CN113995417A - 基于lstm自编码器的心电信号异常预测方法及系统 - Google Patents
基于lstm自编码器的心电信号异常预测方法及系统 Download PDFInfo
- Publication number
- CN113995417A CN113995417A CN202111224262.2A CN202111224262A CN113995417A CN 113995417 A CN113995417 A CN 113995417A CN 202111224262 A CN202111224262 A CN 202111224262A CN 113995417 A CN113995417 A CN 113995417A
- Authority
- CN
- China
- Prior art keywords
- layer
- lstm
- input
- gate
- output
- 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.)
- Pending
Links
Images
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
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/363—Detecting tachycardia or bradycardia
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Surgery (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (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LSTM自编码器的心电信号异常预测方法,包括:将预处理后的心电信号数据输入编码器LSTM层中,编码器LSTM层通过LSTM单元提取预处理后的心电信号信号特征,对输入的时间序列信息编码成为一个固定维度的特征向量;对编码器LSTM层输出的特征向量进行解码并对后一段时间进行预测;将解码器LSTM层的输出输入到全连接层,提取预测的心电信号的异常特征并加权求和得到每种异常的分数;将全连接层的输出输入到Softmax层,将全连接层得到的分数映射为概率,得到心电信号异常预测结果。本发明有效实现了对心电信号异常的预测。
Description
技术领域
本发明涉及互联网技术领域,具体而言涉及一种基于LSTM自编码器的心电信号异常预测方法和系统。
背景技术
心电信号检测一直是计算机视觉领域的研究热点之一。由于高并发率和死亡率,心血管疾病是对人类健康的严重威胁,心电信号被广泛用于衡量心脏的健康状况,为心血管疾病的诊断和治疗提供了丰富的信息。
目前,心电信号检测研究主要是基于传统的人工提取特征和基于深度学习这两种方法。传统的人工提取特征过于复杂且效率低,因此该方法逐步被基于深度学习的方法替代。目前大部分研究涉及对心电数据进行广泛的预处理以获得特征,然后设计一个分类器来区分健康的心电信号和那些指示心律失常的信号,取得了不错的效果。可是这就需要不同类型的心率失常的知识和数据进行训练,然而心脏是一个复杂的器官可能会发生许多不同的新型心率失常,这些都不是原始训练集的一部分。因此,采用异常检测的方法来分析心电信号可能更为谨慎。
但这种异常检测方法侧重于实时检测,只适用于当前时刻的心电信号异常,仍缺乏对即将发生的心电信号异常的早期预测的关注。心电信号异常的早期迹象可以在其发生之前的心电信号中引入微妙和渐进的变化,有效地检测这些变化对于有效预防心电信号异常并提前防范即将到来的负面健康事件来说是十分宝贵的。
专利号为CN113095302A的发明中提出一种用于心律失常分类的深度模型、利用该模型的方法及装置。该发明采用的是传统卷积神经网络自编码器,编解码器中的基本单元为CNN 单元(卷积神经网络单元),在CNN中每层神经元的信号只能向上层传播,样本的处理在各个时刻独立。针对心电信号序列为时间序列,前一时间的信号状态对后续时刻影响较大;并且该发明只是提出了一种心拍分类方法,是对当前时刻的输入心电信号进行分类,未涉及预测问题。
发明内容
