CN115221926A - 基于cnn-gru网络模型的心拍信号分类方法 - Google Patents

基于cnn-gru网络模型的心拍信号分类方法 Download PDF

Info

Publication number
CN115221926A
CN115221926A CN202210855584.5A CN202210855584A CN115221926A CN 115221926 A CN115221926 A CN 115221926A CN 202210855584 A CN202210855584 A CN 202210855584A CN 115221926 A CN115221926 A CN 115221926A
Authority
CN
China
Prior art keywords
layer
network model
data
cnn
size
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
Application number
CN202210855584.5A
Other languages
English (en)
Inventor
顾玲嘉
李丽岚
江明达
任瑞治
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN202210855584.5A priority Critical patent/CN115221926A/zh
Publication of CN115221926A publication Critical patent/CN115221926A/zh
Pending legal-status Critical Current

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]
    • 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
    • A61B5/7235—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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Cardiology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (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CNN‑GRU网络模型的心拍信号分类方法，涉及计算机领域和医学信号处理领域，本发明的目的是解决心电信号干扰多、分类精度低等问题。本发明包括以下步骤：将心电数据通过小波变换除去噪声，再将其分割成心拍的形式，之后将预处理后的心拍随机划分成训练集、验证集和测试集；构建基于CNN网络模型和GRU网络模型的深度学习网络模型，之后挑选训练好的模型中精度最高的模型来预测数据，得到心电数据的预测分类结果。利用本发明提出的基于CNN‑GRU网络模型对心拍信号分类的方法可以实现对心电信号高效、准确的分类识别。

