
公式(2)中，NMi(j,k)为对第i个片段信号对应的BM矩阵中的元素进行归一化处理后得到的NM矩阵，Mini,j,k(BMi(j,k))为第i个片段信号对应的BM矩阵中元素的最小值，Maxi,j,k(BMi(j,k))为第i个片段信号对应的BM矩阵中元素的最大值；
采用公式(3)基于NM矩阵得到RGB格式的二维图片：
RGBPixeli(j,k,p)＝NMi(j,k)×255,p＝1,2,3 (3)
公式(3)中，RGBPixeli(j,k,p)代表RGB格式的3D矩阵，即第i个片段信号对应的二维图片，p代表色彩通道，p＝1代表红色通道，p＝2代表绿色通道，p＝3代表蓝色通道，p的取值根据3D矩阵中像素的生成顺序依次取1至3；
所述再训练模块，用于基于转化后得到的二维图片对预训练的ResNet-50神经网络进行训练，得到最终的信号质量分析模型；
所述实时分析模块，用于采用信号质量分析模型对实时采集的心电信号进行分类，输出心电信号质量等级，完成对心电信号的质量分析。
其中信号采集模块包括：依次连接的心率传感器、二阶RC滤波电路、EMI滤波器和ADS1298芯片。
由于心电信号幅值小且易受干扰，为了尽可能满足便携性，采集系统采用专门用于生理信号测量的低功耗ADS1298芯片来进行数据采集，心电信号进入ADS1298芯片前经过一个二阶RC滤波电路和一个EMI滤波器，分别过滤掉一些比较容易过滤的噪声以及50-60Hz的电磁干扰。从而保证系统得到足够干净的心电信号。
若信号采集模块需要将所采集的数据通过无线上传至上位机进行处理，则为进一步缩小体积，本实施例放弃传统的蓝牙模块而使用集成度更高的蓝牙Soc并配合以片内资源丰富的nRF52840作为信号发送及存储部分。本实施例在尽可能保证采集精度的同时大大缩小了设备体积，提高了用户体验感和降低了操作难度。容易理解的是，若信号采集模块不需要无线上传则也可以采用现有的其他信号采集电路替换本实施例提供的方案。
其中，去噪模块对所采集的心电信号数据进行去噪处理，执行如下操作：
采用db6小波基函数将心电信号数据分解为9层，通过对第3层到第8层的系数重构完成对心电信号数据的去噪处理。
其中，再训练模块基于转化后得到的二维图片对预训练的ResNet-50神经网络进行训练，执行如下操作：
取预训练的ResNet-50神经网络的前49层；
在所取的前49层之后依次连接一个全连接层和一个softmax层构成一个51层的新的初始化模型；
对转化后得到的二维图片添加相应的心电信号质量等级标签，并划分为训练集和测试集；
利用训练集和测试集完成对新的初始化模型的训练和测试，得到满足条件的模型作为信号质量分析模型。
其中，心电信号质量等级包括：优质且对研究有用的信号、劣质但对研究有用的信号、无用信号。
需要说明的是，关于基于ResNet-50和迁移学习的心电信号质量分析装置中的其他限定部分可参考上述对于基于ResNet-50和迁移学习的心电信号质量分析方法的限定，这里就不再进行赘述。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种基于ResNet-50和迁移学习的心电信号质量分析方法，其特征在于，所述基于ResNet-50和迁移学习的心电信号质量分析方法，包括：
步骤1、利用ImageNet数据库中的图片对ResNet-50神经网络进行预训练；
步骤2、采集心电信号数据；
步骤3、对所采集的心电信号数据进行去噪处理；
步骤4、将去噪处理后的心电信号数据转化为二维图片，包括：
步骤4.1、获取二维图片的规格为m×m，按照长度m2将去噪处理后的心电信号数据剪切为多个片段信号；
步骤4.2、采用公式(1)将片段信号转化为BM矩阵：
BMi(j，k)＝Li((j-1)×m+k) (1)
公式(1)中，j＝1,...,m,k＝1,...,m，i表示心电信号数据中第i个片段信号，Li((j-1)×m+k)表示第i个片段信号中第(j-1)×m+k个元素的强度值，BMi(j，k)表示第i个片段信号转化后的得到的BM矩阵，i＝1,...,I,I为剪切得到的片段信号的总个数；
步骤4.3、采用公式(2)对BM矩阵中的元素进行归一化处理：
公式(2)中，NMi(j,k)为对第i个片段信号对应的BM矩阵中的元素进行归一化处理后得到的NM矩阵，Mini,j,k(BMi(j,k))为第i个片段信号对应的BM矩阵中元素的最小值，Maxi,j,k(BMi(j,k))为第i个片段信号对应的BM矩阵中元素的最大值；
步骤4.4、采用公式(3)基于NM矩阵得到RGB格式的二维图片：
RGBPixeli(j,k,p)＝NMi(j,k)×255,p＝1,2,3 (3)
公式(3)中，RGBPixeli(j,k,p)代表RGB格式的3D矩阵，即第i个片段信号对应的二维图片，p代表色彩通道，p＝1代表红色通道，p＝2代表绿色通道，p＝3代表蓝色通道，p的取值根据3D矩阵中像素的生成顺序依次取1至3；
步骤5、基于转化后得到的二维图片对预训练的ResNet-50神经网络进行训练，得到最终的信号质量分析模型；
步骤6、采用信号质量分析模型对实时采集的心电信号数据进行分类，输出心电信号质量等级，完成对心电信号的质量分析。
2.如权利要求1所述的基于ResNet-50和迁移学习的心电信号质量分析方法，其特征在于，所述对所采集的心电信号数据进行去噪处理，包括：