本发明针对现有技术中的不足,提供一种基于LSTM自编码器的心电信号异常预测方法和系统,采用了堆叠双层自动编码器,相比于单层编解码器结构预测误差随着预测步长而增加,堆叠双层自动编码器则更好的实现了复杂时间序列的多步预测,有效实现了对心电信号异常的预测。
为实现上述目的,本发明采用以下技术方案:
第一方面,本发明实施例提出了一种基于LSTM自编码器的心电信号异常预测方法,所述预测方法包括以下步骤:
S1,采集心电信号数据并进行预处理;
S2,定义编码器LSTM层,将预处理后的心电信号数据输入编码器LSTM层中,编码器LSTM层通过LSTM单元提取预处理后的心电信号信号特征,对输入的时间序列信息编码成为一个固定维度的特征向量;其中,LSTM单元的隐藏状态被认为是输入时间序列的特征表示,将多个部分输出进行融合,得到融合的结果后,将融合后的向量看成是整体的特征向量;
S3,定义解码器LSTM层,对编码器LSTM层输出的特征向量进行解码并对后一段时间进行预测,解码器LSTM层输出的预测序列长度等于解码器LSTM层中LSTM单元的个数;
S4,将解码器LSTM层的输出输入到全连接层,提取预测的心电信号的异常特征并加权求和得到每种异常的分数;
S5,将全连接层的输出输入到Softmax层,将全连接层得到的分数映射为概率,得到心电信号异常预测结果。
进一步地,步骤S1中,对采集到的心电信号数据用小波变换的方法进行去噪预处理。
进一步地,所述编码器LSTM层和解码器LSTM层各包括20个LSTM单元。
进一步地,每个LSTM单元之间有循环链接,具有三个乘法门:输入门、遗忘门和输出门,三个乘法门是自适应的,输入门用于学习哪些信息要存储在内存中,遗忘门用于了解信息存储时长,输出门用于了解存储的信息何时可以使用。
进一步地,假设输入序列X为(x1,x2,…,xt),其中时间序列中的每个点xt∈R表示时间t的心电图记录,其元素对应输入变量;隐藏层状态H为(h1,h2,…,ht),使用激活函数对遗忘信息进行计算:
ft=σ(Wxfxt+Whfht-1+bf)
式中:xt为当前时刻网络的输入;ht-1为上一时刻隐藏层状态;ft为当前时刻遗忘门的输出;σ为激活函数;Wxf为输入层到遗忘门的权重;Whf为上一时刻隐藏层状态到遗忘门的权重;bf为遗忘门的偏置;
通过输入门对信息进行更新:
it=σ(Wxixt+Whiht-1+bi)
式中:it为当前时刻输入门的输出;Wxi为输入层到输入门的权重;Whi为上一时刻隐藏层状态到输入门的权重;bi为输入门的偏置;为当前输入的细胞单元状态;tanh()为激活函数;Wxc为输入层到当前输入的细胞单元状态的权重;Whc为上一时刻隐藏层状态到当前输入的细胞单元状态的权重;bc为当前时刻输入的细胞单元状态的偏置;
将遗忘门与输出门的计算结果相结合,得到当前时刻细胞单元的输出ct:
式中:*为向量元素相乘;ct-1为上一时刻细胞单元的输出;
计算输出结果:
ot=σ(Wxoxt+Whoht-1+bo)
ht=ot*tanh(ct)
式中:ot为当前时刻输出门的输出;Wxo为输入层到输出门的权重;Who为上一时刻隐藏层状态到输出门的权重;bo为输出门的偏置;ht为当前时刻隐藏层状态。
第二方面,本发明实施例提出了一种基于LSTM自编码器的心电信号异常预测系统,所述预测系统包括预处理单元、编码器LSTM层、解码器LSTM层、全连接层和Softmax层;
所述预处理单元用于对采集的心电信号数据进行预处理;
所述编码器LSTM层用于将预处理后的心电信号数据输入编码器LSTM层中,编码器LSTM层通过LSTM单元提取预处理后的心电信号信号特征,对输入的时间序列信息编码成为一个固定维度的特征向量;其中,LSTM单元的隐藏状态被认为是输入时间序列的特征表示,将多个部分输出进行融合,得到融合的结果后,将融合后的向量看成是整体的特征向量;
所述解码器LSTM层用于对编码器LSTM层输出的特征向量进行解码并对后一段时间进行预测,将预测结果输入到全连接层,解码器LSTM层输出的预测序列长度等于解码器LSTM 层中LSTM单元的个数;
所述全连接层用于提取预测的心电信号的异常特征并加权求和得到每种异常的分数;
所述Softmax层用于将全连接层得到的分数映射为概率,得到心电信号异常预测结果。
进一步地,所述预处理单元用于对采集到的心电信号数据用小波变换的方法进行去噪预处理。
进一步地,所述编码器LSTM层和解码器LSTM层各包括20个LSTM单元。