Description

基于CNN-GRU网络模型的心拍信号分类方法
技术领域
本发明结合了处理医学图像与处理信号两方面的知识，通过深度学习网络模型对心电信号进行分类处理的方法。
背景技术
心脏方面的疾病渐渐地成为人类健康的威胁，在临床上，之前通常是通过具有专业素养的医师对患者的心电图进行诊断。然而，由于心电信号本身存在微弱性等的特点，在采集的过程中往往会掺入许多的噪声干扰，这些噪声干扰影响了心电信号的诊断。
在基于机器学习的心电信号分类方法中，XZ Zhang等人使用SMOTE对心电信号进行过采样，再用最小冗余最大相关算法(MRMR)选择有效特征，之后分别采用了KNN、SVM等网络分类信号(Zhang X Z,Michael AJ,Zhao J L,et al."Ecg Classification usingMachine Learning Techniques and Smote Oversampling Technique,"IPMV 2020:20202nd International Conference on Image Processing and Machine Vision.10-13(2020))。刘腾等人通过离散小波分析获取移除噪声后的心电信号特征，并且使用softmax回归模型来进行分类操作(参见刘腾,唐虹,张士兵.基于机器学习的心律失常信号分类算法研究.计算机应用研究,37(03):940-943(2020))。X Ye等人首先使用DNN网络获取心电信号的概率特征，再利用XGBoost进行分类操作(参见Ye X,Huang Y,Lu Q,"ExplainablePrediction of Cardiac Arrhythmia Using Machine Learning,"2021 14thInternational Congress on Image and Signal Processing,BioMedical Engineeringand Informatics(CISP-BMEI).IEEE,1-5(2021))。
在基于深度学习的心电信号分类方法中，He等人使用连续小波变换(CWT)将原始的心电信号转换为频谱图，然后通过CNN网络提取特征并分类(参见Runnan H,Kuanquan W,Na Z,et al."Automatic Detection of Atrial Fibrillation Based on ContinuousWavelet Transform and 2D Convolutional Neural Networks,"Frontiers inPhysiology,9:1206(2018))。吴燃等人应用MIT-BIH数据库中的心电信号作为实验数据集，先分割成心拍形式，然后为了扩大数据集使用了SMOTE算法，并且平衡了样本不同类别的比例，最后CNN网络被用于将心电信号分成五种不同的类别(参见吴燃,唐清垚,姜小明,等.心电成分的多核尺度卷积神经网络分类算法研究.重庆邮电大学学报(自然科学版),34(02):243-249(2022))。Liu Xinwen等人通过清洗数据和用boot-hard损失函数训练CNN网络，从而有效地改善了带噪心电信号的分类精度低的问题(参见Liu Xinwen,Wang Huan,LiZongjin,"An Approach for Deep Learning in ECG Classification Tasks in thePresence of Noisy Labels,"2021 43rd Annual International Conference of theIEEE Engineering in Medicine&Biology Society(EMBC).IEEE,(2021))。
到目前为止，国内外学者提出了很多对心电信号进行分类处理的方法，然而仍然存在着一些明显的不足：(1)机器学习的方法需要分为特征提取和设计分类器这两步，而特征提取需要相关领域的专家进行提取，这一步耗时又耗力；(2)网络模型的分类性能仍有不足。
发明内容
为了解决心电信号干扰多、分类精度低等问题，本发明分别通过对心电信号进行小波变换去噪处理和心拍分割处理后，得到了去除噪声后的心拍数据，再通过深度学习的CNN-GRU网络模型进行分类处理，从而提高分类的精度。
本发明采用的技术方案具体步骤如下：
步骤一、选取十二导联的心电信号构建心电信号数据集；
步骤二、通过小波变换的方式来移除干扰到信号有效信息的噪声；
步骤三、定位R峰，并利用得到的R峰位置信息进行心拍分割处理，从而得到等长的心拍形式心电信号；