采用db6小波基函数将心电信号数据分解为9层，通过对第3层到第8层的系数重构完成对心电信号数据的去噪处理。
3.如权利要求1所述的基于ResNet-50和迁移学习的心电信号质量分析方法，其特征在于，所述基于转化后得到的二维图片对预训练的ResNet-50神经网络进行训练，包括：
取预训练的ResNet-50神经网络的前49层；
在所取的前49层之后依次连接一个全连接层和一个softmax层构成一个51层的新的初始化模型；
对转化后得到的二维图片添加相应的心电信号质量等级标签，并划分为训练集和测试集；
利用训练集和测试集完成对新的初始化模型的训练和测试，得到满足条件的模型作为信号质量分析模型。
4.如权利要求1所述的基于ResNet-50和迁移学习的心电信号质量分析方法，其特征在于，所述心电信号质量等级包括：优质且对研究有用的信号、劣质但对研究有用的信号、无用信号。
5.一种基于ResNet-50和迁移学习的心电信号质量分析装置，其特征在于，所述基于ResNet-50和迁移学习的心电信号质量分析装置，包括预训练模块、信号采集模块、去噪模块、数据转化模块、再训练模块、实时分析模块，其中：
所述预训练模块，用于利用ImageNet数据库中的图片对ResNet-50神经网络进行预训练；
所述信号采集模块，用于采集心电信号数据；
所述去噪模块，用于对所采集的心电信号数据进行去噪处理；
所述数据转化模块，用于将去噪处理后的心电信号数据转化为二维图片，具体执行如下操作：
获取二维图片的规格为m×m，按照长度m2将去噪处理后的心电信号数据剪切为多个片段信号；
采用公式(1)将片段信号转化为BM矩阵：
BMi(j，k)＝Li((j-1)×m+k) (1)
公式(1)中，j＝1,...,m,k＝1,...,m，i表示心电信号数据中第i个片段信号，Li((j-1)×m+k)表示第i个片段信号中第(j-1)×m+k个元素的强度值，BMi(j，k)表示第i个片段信号转化后的得到的BM矩阵，i＝1,...,I,I为剪切得到的片段信号的总个数；
采用公式(2)对BM矩阵中的元素进行归一化处理：
公式(2)中，NMi(j,k)为对第i个片段信号对应的BM矩阵中的元素进行归一化处理后得到的NM矩阵，Mini,j,k(BMi(j,k))为第i个片段信号对应的BM矩阵中元素的最小值，Maxi,j,k(BMi(j,k))为第i个片段信号对应的BM矩阵中元素的最大值；
采用公式(3)基于NM矩阵得到RGB格式的二维图片：
RGBPixeli(j,k,p)＝NMi(j,k)×255,p＝1,2,3 (3)
公式(3)中，RGBPixeli(j,k,p)代表RGB格式的3D矩阵，即第i个片段信号对应的二维图片，p代表色彩通道，p＝1代表红色通道，p＝2代表绿色通道，p＝3代表蓝色通道，p的取值根据3D矩阵中像素的生成顺序依次取1至3；
所述再训练模块，用于基于转化后得到的二维图片对预训练的ResNet-50神经网络进行训练，得到最终的信号质量分析模型；
所述实时分析模块，用于采用信号质量分析模型对实时采集的心电信号进行分类，输出心电信号质量等级，完成对心电信号的质量分析。
6.如权利要求5所述的基于ResNet-50和迁移学习的心电信号质量分析装置，其特征在于，所述信号采集模块包括依次连接的心率传感器、二阶RC滤波电路、EMI滤波器和ADS1298芯片。
7.如权利要求5所述的基于ResNet-50和迁移学习的心电信号质量分析装置，其特征在于，所述去噪模块对所采集的心电信号数据进行去噪处理，执行如下操作：
采用db6小波基函数将心电信号数据分解为9层，通过对第3层到第8层的系数重构完成对心电信号数据的去噪处理。
8.如权利要求5所述的基于ResNet-50和迁移学习的心电信号质量分析装置，其特征在于，所述再训练模块基于转化后得到的二维图片对预训练的ResNet-50神经网络进行训练，执行如下操作：
取预训练的ResNet-50神经网络的前49层；
在所取的前49层之后依次连接一个全连接层和一个softmax层构成一个51层的新的初始化模型；
对转化后得到的二维图片添加相应的心电信号质量等级标签，并划分为训练集和测试集；
利用训练集和测试集完成对新的初始化模型的训练和测试，得到满足条件的模型作为信号质量分析模型。
9.如权利要求5所述的基于ResNet-50和迁移学习的心电信号质量分析装置，其特征在于，所述心电信号质量等级包括：优质且对研究有用的信号、劣质但对研究有用的信号、无用信号。
CN202111109834.2A 2021-09-18 2021-09-18 一种基于ResNet-50和迁移学习的心电信号质量分析方法及装置 Active CN113729723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111109834.2A CN113729723B (zh) 2021-09-18 2021-09-18 一种基于ResNet-50和迁移学习的心电信号质量分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111109834.2A CN113729723B (zh) 2021-09-18 2021-09-18 一种基于ResNet-50和迁移学习的心电信号质量分析方法及装置

