CN115500807A - 基于小型卷积神经网络的心律失常分类检测方法及系统 - Google Patents
基于小型卷积神经网络的心律失常分类检测方法及系统 Download PDFInfo
- Publication number
- CN115500807A CN115500807A CN202211144005.2A CN202211144005A CN115500807A CN 115500807 A CN115500807 A CN 115500807A CN 202211144005 A CN202211144005 A CN 202211144005A CN 115500807 A CN115500807 A CN 115500807A
- Authority
- CN
- China
- Prior art keywords
- layer
- pooling
- convolution
- arrhythmia
- network
- 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
- 206010003119 arrhythmia Diseases 0.000 title claims abstract description 56
- 230000006793 arrhythmia Effects 0.000 title claims abstract description 54
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000011176 pooling Methods 0.000 claims abstract description 65
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 78
- 238000012360 testing method Methods 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010006578 Bundle-Branch Block Diseases 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 240000007673 Origanum vulgare Species 0.000 description 1
- 206010047289 Ventricular extrasystoles Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0255—Recording instruments specially adapted therefor
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/251—Means for maintaining electrode contact with the body
- A61B5/256—Wearable electrodes, e.g. having straps or bands
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for 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]
-
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提出了一种基于小型卷积神经网络的心律失常分类检测方法及系统,涉及心电信号处理技术领域,采用单路径多层网络对穿戴式心电监测设备采集的心跳序列进行实时的心律失常分类检测,具体包括:对待检测的心跳序列进行多层卷积计算,得到一组高度集成的特征序列;采用双层池化对得到的特征序列进行特征降维,得到压缩后的一组特征值;将特征值输入到全连接层,得到心律失常分类的预测结果;本发明基于对不同网络结构应用效果的研究,采用单路径多层网络对穿戴式心电监测设备采集的心跳序列进行检测,并对模型结构进行改进,简化模型的参数量以及计算量,满足穿戴式心电设备的硬件要求,实现高精度的心律失常自动检测。
Description
技术领域
本发明属于心电信号处理技术领域,尤其涉及一种基于小型卷积神经 网络的心律失常分类检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构 成在先技术。
心律失常是常见的心血管疾病,其定义为心脏冲动的频率、节律、起 源部位、传导速度或激动次序的异常。心电信号是诊断心律失常的重要依 据,但是基于传统的短时心电信号进行监测,导致心律失常的临床检出率 不高,造成临床干预率不高。穿戴式心电监测设备能够收集长程的心电信 号,但是其分布式的处理结构、更强的噪声干扰、大量的实时数据和有限 的终端处理能力给实时判读造成困难。所以研究适用于穿戴式心电设备的 小型卷积神经网络很有意义。
目前,对于心律失常的自动检测主要有两种方法:基于传统机器学习 的方法与基于深度学习的方法。Martis等人利用小波分解得到的高阶谱累 积量作为特征,通过核函数支持向量机对正常和异常心拍进行分类。Martis 等人使用独立成分分析方法对数据降维,并使用高斯混合分类器进行分类。 Prasad等人提取了高阶谱的非线性特征,对比了K最近邻、回归树和神经 网络三种分类方法。Li等人利用小波熵和随机森林分类器对心电信号进行 分类。Raj等人从心电信号中提取DOST特征,使用PSO技术调节SVM的参 数,实现了准确的分类。Shameer等人提取了RR间期的特征,使用基于 Dempster Shafer理论的证据性K近邻(EKNN)方法进行心电信号的分类。 Huang等人提出了一种基于多特征融合的分类模型,将手工提取的特征与深 度学习提取的特征进行融合,使用随机森林分类器进行心律失常的分类。