步骤四、构建CNN-GRU网络模型，将步骤三分割得到的等长的心拍信号送入到深度学习网络模型中进行训练；
步骤五、输入测试集数据到已经训练完成的网络，输出为其对应的信号类别。
其中，步骤二实施过程如下：
(a)读取数据集中的原始心电数据；
(b)利用小波多个尺度分解的特性进行噪声抑制的工作；分解时的小波变换的公式为：
Figure BDA0003754390510000021
其中，Wt(a,b)为得到的小波函数，X(t)为原始心电数据，Ψ()为基本小波函数，a,b分别表示变换因子。
经过小波变换，心电信号被转换成了多个小波形函数的混合，从而得到了函数对应的系数。之后设定阈值将噪声对应的系数除去，用目前较为常用的阈值，公式为：
Figure BDA0003754390510000022
其中，M和N代表着输入数据的尺寸，σ的计算公式为：
Figure BDA0003754390510000023
这里，X对应高频部分的小波系数，Median则表示所使用的中值函数。
之后通过软阈值法进行处理，其公式为：
Figure BDA0003754390510000031
这里，W是公式(1)得到的小波函数，Wδ是阈值δ相应得到的软阈值函数。
(c)小波逆变换的方法被用于重新构建信号，获取去除了噪声的心电信号。
其公式如下：
Figure BDA0003754390510000032
其中，
Figure BDA0003754390510000033
X1(t)是去除噪声后的信号，Ψ()代表基本的小波函数，ω是频率，a,b分别表示变换因子。
步骤三中对步骤二得到的信号进行心拍分割处理的具体实施过程如下：
(a)分割心电信号成心拍形式首先要找到R峰的位置。首先采用不同长度T的窗口扫描数据，使用自适应阈值的方法得到不同窗口位置对应的阈值，而感兴趣区域就在阈值和心电信号的两个相交点之间，默认感兴趣区域中的最大值对应的位置即为R峰的位置，读取所有R峰位置值并观察标注的数据，选择得到最多正确R峰的T值；
(b)为了进一步筛选得到R峰的位置，进行了设置阈值处理。首先去除位于心电信号起点和终点的两个标注点，因为这两个标注点不一定包含完整的心拍数据。之后，观察数据将可以分离R峰和非R峰的值设置为阈值以进一步筛选R峰；
(c)选取R峰的左侧的N个点和右侧的M个点形成一个心拍，此时为了保证获取到完整的心拍，还可以进一步设置标注点的位置，初始标注点的位置值应大于N，末尾标注点的位置值应小于心电信号的总位置值减去M得到的位置值，由此可以获得等长的心拍数据，并作为后续网络的输入。
步骤四、构建CNN-GRU网络模型，将得到的等长心拍数据送入到深度学习网络模型中进行训练；
在步骤四中，为了进一步提高CNN-GRU网络模型的稳定性和运行速度，采用了DROPOUT技术和L2正则化技术，DROPOUT技术即为按照一定的比例对网络模型中的神经元进行去除，L2正则化技术则是对损失函数的一些参数进行限制，从而起到防止过拟合的作用。
CNN-GRU网络模型的第0层用于输入信号，信号大小为(M+N)×12，(M+N)代表数据的长度，12代表十二个导联的电压信号；
CNN-GRU网络结构第一部分由两个卷积层Conv1D、最大池化层MaxPooling1D、一个卷积层Conv1D、平均池化层AvegPooling1D和Dropout层组成；
第一层卷积层Conv1D的设定参数如下：
滤波器的个数filters＝4，
内核大小kernel_size＝4,
步长strides＝1，
激活函数activation为ReLU函数，
为了预防训练出现过拟合的问题加入了L2正则化操作，其对应的参数设置为0.01，
输出特征图大小的计算方式为padding＝“valid”；
输入的数据经过第一层卷积层的卷积处理之后，得到了输入数据的第一级特征，得到的特征响应图的尺寸为397×4；
第二层卷积层Conv1D的设定参数为：
滤波器的个数filters＝16，
内核大小kernel_size＝8，
步长strides＝1，
激活函数activation为ReLU函数，
同理这一层也加入参数设定成0.01的L2正则化操作，
输出特征图大小的计算方式为padding＝“valid”；
上一层输出经过这一层卷积后，输出的尺寸为390×16；
接下来为最大池化层MaxPooling1D,设定参数为：
池化尺寸pool_size＝2，
步长strides＝2，
填充padding＝“valid”，
其输出特征响应图尺寸为195×16；
第三层卷积层的设定参数为：
滤波器的个数filters＝32，
内核大小kernel_size＝16，
步长strides＝1，