Publications (2)

Publication Number Publication Date
CN113729723A CN113729723A (zh) 2021-12-03
CN113729723B true CN113729723B (zh) 2024-02-02

Family

ID=78740300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111109834.2A Active CN113729723B (zh) 2021-09-18 2021-09-18 一种基于ResNet-50和迁移学习的心电信号质量分析方法及装置

Country Status (1)

Country Link
CN (1) CN113729723B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115568861A (zh) * 2022-10-17 2023-01-06 天津工业大学 一种生理信号的融合方法及系统、解析方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110731773A (zh) * 2019-10-28 2020-01-31 浙江工业大学 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法
CN112329609A (zh) * 2020-11-03 2021-02-05 山东大学 基于2d心拍的特征融合迁移学习心律失常分类系统
CN112690802A (zh) * 2020-12-25 2021-04-23 平安科技（深圳）有限公司 一种检测心电信号的方法、装置、终端及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110731773A (zh) * 2019-10-28 2020-01-31 浙江工业大学 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法
CN112329609A (zh) * 2020-11-03 2021-02-05 山东大学 基于2d心拍的特征融合迁移学习心律失常分类系统
CN112690802A (zh) * 2020-12-25 2021-04-23 平安科技（深圳）有限公司 一种检测心电信号的方法、装置、终端及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Classification of Normal and Abnormal Heart Sound using Continuous Wavelet Transform and ResNet-50;Achmad Rizal 等;Technology Reports of Kansai University;第62卷(第05期);2595-2601 *
Classification of Photoplethysmographic Signal Quality with Deep Convolution Neural Networks for Accurate Measurement of Cardiac Stroke Volume;Shing-Hong Liu 等;applied sciences;1-16 *

Also Published As

Publication number Publication date
CN113729723A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN111616682B (zh) 基于便携式脑电采集设备的癫痫发作预警系统及应用
CN104091172B (zh) 一种运动想象脑电信号的特征提取方法
CN109745033A (zh) 基于时频二维图像和机器学习的动态心电质量评估方法
Chen et al. Self-organized neural network for the quality control of 12-lead ECG signals
CN111860410A (zh) 基于多特征融合cnn的肌电手势识别方法
CN113128552A (zh) 一种基于深度可分离因果图卷积网络的脑电情绪识别方法
CN111513735A (zh) 基于脑机接口和深度学习的重度抑郁症辨识系统及应用
CN114781465A (zh) 一种基于rPPG的非接触式疲劳检测系统及方法
CN112788200B (zh) 频谱信息的确定方法及装置、存储介质、电子装置
CN109034015B (zh) Fsk-ssvep的解调系统及解调算法
CN113729723B (zh) 一种基于ResNet-50和迁移学习的心电信号质量分析方法及装置
CN115050104B (zh) 基于多通道表面肌电信号的连续手势动作识别方法
CN110537907B (zh) 一种基于奇异值分解的心电信号压缩及识别方法
CN111839492A (zh) 一种基于面部视频序列的心率非接触式测量方法
CN114707561A (zh) Psg数据自动分析方法、装置、计算机设备以及存储介质
Wang et al. A novel model based on a 1D-ResCNN and transfer learning for processing EEG attenuation
CN115374831B (zh) 多模态配准和时空特征注意的动静结合速度想象分类方法
CN116746939A (zh) 基于多特征融合的多导联心电信号多标签分类方法
CN114847933B (zh) 基于全卷积残差网络的肌电信号手势识别方法及系统
Lu et al. LGL-BCI: A Lightweight Geometric Learning Framework for Motor Imagery-Based Brain-Computer Interfaces
CN115836867A (zh) 一种双分支融合的深度学习脑电降噪方法、设备及介质
Geng et al. Motion resistant facial video based heart rate estimation method using head-mounted camera
CN112274159B (zh) 一种基于改进带通滤波器的压缩域心电信号质量评估方法
Zhang et al. A feasibility study of a video-based heart rate estimation method with convolutional neural networks
Lyu et al. Pattern Recognition of sEMG Recordings on Arm Muscles among Different Training Motions

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
GR01 Patent grant
GR01 Patent grant