进一步地,每个LSTM单元之间有循环链接,具有三个乘法门:输入门、遗忘门和输出门,三个乘法门是自适应的,输入门用于学习哪些信息要存储在内存中,遗忘门用于了解信息存储时长,输出门用于了解存储的信息何时可以使用。
进一步地,假设输入序列X为(x1,x2,…,xt),其中时间序列中的每个点xt∈R表示时间t的心电图记录,其元素对应输入变量;隐藏层状态H为(h1,h2,…,ht),使用激活函数对遗忘信息进行计算:
ft=σ(Wxfxt+Whfht-1+bf)
式中:xt为当前时刻网络的输入;ht-1为上一时刻隐藏层状态;ft为当前时刻遗忘门的输出;σ为激活函数;Wxf为输入层到遗忘门的权重;Whf为上一时刻隐藏层状态到遗忘门的权重;bf为遗忘门的偏置;
通过输入门对信息进行更新:
it=σ(Wxixt+Whiht-1+bi)
式中:it为当前时刻输入门的输出;Wxi为输入层到输入门的权重;Whi为上一时刻隐藏层状态到输入门的权重;bi为输入门的偏置;为当前输入的细胞单元状态;tanh()为激活函数;Wxc为输入层到当前输入的细胞单元状态的权重;Whc为上一时刻隐藏层状态到当前输入的细胞单元状态的权重;bc为当前时刻输入的细胞单元状态的偏置;
将遗忘门与输出门的计算结果相结合,得到当前时刻细胞单元的输出ct:
式中:*为向量元素相乘;ct-1为上一时刻细胞单元的输出;
计算输出结果:
ot=σ(Wxoxt+Whoht-1+bo)
ht=ot*tanh(ct)
式中:ot为当前时刻输出门的输出;Wxo为输入层到输出门的权重;Who为上一时刻隐藏层状态到输出门的权重;bo为输出门的偏置;ht为当前时刻隐藏层状态。
本发明的有益效果是:
(1)本发明通过在模型中加入自编码器,解决了时间序列多步预测问题,且其结构大大的降低了运算量,提高了预测效率和准确性;利用LSTM提取多变量时间序列中的深层表达能力,提高了预测的准确性。
(2)本发明采用了循环神经网络LSTM单元,相较于CNN单元,神经元输出可以直接在下一个时间段作用到自身,解决了“梯度消失”问题,更针对于时间序列信号取得更好的效果。
(3)本发明采用了堆叠双层自动编码器,单层编解码器结构预测误差随着预测步长而增加,而堆叠双层自动编码器则更好的实现了复杂时间序列的多步预测,从而实现了对心电信号异常的预测。例如,以t-19到t的20个时间步长读取心电信号数据作为输入序列,首先通过编码器对输入的20个时间序列信息编码成为一个固定维度的特征向量,然后再通过解码器对特征向量进行解析并输出接下来从t+1到t+20的20个步长的预测值,区别于现有的针对当前时刻的分类算法。
(4)本发明采用了小波变换的数据预处理方法,去除心电信号中的干扰和噪声。
附图说明
图1是本发明实施例中基于LSTM自编码器的心电信号异常预测方法的流程图。
图2是本发明实施例中基于LSTM自编码器的心电信号异常预测系统的结构示意图。
图3是本发明实施例中LSTM自编码器模块的结构示意图。
图4是本发明实施例中LSTM单元的结构示意图。
图5是基于LSTM自编码器的心电信号异常预测的准确率。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
图1是本发明实施例中基于LSTM自编码器的心电信号异常预测方法的流程图。参见图 1,该预测方法包括以下步骤:
S1,采集心电信号数据并进行预处理。
本实施例对麻省理工学院提供的心率失常数据集MIT-BIH中的信号进行预处理。数据集分为训练集和测试集,十分之三的信号用于测试,十分之七的信号用于训练。现有的心电信号异常检测网络中未考虑噪声会改变心电信号的幅度和频率,不利于编码器LSTM层对特征的提取以及最终的预测准确度。因此,采用小波变换预处理心电信号数据,对噪声进行了有效的滤除,有效防止了心电信号幅度和频率发生畸变,进一步提高了特征提取和预测结果的准确性。
S2,定义编码器LSTM层,将预处理后的心电信号数据输入编码器LSTM层中,编码器LSTM层通过LSTM单元提取预处理后的心电信号信号特征,对输入的时间序列信息编码成为一个固定维度的特征向量;其中,LSTM单元的隐藏状态被认为是输入时间序列的特征表示,将多个部分输出进行融合,得到融合的结果后,将融合后的向量看成是整体的特征向量。