激活函数activation为ReLU函数，
L2正则化同样被添加到了这一层卷积层，其对应参数设置为0.01，
输出特征图大小的计算方式为padding＝“valid”；
经过第三层卷积层后，输出的尺寸为：180×32；
接下来是平均池化层，设定参数为：
池化尺寸pool_size＝2，
步长strides＝2，
填充padding＝“valid”，
其输出特征响应图尺寸为90×32；
Dropot层，丢弃神经元的比例设置为60％，输出的特征响应图尺寸为90×32。
CNN-GRU网络模型的第二部分由GRU层组成，GRU层的设定参数为：神经元的数目设定成300，经过GRU层后，特征响应图尺寸大小为90×300；
CNN-GRU网络模型的第三部分为打平层Flatten，将多维的输入一维化处理，输出的特征响应图尺寸大小为27000×1；
CNN-GRU网络的第四部分为第一个全连接层Dense、Dropout层和第二个全连接层Dense；其中，数据送入到第四部分的第一个全连接层Dense的尺寸大小为27000×1，这里将ReLU函数当作激励函数，输出尺寸是128×1；
然后连接Dropout层，Dropout是一种随即丢弃一些神经元的正则化技术，丢弃神经元的比例设置为50％，输出个数为128×1；
Dropout层的输出送入到第二层的全连接层Dense，输出空间维度为2，激活函数为softmax，输出个数为2×1，对应于正常信号和异常信号这两种类别的概率。
本发明的有益效果：
将人工智能的方法引入到心电信号的诊断中，既有利于节约医疗成本，又有利于促进智慧医疗的发展。本发明利用深度学习实现心电信号的分类处理，将心电信号小波变换去除了其噪声，这是因为小波变换更简单快捷；然后进行心拍分割处理，更加准确地提取有效特征，从而降低干扰特征的影响；最后，构建CNN-GRU网络进行分类，CNN-GRU网络不仅可以从空间域的角度提取得到信号特征，同时可以从时间域的角度对心电信号的特征进行提取，如此可以得到更高的分类精度。此方法既节约了时间，又节省了人力，可以做到快速准确地分类识别各个心电信号的类别。
附图说明
图1是本发明的流程图；
图2是通过小波变换来除去心电信号中干扰部分的流程图；
图3是小波变换去噪的对比图；
图4是分割处理数据集中的心电信号从而得到心拍形式数据的结果对比图；
图5是本发明使用中国心电大赛公开数据集时所使用的CNN-GRU网络模型的整体结构示意图；
图6是本发明使用中国心电大赛公开数据集时训练CNN-GRU模型得到的损失变化曲线；
图7是本发明使用中国心电大赛公开数据集时得到的混淆矩阵显示的分类结果图；
图8是本发明使用中国心电大赛公开数据集时得到的ROC曲线图；
具体实施方式
如图1所示，本发明提供了一种基于CNN-GRU网络模型的心拍信号分类方法。为了更为准确地阐述本发明的技术方案，下面通过一个具体的实施例进一步解释和说明本发明。
实施例具体步骤如下所示：
步骤一：选取中国心电大赛公开数据集作为本发明的数据集，每条记录都包含有十二导联的电压信号。
步骤二：通过小波变换除去了数据中的噪声部分，过程如图2；
步骤二的具体过程如下：
(a)读取中国心电大赛公开数据集中的心电数据；
(b)利用小波9个尺度分解的特性进行噪声抑制的工作；分解时的小波变换的公式为：
Figure BDA0003754390510000061
其中，Wt(a,b)为得到的小波函数，X(t)为原始心电数据，Ψ()为基本小波函数，a,b分别表示变换因子。
小波变换处理后，信号对应的小波形函数被获取，同时获取函数对应的系数。之后通过设置阈值把对应于噪声部分除去。阈值采用的是目前较为常用的阈值，公式为：
Figure BDA0003754390510000062
其中，M和N表示输入数据的尺寸，σ的计算公式为：
Figure BDA0003754390510000063
这里，X表示高频部分的小波系数，Median表示所使用的中值函数。
之后利用软阈值法处理，其公式为：
Figure BDA0003754390510000071
这里，W是公式(1)得到的小波函数，Wδ是阈值δ相应得到的软阈值函数。
(c)小波逆变换被用于重新构建信号，其公式如下：
Figure BDA0003754390510000072
其中，
Figure BDA0003754390510000073
X1(t)表示去噪后的信号，Ψ()表示一些基本小波函数，ω表示频率，a,b分别表示变换因子。
由此得到去除了噪声之后的心电信号。
步骤三：定位心电信号的R峰，针对R峰前后采点对序列形式的心电信号进行心拍分割处理，从而得到等长的心拍形式心电信号；
步骤三的具体过程如下：