近年来,卷积神经网络发展迅速,出现了一些有代表性的结构,例如 VGGNet、ResNet50,InceptonNet等,在实际应用中取得了较好的成绩。在 医学方面,CADx系统以及CBMIR系统的面世推动了智慧医疗的发展,也促 进了卷积神经网络在医疗方面的应用。Srinidhi等人使用了小波变换对心 电信号进行去噪,利用长短时记忆网络对各类心律失常进行分类。杨浩等 人利用CNN与LSTM相结合的方法对心律失常进行分类,他们利用11层卷 积神经网络和3层BiLSTM网络进行特征的提取,实现了较为准确的心律 失常分类。Ian-Christopher等人提出了一种一维卷积神经网络,该方法将 时域信号与频域信号作为网络的输入,利用谱图和自回归模型进行分类。 Wu等人设计了一个健壮而高效的12层一维CNN结构,用于对五种微观类别 的心跳进行分类。Wang等人提出了一种基于卷积神经网络的自适应心律失 常分类模型,该模型具有很强的自适应能力,能够在多个数据库上保持良 好的性能。
上述研究中,传统的机器学习需要先验知识提取人工特征,深度学习 虽然能够取得较好的结果,但是网络较为复杂,不适用于可穿戴设备;所 以,尽管穿戴式心电监测设备已经应用于临床,但是穿戴式心电监测设备 的硬件配置限制了大型深度学习模型的应用,这阻碍了其智能化的发展。 研究使用小型的卷积神经网络实现心电信号的检测,对于穿戴式心电设备 以及智能医疗的发展很有意义。
发明内容
为克服上述现有技术的不足,以心律失常的分类为应用背景,本发明 提供了一种基于小型卷积神经网络的心律失常分类检测方法及系统,基于 对不同网络结构应用效果的研究,采用单路径多层网络对穿戴式心电监测 设备采集的心跳序列进行检测,并对模型结构进行改进,简化模型的参数 量以及计算量,满足穿戴式心电设备的硬件要求,实现高精度的心律失常 自动检测。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
本发明第一方面提供了一种基于小型卷积神经网络的心律失常分类检 测方法;
一种基于小型卷积神经网络的心律失常分类检测方法,采用单路径多 层网络对穿戴式心电监测设备采集的心跳序列进行实时的心律失常分类检 测,具体包括:
对待检测的心跳序列进行多层卷积计算,得到一组高度集成的特征序 列;
采用双层池化对得到的特征序列进行特征降维,得到压缩后的一组特 征值;
将特征值输入到全连接层,得到心律失常分类的预测结果。
进一步的,所述单路径多层网络,包括卷积层、池化层和全连接层;
每个卷积层的输出使用池化进行下采样,在最后一个卷积层之后使用 双层池化进行特征降维。
进一步的,所述单路径多层网络,采用多个卷积层,每个卷积层中卷 积核的尺寸逐层递增,卷积核的个数也逐层递增。
进一步的,优选的,所述卷积核的尺寸均设置为偶数。
进一步的,优选的,采用5层卷积。
进一步的,所述池化,包括平均池化与最大池化;最后一个卷积层, 后面连接一个平均池化层与最大池化层串联的双层池化,其他的每个卷积 层,后面连接一个最大池化。
进一步的,使用平均池化对特征进行初步筛选,提取具有全面性的特 征;使用最大池化层对特征进行二次筛选,降低网络对于位置的敏感性, 保持特征的不变性。
本发明第二方面提供了一种基于小型卷积神经网络的心律失常分类检 测系统。
一种基于小型卷积神经网络的心律失常分类检测系统,采用单路径多 层网络对穿戴式心电监测设备采集的心跳序列进行实时的心律失常分类检 测,包括多层卷积模块、双层池化模块和全连接模块:
多层卷积模块,被配置为:对待检测的心跳序列进行多层卷积计算, 得到一组高度集成的特征序列;
双层池化模块,被配置为:采用双层池化对得到的特征序列进行特征 降维,得到压缩后的一组特征值;
全连接模块,被配置为:将特征值输入到全连接层,得到心律失常分 类的预测结果。
本发明第三方面提供了计算机可读存储介质,其上存储有程序,该程 序被处理器执行时实现如本发明第一方面所述的一种基于小型卷积神经网 络的心律失常分类检测方法中的步骤。
本发明第四方面提供了电子设备,包括存储器、处理器及存储在存储 器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本发 明第一方面所述的一种基于小型卷积神经网络的心律失常分类检测方法中 的步骤。
以上一个或多个技术方案存在以下有益效果:
本发明基于对不同网络结构应用效果的研究,根据单路径多层网络(深 度)与多路径网络(宽度)对小型卷积神经网络性能的影响,采用单路径 多层网络对穿戴式心电监测设备采集的心跳序列进行实时的心律失常分类 检测,提出了适用于1D-SCNN的卷积核设计方案,使用最少的参数量以及 计算量,得到最精确的结果;并设计了双层池化的方法,在分布式特征映 射到样本标记空间的过程中,实现了信息的快速降维,保证信息的全面性以及平移不变性,从而模型变得更加健壮,性能大幅度改善,提高了穿戴 式心电监测设备上心律失常检测的实时性和准确率。
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
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解, 本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不 当限定。
图1为第一个实施例的方法流程图。
图2为第一个实施例中1D-SCNN的结构图。
图3为第二个实施例的系统结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的 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发明所属 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 意图限制根据本发明的示例性实施方式。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。