S3,定义解码器LSTM层,对编码器LSTM层输出的特征向量进行解码并对后一段时间进行预测,解码器LSTM层输出的预测序列长度等于解码器LSTM层中LSTM单元的个数。
S4,将解码器LSTM层的输出输入到全连接层,提取预测的心电信号的异常特征并加权求和得到每种异常的分数。
S5,将全连接层的输出输入到Softmax层,将全连接层得到的分数映射为概率,得到心电信号异常预测结果。
相应的,参见图2,本实施例提出了一种基于LSTM自编码器的心电信号异常预测系统,预测系统包括预处理单元、编码器LSTM层、解码器LSTM层、全连接层和Softmax层。
所述预处理单元用于对采集的心电信号数据进行预处理。
所述编码器LSTM层用于将预处理后的心电信号数据输入编码器LSTM层中,编码器LSTM层通过LSTM单元提取预处理后的心电信号信号特征,对输入的时间序列信息编码成为一个固定维度的特征向量;其中,LSTM单元的隐藏状态被认为是输入时间序列的特征表示,将多个部分输出进行融合,得到融合的结果后,将融合后的向量看成是整体的特征向量。
所述解码器LSTM层用于对编码器LSTM层输出的特征向量进行解码并对后一段时间进行预测,将预测结果输入到全连接层,解码器LSTM层输出的预测序列长度等于解码器LSTM 层中LSTM单元的个数。
所述全连接层用于提取预测的心电信号的异常特征并加权求和得到每种异常的分数。
所述Softmax层用于将全连接层得到的分数映射为概率,得到心电信号异常预测结果。
心电信号数据量巨大,序列长度较长且有着人眼可能无法检测到的细微周期模式。本实施例中,为了解决这些问题,提出将自然语言处理领域表现出色的自编码器应用于心电信号异常预测任务中。
现有技术提出了一种单层编码器解码器结构,由于编码器的输出仅为其最后一个神经单元的隐藏状态ht,然后依次通过解码器单元,其对较长序列进行多步预测时,每一步的预测误差将会随着预测步长而增加。因此,比较适用于变化幅度相对稳定的时间序列的研究,例如行人轨迹等。但本实施例研究的心电信号序列数据量大,变化细微且迅速,若是采用单层编码器解码器结构,则会在短时间内导致预测误差大幅增加,从而预测失败。
区别于现有技术中的单层编码器,本实施例创新性的提出了采用堆叠两层的自动编码器的结构,其综合所有编码层神经单元的隐藏状态h1~ht,将其编码成为特征向量输入到所有的解码层神经单元,通过递归方式将预测的结果反馈到网络中,更好的实现了复杂时间序列的多步预测。具体的,将模型中的第一层LSTM作为编码器,第二层LSTM作为解码器。将预处理后的心电信号作为编码器LSTM层的输入,如图3所示的LSTM单元用于提取信号特征,将输入的时间序列信息编码成为固定维度的特征向量,代表心电信号的特征。然后通过另一层LSTM作为解码器对特征向量进行解析并预测接下来l(l的值等于解码器层LSTM单元的个数)个时刻的信号。
如图4所示,每个LSTM层的单元之间有循环链接,具有三个乘法门:输入门、遗忘门和输出门。它们本质上是自适应的,输入门用于学习哪些信息要存储在内存中;遗忘门用于了解信息存储时长;输出门用于了解存储的信息何时可以使用。假设输入序列X为(x1,x2,…, xt),其中时间序列中的每个点xt∈R表示时间t的心电图记录,其元素对应输入变量。隐藏层状态H为(h1,h2,…,ht),使用激活函数对遗忘信息进行计算
ft=σ(Wxfxt+Whfht-1+bf)
式中:xt为当前时刻网络的输入;ht-1为上一时刻隐藏层状态;ft为当前时刻遗忘门的输出;σ为激活函数;Wxf为输入层到遗忘门的权重;Whf为上一时刻隐藏层状态到遗忘门的权重;bf为遗忘门的偏置。
通过输入门对信息进行更新
it=σ(Wxixt+Whiht-1+bi)
式中:it为当前时刻输入门的输出;Wxi为输入层到输入门的权重;Whi为上一时刻隐藏层状态到输入门的权重;bi为输入门的偏置;为当前输入的细胞单元状态;tanh为激活函数;Wxc为输入层到当前输入的细胞单元状态的权重;Whc为上一时刻隐藏层状态到当前输入的细胞单元状态的权重;bc为当前时刻输入的细胞单元状态的偏置。
将遗忘门与输出门的计算结果相结合,得到当前时刻细胞单元的输出ct
式中:*为向量元素相乘;ct-1为上一时刻细胞单元的输出。
计算输出结果
ot=σ(Wxoxt+Whoht-1+bo)
ht=ot*tanh(ct)