(a)使用到了开源python库中的heartpy库。对心电信号进行心拍分割处理时首先需要找到R峰的位置，这里使用了自适应阈值的方法处理。首先使用0.75s的窗口来计算信号的不同窗口位置下的阈值，而感兴趣区域(ROI)就在阈值和心电信号的两个相交点之间，ROI中的最大值即为R峰对应的值。这里使用heartpy库中的process函数对心电信号进行处理，返回了两个字典形式的值，分别为存储临时值的字典对象和存储计算值的字典对象。读取所有标注得到的R峰位置值；
(b)为了进一步筛选得到R峰的位置，进行了设置阈值处理。首先去除位于心电信号起点和终点的两个标注点，因为这两个标注点不一定包含完整的心拍数据。之后，观察数据后将可以分辨R峰和非R峰的值设置为阈值进行筛选，峰值小于阈值的标注点默认为非R峰，由此可以筛选得到所有的R峰；
(c)选取R峰的左侧149个点和右侧200个点作为一个心拍，此时为了保证获取到完整的心拍，进一步限制标注点的位置，初始标注点的位置值应不小于149，末尾标注点的位置值应小于心电信号的总位置值减去200得到的位置值，由此可以获得多个等长的心拍数据，并作为后续网络的输入。
经过心拍分割处理后，将得到的所有心拍信号按照4：1：1的占比随机分配，之后分别用于训练网络和验证网络以及网络预测。
步骤四：构建如图3所示的CNN-GRU网络模型，将得到的等长心拍数据送入到深度学习网络模型中进行训练；
CNN-GRU网络结构中包括有输入层、卷积层Conv1D、池化层Pooling1D、全连接层Dense、Dropout层、打平层Flatten、GRU层以及输出层，步骤四的具体过程如下：
(a)CNN-GRU网络模型的第0层为输入层，输入信号大小为400×12，400代表数据的长度，12代表十二导联的电压信号；
(b)通过输入层后，是CNN-GRU网络模型的第一部分，CNN-GRU网络模型的第一部分由卷积层Conv1D、最大池化层MaxPooling1D、平均池化层AvegPooling1D和Dropout层组成，第一层卷积层Conv1D的设定参数如下：
滤波器的个数filters＝4，
内核大小kernel_size＝4,
步长strides＝1，
激活函数activation为ReLU函数，
为了预防训练出现过拟合的问题加入了L2正则化操作，其对应的参数设置为0.01，
输出特征图大小的计算方式为padding＝“valid”；
输入的数据经过第一层卷积层的卷积处理之后，得到了输入数据的第一级特征，得到的特征响应图的尺寸为397×4；
第二层卷积层Conv1D的设定参数为：
滤波器的个数filters＝16，
内核大小kernel_size＝8，
步长strides＝1，
激活函数activation为ReLU函数，
同理在这一层加入参数设定成0.01的L2正则化操作，
输出特征图大小的计算方式为padding＝“valid”；
上一层输出经过这一层卷积后，输出的尺寸为390×16；
接下来为最大池化层MaxPooling1D,设定参数为：
池化尺寸pool_size＝2，
步长strides＝2，
填充padding＝“valid”，
其输出特征响应图尺寸为195×16；
第三层卷积层的设定参数为：
滤波器的个数filters＝32，
内核大小kernel_size＝16，
步长strides＝1，
激活函数activation为ReLU函数，
L2正则化同样被添加到了这一层卷积层，其对应参数设置为0.01，
输出特征图大小的计算方式为padding＝“valid”；
经过第三层卷积层后，输出的尺寸为：180×32；
接下来是平均池化层，设定参数为：
池化尺寸pool_size＝2，
步长strides＝2，
填充padding＝“valid”，
其输出特征响应图尺寸为90×32；
之后是一层Dropot层，丢弃神经元的比例设置为60％，输出的特征响应图尺寸为90×32；
(c)CNN-GRU网络模型的第二部分由GRU层组成，GRU层的设定参数为：
神经元数量为300，
经过GRU层后，特征响应图尺寸大小为90×300；
(d)CNN-GRU网络模型的第三部分为Flatten层，将多维的输入一维化处理，输出的特征响应图尺寸大小为27000×1；
(e)CNN-GRU网络的第四部分有两个全连接层Dense与Dropout层组成，最后一个全连接层Dense(输出层)输出2×1特征向量(对应于正常信号和异常信号这两种类别的概率)；其中，数据送入到第四部分的第一个全连接层Dense的尺寸大小为27000×1，这里将ReLU函数当作激励函数，输出尺寸是128×1；
然后连接Dropout层，Dropout是一种随即丢弃一些神经元的正则化技术，丢弃神经元的比例设置为50％，输出个数为128×1；
Dropout层的输出送入到第二层的全连接层Dense，输出空间维度为2，激活函数为softmax，输出个数为2×1。
(f)随机排列心拍数据后，1000条数据被选为测试集，再分别抽取4548条数据当作训练集和抽取1000条数据当作验证集。
本发明选取adam优化器来更新模型中的参数，采用交叉熵损失函数(categorical_crossentropy)来测量输出值和真实值的差异，此损失函数输出心电信号对应属于每一个类别的one-hot形式，其公式为：
Figure BDA0003754390510000101
其中，y为实际值，
Figure BDA0003754390510000102
是预测的概率值。
一共训练50轮，得到的损失曲线如图4所示，可以看出训练的次数越多，损失曲线愈加稳定。
步骤五：选取训练精度最高的网络模型对心电信号进行分类预测处理，将待测试的心电信号输入到已经训练好的网络模型中，输出其对应的分类类别；
训练完成后，把1000个测试集的心拍数据送入网络模型中，网络模型最后输出为1000个测试集数据分类预测结果。
步骤六：将所得到的分类结果与测试的心电信号实际的分类类别进行对比，得到此网络模型的训练精度。
本发明首先使用了混淆矩阵的方法对网络分类预测的结果进行显示，如图5所示，可以看出，混淆矩阵属于正确分类对角线上的值较大，这也就意味着此CNN-GRU网络模型对中国心电大赛公开数据集中的心电信号的分类效果是非常好的。
之后使用更精确的评价指标对网络模型进行判断，选择了精确率、召回率和F1分数进行评价，公式分别为：
Figure BDA0003754390510000103
Figure BDA0003754390510000104
Figure BDA0003754390510000105
这里，TP代表真实正常数据并且预测的是正常的总个数，FP代表真实异常数据然而预测的是正常的总个数，FN代表真实正常数据然而预测的是异常的总个数。
精确率(precision)代表着预测正常心拍的样本中真实正常心拍的数据数量，所以可以通过precision来判断网络模型是否可以对数据准确判断；召回率(recall)代表着真实正常心拍的所有数据中预测正常心拍的数据数量，所以可以通过recall来判断网络模型是否可以对所有数据进行预测；而F1分数则是对precision和recall的一个综合判断。最后得到的结果如图6所示。可以发现，此网络模型对心电信号进行分类预测处理得到的精确率为96％，召回率为94％，由此得到的F1分数为0.95。由以上数据可以认为此CNN-GRU网络模型可以实现对心电信号实现精度高，且覆盖面全的分类预测处理。
之后，由于数据集中的正常数据和异常数据的分布并不均衡，而感受性曲线(ROC曲线)不受数据集中不同类别数据分布变换的影响，因此引入ROC曲线。ROC曲线的数学意义是一条位于二维坐标上的曲线，横坐标为假阳率，即实际上是异常心拍但被预测为正常心拍的比率，记为FRP；纵坐标为真阳率，即实际上是正常心拍且被预测为正常心拍的比率，记为TPR，二者计算的公式分别为：
Figure BDA0003754390510000111
Figure BDA0003754390510000112
其中，TN代表真实异常数据并且预测的是异常的总个数。
这条曲线通常位于点(0，0)和点(1，1)连线的上方，其中(0，0)表示着网络模型将数据集中的所有样本判断为异常，(1，1)表示着网络模型将数据集中的所有数据判断为正常。为了更准确地判断网络模型，引入了AUC值。从物理角度上来说，AUC值是对于任意抽取的样本中，真实正常数据被预测为正常数据的概率大于真实异常数据被预测为正常数据的概率的概率，公式为：
AUC＝P(P正＞P负) (12)
其中，P正代表真实正常的数据并且被预测成正常数据的概率，P负代表真实异常的数据可是被预测成正常数据的概率。
所以从数学角度上，AUC值对应ROC曲线下面所涵盖面积，一般为0.5～1。AUC＝0.5表示网络模型没有分类能力，AUC＞0.5则说明真实的正常数据预测为正常数据的概率大于真实的异常数据预测为异常数据的概率，此时网络模型可以实现分类，且值越大，效果就越好。
由ROC曲线可以得到，此网络模型的AUC值为0.94，下表为使用中国心电大赛公开数据集时最后得到的指标结果。
表1
Figure BDA0003754390510000113
这说明此网络模型把真实正常数据预测为正常数据的概率大于把真实异常数据预测为正常数据的概率，且分类性能优良。