式中:ot为当前时刻输出门的输出;Wxo为输入层到输出门的权重;Who为上一时刻隐藏层状态到输出门的权重;bo为输出门的偏置;ht为当前时刻隐藏层状态。
基于公共数据集MIT-BIH心律失常数据库,以t-19到t的20个时间步长读取心电信号数据作为输入序列,首先通过编码器对输入的20个时间序列信息编码成为一个固定维度的特征向量。用多个LSTM单元对输入的时间序列数据进行特征提取,得到每个部分的输出。LSTM 单元的隐藏状态可以被认为是输入时间序列的特征表示,将多个部分输出进行融合,得到融合的结果后,把这个向量看成是整体的特征向量。然后再通过解码器对特征向量进行解析并输出接下来从t+1到t+20的20个步长的预测值。将解码器输出的预测值输入到全连接层,提取预测的心电信号的异常特征并加权求和得到每种异常的分数。将全连接层的输出输入到Softmax层,把全连接层得到的分数映射为概率,从而得到心电信号异常预测结果。
LSTM比其他循环架构具有额外的保持能力,因为它们能够克服梯度消失问题。该网络一旦经过训练就非常快,并且不需要了解异常情况、手工制作的特征或数据处理,大大的降低了运算量,提高了效率。
在公共数据集MIT-BIH心律失常数据库上,经过实验验证,与未引入自编码器的LSTM 网络相比,基于LSTM自编码器的心电信号异常预测模型的心电信号异常预测准确率有效地提高至97.9%,各类异常准确率如图5所示。其中正常搏动预测准确率从99%提高至99.3%,右束支传导阻滞预测准确率从95%提高至97.1%,左束支传导阻滞预测准确率从94%提高至 97%,室性早搏预测准确率从91%提高至94.4%,房性早搏预测准确率从66%提高至70%。
本实施例通过基于LSTM自编码器的心电信号异常预测模型预测心电信号异常,本发明通过在模型中加入自编码器,解决了时间序列多步预测问题,且其结构大大的降低了运算量,提高了预测效率和准确性;利用LSTM提取多变量时间序列中的深层表达能力,提高了预测的准确性。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (10)
1.一种基于LSTM自编码器的心电信号异常预测方法,其特征在于,所述预测方法包括以下步骤:
S1,采集心电信号数据并进行预处理;
S2,定义编码器LSTM层,将预处理后的心电信号数据输入编码器LSTM层中,编码器LSTM层通过LSTM单元提取预处理后的心电信号信号特征,对输入的时间序列信息编码成为一个固定维度的特征向量;其中,LSTM单元的隐藏状态被认为是输入时间序列的特征表示,将多个部分输出进行融合,得到融合的结果后,将融合后的向量看成是整体的特征向量;
S3,定义解码器LSTM层,对编码器LSTM层输出的特征向量进行解码并对后一段时间进行预测,解码器LSTM层输出的预测序列长度等于解码器LSTM层中LSTM单元的个数;
S4,将解码器LSTM层的输出输入到全连接层,提取预测的心电信号的异常特征并加权求和得到每种异常的分数;
S5,将全连接层的输出输入到Softmax层,将全连接层得到的分数映射为概率,得到心电信号异常预测结果。
2.根据权利要求1所述的基于LSTM自编码器的心电信号异常预测方法,其特征在于,步骤S1中,对采集到的心电信号数据用小波变换的方法进行去噪预处理。
3.根据权利要求1所述的基于LSTM自编码器的心电信号异常预测方法,其特征在于,所述编码器LSTM层和解码器LSTM层各包括20个LSTM单元。
4.根据权利要求1所述的基于LSTM自编码器的心电信号异常预测方法,其特征在于,每个LSTM单元之间有循环链接,具有三个乘法门:输入门、遗忘门和输出门,三个乘法门是自适应的,输入门用于学习哪些信息要存储在内存中,遗忘门用于了解信息存储时长,输出门用于了解存储的信息何时可以使用。
5.根据权利要求4所述的基于LSTM自编码器的心电信号异常预测方法,其特征在于,假设输入序列X为(x1,x2,…,xt),其中时间序列中的每个点xt∈R表示时间t的心电图记录,其元素对应输入变量;隐藏层状态H为(h1,h2,…,ht),使用激活函数对遗忘信息进行计算:
ft=σ(Wxfxt+Whfht-1+bf)
式中:xt为当前时刻网络的输入;ht-1为上一时刻隐藏层状态;ft为当前时刻遗忘门的输出;σ为激活函数;Wxf为输入层到遗忘门的权重;Whf为上一时刻隐藏层状态到遗忘门的权重;bf为遗忘门的偏置;
通过输入门对信息进行更新:
it=σ(Wxixt+Whiht-1+bi)
式中:it为当前时刻输入门的输出;Wxi为输入层到输入门的权重;Whi为上一时刻隐藏层状态到输入门的权重;bi为输入门的偏置;为当前输入的细胞单元状态;tanh()为激活函数;Wxc为输入层到当前输入的细胞单元状态的权重;Whc为上一时刻隐藏层状态到当前输入的细胞单元状态的权重;bc为当前时刻输入的细胞单元状态的偏置;
将遗忘门与输出门的计算结果相结合,得到当前时刻细胞单元的输出ct:
式中:*为向量元素相乘;ct-1为上一时刻细胞单元的输出;
计算输出结果:
ot=σ(Wxoxt+Whoht-1+bo)
ht=ot*tanh(ct)
式中:ot为当前时刻输出门的输出;Wxo为输入层到输出门的权重;Who为上一时刻隐藏层状态到输出门的权重;bo为输出门的偏置;ht为当前时刻隐藏层状态。
6.一种基于LSTM自编码器的心电信号异常预测系统,其特征在于,所述预测系统包括预处理单元、编码器LSTM层、解码器LSTM层、全连接层和Softmax层;
所述预处理单元用于对采集的心电信号数据进行预处理;
所述编码器LSTM层用于将预处理后的心电信号数据输入编码器LSTM层中,编码器LSTM层通过LSTM单元提取预处理后的心电信号信号特征,对输入的时间序列信息编码成为一个固定维度的特征向量;其中,LSTM单元的隐藏状态被认为是输入时间序列的特征表示,将多个部分输出进行融合,得到融合的结果后,将融合后的向量看成是整体的特征向量;
所述解码器LSTM层用于对编码器LSTM层输出的特征向量进行解码并对后一段时间进行预测,将预测结果输入到全连接层,解码器LSTM层输出的预测序列长度等于解码器LSTM层中LSTM单元的个数;
所述全连接层用于提取预测的心电信号的异常特征并加权求和得到每种异常的分数;
所述Softmax层用于将全连接层得到的分数映射为概率,得到心电信号异常预测结果。
7.根据权利要求6所述的基于LSTM自编码器的心电信号异常预测系统,其特征在于,所述预处理单元用于对采集到的心电信号数据用小波变换的方法进行去噪预处理。
8.根据权利要求6所述的基于LSTM自编码器的心电信号异常预测系统,其特征在于,所述编码器LSTM层和解码器LSTM层各包括20个LSTM单元。
9.根据权利要求6所述的基于LSTM自编码器的心电信号异常预测系统,其特征在于,每个LSTM单元之间有循环链接,具有三个乘法门:输入门、遗忘门和输出门,三个乘法门是自适应的,输入门用于学习哪些信息要存储在内存中,遗忘门用于了解信息存储时长,输出门用于了解存储的信息何时可以使用。
10.根据权利要求9所述的基于LSTM自编码器的心电信号异常预测系统,其特征在于,假设输入序列X为(x1,x2,…,xt),其中时间序列中的每个点xt∈R表示时间t的心电图记录,其元素对应输入变量;隐藏层状态H为(h1,h2,…,ht),使用激活函数对遗忘信息进行计算:
ft=σ(Wxfxt+Whfht-1+bf)
式中:xt为当前时刻网络的输入;ht-1为上一时刻隐藏层状态;ft为当前时刻遗忘门的输出;σ为激活函数;Wxf为输入层到遗忘门的权重;Whf为上一时刻隐藏层状态到遗忘门的权重;bf为遗忘门的偏置;
通过输入门对信息进行更新:
it=σ(Wxixt+Whiht-1+bi)
式中:it为当前时刻输入门的输出;Wxi为输入层到输入门的权重;Whi为上一时刻隐藏层状态到输入门的权重;bi为输入门的偏置;为当前输入的细胞单元状态;tanh()为激活函数;Wxc为输入层到当前输入的细胞单元状态的权重;Whc为上一时刻隐藏层状态到当前输入的细胞单元状态的权重;bc为当前时刻输入的细胞单元状态的偏置;
将遗忘门与输出门的计算结果相结合,得到当前时刻细胞单元的输出ct:
式中:*为向量元素相乘;ct-1为上一时刻细胞单元的输出;
计算输出结果:
ot=σ(Wxoxt+Whoht-1+bo)
ht=ot*tanh(ct)