Claims (5)

1.基于CNN-GRU网络模型的心拍信号分类方法，其特征在于，该方法的步骤如下：
步骤一、选取十二导联的心电信号构建心电信号数据集；
步骤二、通过小波变换的方式来移除干扰到信号有效信息的噪声；
步骤三、定位R峰，并利用得到的R峰位置信息进行心拍分割处理，从而得到等长的心拍形式心电信号；
步骤四、构建CNN-GRU网络模型，将步骤三分割得到的等长的心电信号送入到深度学习网络模型中进行训练；
步骤五、输入测试集数据到已经训练完成的网络，输出为其对应的信号类别；
步骤四中CNN-GRU网络模型输入信号大小为(M+N)×12，(M+N)代表数据的长度，12代表十二个导联的电压信号；
该网络结构第一部分由两个卷积层Conv1D、最大池化层MaxPooling1D、一个卷积层Conv1D、平均池化层AvegPooling1D和Dropout层组成；第一个卷积层Conv1D设定参数如下：滤波器的个数filters＝4，内核大小kernel_size＝4，步长strides＝1，激活函数activation为ReLU函数，L2正则化设置为0.01，填充方式padding为有效；
第二个卷积层Conv1D设定参数如下：滤波器的个数filters＝16，内核大小kernel_size＝8，步长strides＝1，激活函数activation为ReLU函数，L2正则化设置为0.01，填充方式为有效；
最大池化层MaxPooling1D设定参数为：池化尺寸pool_size＝2，步长strides＝2，填充方式padding为有效；
第三个卷积层Conv1D设定参数为：滤波器的个数filters＝32，内核大小kernel_size＝16，步长strides＝1，激活函数activation为ReLU函数，L2正则化设置为0.01，填充方式padding为有效；
平均池化层AvegPooling1D设定参数为：池化尺寸pool_size＝2，步长strides＝2，填充方式padding为有效；
Dropout层丢弃神经元的比例设置为60％；
第二部分为GRU层，神经元数量为300；
第三部分为打平层Flatten，将多维的输入一维化处理；
第四部分为第一个全连接层Dense、Dropout层和第二个全连接层Dense；第一个全连接层Dense将ReLU函数当作激励函数，Dropout层丢弃神经元的比例设置为50％，第二个全连接层Dense的激活函数为softmax，输出空间维度为2，对应于正常信号和异常信号这两种类别的概率。
2.根据权利要求1所述的CNN-GRU网络模型的心拍信号分类方法，其特征在于，步骤二实施过程如下：
(a)读取数据集中的原始心电数据；
(b)经过小波变换，心电信号被转换成了多个小波形函数的混合，从而得到了函数对应的系数。之后设定阈值将噪声对应的系数除去，
(c)小波逆变换的方法被用于重新构建信号，得到去除了噪声之后的心电信号。
3.根据权利要求2所述的CNN-GRU网络模型的心拍信号分类方法，其特征在于，(b)步骤中分解时的小波变换的公式为：
Figure FDA0003754390500000021
其中，Wt(a,b)为得到的小波函数，X(t)为原始心电数据，Ψ()为基本小波函数，a,b分别表示变换因子。
设定阈值的公式为
Figure FDA0003754390500000022
其中，其中，M和N代表着输入数据的尺寸，σ的计算公式为：
Figure FDA0003754390500000023
X对应高频部分的小波系数，Median则表示所使用的中值函数。
通过软阈值法将噪声对应的系数除去，其公式为：
Figure FDA0003754390500000024
W是公式(1)得到的小波函数，Wδ是阈值δ相应得到的软阈值函数。
4.根据权利要求2所述的CNN-GRU网络模型的心拍信号分类方法，其特征在于，(c)小波逆变换的方法被用于重新构建信号，其公式如下：
Figure FDA0003754390500000025
其中，
Figure FDA0003754390500000026
X(t)是去除噪声后的信号，Ψ()代表基本的小波函数，ω是频率，a,b分别表示变换因子。
5.根据权利要求1所述的CNN-GRU网络模型的心拍信号分类方法，其特征在于，
步骤三的具体过程如下：
(a)对心电信号进行心拍分割处理时首先需要找到R峰的位置，这里使用了自适应阈值的方法处理。首先使用长度为T的窗口来计算移动平均线，而感兴趣区域就在移动平均线和心电信号的两个相交点之间进行计算，默认感兴趣区域中的最大值对应的位置即为R峰的位置，读取所有标注得到的R峰位置值；
(b)为了进一步筛选得到R峰的位置，进行了设置阈值处理。首先去除位于心电信号起点和终点的两个标注点，因为这两个标注点不一定包含完整的心拍数据。之后，通过设置阈值进一步筛选R峰；
(c)选取R峰的左侧的N个点和右侧的M个点形成一个心拍，此时为了保证获取到完整的心拍，还可以进一步设置标注点的位置，初始标注点的位置值应大于N，末尾标注点的位置值应小于心电信号的总位置值减去M得到的位置值，由此可以获得多个等长的心拍数据，并作为后续网络的输入。
CN202210855584.5A 2022-07-20 2022-07-20 基于cnn-gru网络模型的心拍信号分类方法 Pending CN115221926A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210855584.5A CN115221926A (zh) 2022-07-20 2022-07-20 基于cnn-gru网络模型的心拍信号分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210855584.5A CN115221926A (zh) 2022-07-20 2022-07-20 基于cnn-gru网络模型的心拍信号分类方法

Publications (1)

Publication Number Publication Date
CN115221926A true CN115221926A (zh) 2022-10-21

Family

ID=83613260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210855584.5A Pending CN115221926A (zh) 2022-07-20 2022-07-20 基于cnn-gru网络模型的心拍信号分类方法

Country Status (1)

Country Link
CN (1) CN115221926A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115470832A (zh) * 2022-11-14 2022-12-13 南京邮电大学 一种基于区块链的心电信号数据处理方法
CN116258735A (zh) * 2023-05-16 2023-06-13 四川省肿瘤医院 一种宫颈癌组织间插植针重建系统
CN117763399A (zh) * 2024-02-21 2024-03-26 电子科技大学 一种自适应变长信号输入的神经网络分类方法
CN117763399B (zh) * 2024-02-21 2024-05-14 电子科技大学 一种自适应变长信号输入的神经网络分类方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115470832A (zh) * 2022-11-14 2022-12-13 南京邮电大学 一种基于区块链的心电信号数据处理方法
CN115470832B (zh) * 2022-11-14 2023-05-02 南京邮电大学 一种基于区块链的心电信号数据处理方法
CN116258735A (zh) * 2023-05-16 2023-06-13 四川省肿瘤医院 一种宫颈癌组织间插植针重建系统
CN117763399A (zh) * 2024-02-21 2024-03-26 电子科技大学 一种自适应变长信号输入的神经网络分类方法
CN117763399B (zh) * 2024-02-21 2024-05-14 电子科技大学 一种自适应变长信号输入的神经网络分类方法

Similar Documents

Publication Publication Date Title
CN111160139B (zh) 心电信号的处理方法、装置及终端设备
CN107822622B (zh) 基于深度卷积神经网络的心电图诊断方法和系统
Zhang et al. Automated detection of myocardial infarction using a gramian angular field and principal component analysis network
EP3306500A1 (en) Method for analysing medical treatment data based on deep learning, and intelligent analyser thereof
CN111990989A (zh) 一种基于生成对抗及卷积循环网络的心电信号识别方法
CN115221926A (zh) 基于cnn-gru网络模型的心拍信号分类方法
CN109620210B (zh) 一种基于自编码模式的cnn与gru结合的心电信号分类方法
CN110533683B (zh) 一种融合传统特征与深度特征的影像组学分析方法
CN109645983A (zh) 一种基于多模块神经网络的不平衡心拍分类方法
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
CN109948396B (zh) 一种心拍分类方法、心拍分类装置及电子设备
Jatmiko et al. Heart beat classification using wavelet feature based on neural network
CN110313894A (zh) 基于卷积神经网络的心率失常分类算法
CN111956211A (zh) 单导联心电信号房颤自动检测方法
CN110558975B (zh) 一种心电信号分类方法及系统
CN113274031B (zh) 一种基于深度卷积残差网络的心律失常分类方法
CN111956214A (zh) 基于U-net端对端神经网络模型的QRS波自动检测方法
CN113855038B (zh) 基于多模型集成的心电信号危急值的预测方法及装置
Yao et al. Interpretation of electrocardiogram heartbeat by CNN and GRU
Wang et al. Metastatic cancer image binary classification based on resnet model
CN115281688A (zh) 一种基于多模态深度学习的心脏肥大多标签检测系统
CN115530788A (zh) 基于自注意力机制的心律失常分类方法
CN113128585B (zh) 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
CN116864140A (zh) 一种心内科术后护理监测数据处理方法及其系统
CN114366116A (zh) 一种基于Mask R-CNN网络及心电图的参数获取方法

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