式中:ot为当前时刻输出门的输出;Wxo为输入层到输出门的权重;Who为上一时刻隐藏层状态到输出门的权重;bo为输出门的偏置;ht为当前时刻隐藏层状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224262.2A CN113995417A (zh) | 2021-10-20 | 2021-10-20 | 基于lstm自编码器的心电信号异常预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111224262.2A CN113995417A (zh) | 2021-10-20 | 2021-10-20 | 基于lstm自编码器的心电信号异常预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113995417A true CN113995417A (zh) | 2022-02-01 |
Family
ID=79923548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111224262.2A Pending CN113995417A (zh) | 2021-10-20 | 2021-10-20 | 基于lstm自编码器的心电信号异常预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113995417A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115865129A (zh) * | 2022-12-01 | 2023-03-28 | 电子科技大学 | 一种基于去噪自编码器的窄带干扰智能消除方法 |
CN116098595A (zh) * | 2023-01-16 | 2023-05-12 | 广东海纳医疗科技有限公司 | 一种心源性及脑源性猝死监测预防系统和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111297349A (zh) * | 2020-02-12 | 2020-06-19 | 北京蓝卫通科技有限公司 | 一种基于机器学习的心律分类系统 |
KR20210086487A (ko) * | 2019-12-30 | 2021-07-08 | 세종대학교산학협력단 | 동영상내의 이상 물체 탐지 방법 및 그 장치 |
CN113397555A (zh) * | 2021-07-21 | 2021-09-17 | 南通大学附属医院 | 生理参数监测用c-lstm的心率失常分类算法 |
-
2021
- 2021-10-20 CN CN202111224262.2A patent/CN113995417A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210086487A (ko) * | 2019-12-30 | 2021-07-08 | 세종대학교산학협력단 | 동영상내의 이상 물체 탐지 방법 및 그 장치 |
CN111297349A (zh) * | 2020-02-12 | 2020-06-19 | 北京蓝卫通科技有限公司 | 一种基于机器学习的心律分类系统 |
CN113397555A (zh) * | 2021-07-21 | 2021-09-17 | 南通大学附属医院 | 生理参数监测用c-lstm的心率失常分类算法 |
Non-Patent Citations (1)
Title |
---|
陈德: "多变量时间序列数据的异常检测方法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, pages 138 - 202 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115865129A (zh) * | 2022-12-01 | 2023-03-28 | 电子科技大学 | 一种基于去噪自编码器的窄带干扰智能消除方法 |
CN115865129B (zh) * | 2022-12-01 | 2024-03-29 | 电子科技大学 | 一种基于去噪自编码器的窄带干扰智能消除方法 |
CN116098595A (zh) * | 2023-01-16 | 2023-05-12 | 广东海纳医疗科技有限公司 | 一种心源性及脑源性猝死监测预防系统和方法 |
CN116098595B (zh) * | 2023-01-16 | 2023-09-05 | 广东海纳医疗科技有限公司 | 一种心源性及脑源性猝死监测预防系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thill et al. | Temporal convolutional autoencoder for unsupervised anomaly detection in time series | |
Liu et al. | Deep learning in ECG diagnosis: A review | |
Liu et al. | Classification of heart diseases based on ECG signals using long short-term memory | |
Cao et al. | Atrial fibrillation detection using an improved multi-scale decomposition enhanced residual convolutional neural network | |
CN113995417A (zh) | 基于lstm自编码器的心电信号异常预测方法及系统 | |
CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
CN112587153A (zh) | 一种基于vPPG信号的端到端的非接触房颤自动检测系统和方法 | |
CN113274031B (zh) | 一种基于深度卷积残差网络的心律失常分类方法 | |
CN116503673B (zh) | 一种基于心电图的心律失常识别检测方法及系统 | |
CN117009780A (zh) | 一种基于对比学习的时空频域有效通道注意力运动想象脑电解码方法 | |
CN113349793A (zh) | 一种基于分层注意力模型的心律失常分类方法 | |
CN114431873B (zh) | 一种基于图卷积的心电图心率多类型预测模型构建方法 | |
CN113855042A (zh) | 融合深度和医学特征的基于序列标注的多导联心电信号分类方法 | |
Tefai et al. | ASIC implementation of a pre-trained neural network for ECG feature extraction | |
Liu et al. | Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks | |
CN113768514B (zh) | 基于卷积神经网络与门控循环单元的心律失常分类方法 | |
CN112932431B (zh) | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 | |
CN112257573B (zh) | 一种基于t-SNE和Adaboost的ECG身份识别方法 | |
CN115713670A (zh) | 基于图预测网络和自动编码器的异常检测方法及系统 | |
CN114947740A (zh) | 基于量子cnn-gru预测癫痫发作的方法 | |
Mitrokhin et al. | Deep learning approach for QRS wave detection in ECG monitoring | |
Roy et al. | Identification and classification of human mental stress using physiological data: A low-power hybrid approach | |
Balcı | A hybrid attention-based LSTM-XGBoost model for detection of ECG-based atrial fibrillation | |
Qiao et al. | ECG signal classification based on adaptive multi-channel weighted neural network | |
CN116530996B (zh) | 一种面向低测量负荷心电数据的异常预警方法及系统 |
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 |