实施例一
本实施例公开了一种基于小型卷积神经网络的心律失常分类检测方法;
如图1所示,一种基于小型卷积神经网络的心律失常分类检测方法, 采用单路径多层网络对穿戴式心电监测设备采集的心跳序列进行实时的心 律失常分类检测,本实施例提出一种一维的小型卷积神经网络(简称 1D-SCNN),采用单路径多层网络结构,包含5个卷积层、6个池化层以及2 个全连接层;1D-SCNN的结构如图2所示;每个卷积层的输出均使用池化进 行下采样,在最后一个卷积层之后使用了双层池化进行特征降维,减少计 算量与参数量。
采用上述1D-SCNN进行检测的具体步骤为:
步骤S1:对待检测的心跳序列进行多层卷积计算,得到一组高度集成 的特征序列;
1D-SCNN的目的是对单个心拍分类,为了能够获取比较完整的心拍,选 取穿戴式心电监测设备采集的0.9s的心电片段(R峰之前0.4s,R峰之后 0.5s)作为一次心跳,输入样本是一个离散的序列X={x1,x2,x3,……xm}, 通过1D-SCNN进行卷积计算,得到特征序列X′={x′1,x′2,x′3……x′m},其中卷 积计算的过程如公式(1)所示:
X′=wk*X+β (1)
其中,X代表输入的序列,wk代表1×k维的权重矩阵,k代表卷积核的 尺寸,*代表卷积操作,β代表偏差,X′代表卷积之后得到的特征序列。
在卷积过程中,卷积核尺寸的合适选择对信息的提取具有稳定作用; 在1D-SCNN中,卷积核的尺寸按照公式(2)的方式逐层递增;首先,利用小 尺寸的卷积核对心电信号的细节信息进行分析与提取;然后,逐层增加卷 积核的大小,加速信息的融合;最终,经过5个卷积层的提取与融合之后, 得到一组高度集成的特征序列。
ki=i×a(i∈[1,5]) (2)
其中,ki表示第i层卷积核尺寸,参数a为正整数。
同时,为了从不同的角度进行信息的提取,实现信息的互补,在1D-SCNN 中,卷积核的个数按照公式(3)的方式逐层递增;由于网络层数的增加,提 取的信息更加精确,增加卷积核的数量能够降低在池化过程中的信息损失, 获取更加完整的信息。
fi=2b+i-1(i∈[1,5]) (3)
其中,fi代表第i层的卷积核数量,b为正整数。
在二维卷积神经网络中,卷积核的尺寸均为奇数,目的是对图像进行 卷积时,突出滑动窗口的中心,更好地获取中心位置的信息,减少特征的 损失;而偶数尺寸的卷积核缺少中心对称的感受域,会产生特征偏移现象, 从而降低模型的性能;考虑到一维卷积与二维卷积的巨大差别,本实施例 探究一维卷积网络中卷积核尺寸的奇偶性对于模型性能的影响,对10种尺 寸的卷积核进行了测试实验,从计算量FLOPS、参数量P、准确率Acc以及F1分数进行比较,实验结果如表1所示:
表1卷积核的奇偶性对比
结果显示,在一维卷积中,卷积核的奇偶性对于模型的影响没有明显 的区别,这是因为在一维序列中,采样点之间的时序关系是最重要的,中 心位置的采样点对于信号的整体判读影响较小;为了提高卷积核泛化能力, 本实施例将1D-SCNN卷积核的尺寸均设置为偶数。
卷积核的尺寸与数量对模型的性能至关重要,在公式(1)与(2)中,通 过参数a、b定义了卷积核的尺寸与数量,为了寻找最佳的参数组合,本实 施例试验了25种参数组合,表2显示了a、b取不同的值时,1D-SCNN的准 确率Acc与F1分数。
表2不同参数组合的结果
结果表明,当a=2、b=3时,1D-SCNN的性能最好,准确率为99.47%, F1分数为0.9767;同时,当a不变时,1D-SCNN的准确率与F1分数,随着b上下 波动;当b不变时,1D-SCNN的准确率与F1分数,随着a上下波动;这表明, 在1D-SCNN中,模型的性能与卷积核的尺寸以及卷积核的数量之间存在非 线性关系;在一定范围内,当卷积核的尺寸与数量增加时,模型会变得更 加健壮,性能会大幅度提高,但是,卷积核的尺寸与数量达到一定的值之后,模型的性能不再增加,甚至会因为参数量过多,模型难以训练,造成 性能下降。
步骤S2:采用双层池化对得到的特征序列进行特征降维,得到压缩后 的一组特征值;
在卷积神经网络中,为了降低计算的复杂度与保持信息的不变性,在 卷积层之后会添加池化层;在常用的池化方式中,最大池化层能够缓解由 于卷积层的参数误差所造成的估计值偏移问题,但是最大池化层只选取池 化域内重要的信息,在一定程度上破坏了信息的全面性,容易造成心电信 号中小波形的损失;平均池化层能够缓解由于邻域大小受限所造成的估计 值方差增大问题,但是平均池化层保留了次重要信息,不利于保持信息的不变性,难以提取不同心电波形的特征。
Nilakshi等人在Inceptionv3的基础上使用级联池化保留最明显的特 征,提高图像识别的精度;Yu等人使用了混合池化代替常规池化,有效缓 解了过拟合问题。在本发明中,为了兼顾信息的全面性以及平移不变性, 在最后一个卷积层之后,采用了双层池化进行特征降维,其他的每个卷积 层,后面连接一个最大池化。使用平均池化层对信息进行初步筛选,提取 具有全面性的信息;使用最大池化层对得到的信息进行二次筛选,降低网 络对于位置的敏感性,保持信息的不变性。
为了验证双层池化的有效性,本实施例验证了Max Pooling(MP)、 AveragePooling(AvP)、Global Average Pooling(GAP)、Global Max Pooling(GMP)四种单层池化与八种不同组合的双层池化对于模型性能的影 响,实验结果如表3所示。
表3不同池化组合的结果
通过结果可以看出,当平均池化层与最大池化层串联时,准确率与F1 分数最高,分别是99.47%,0.9767,因此,本发明的双层池化组合使用平 均池化层与最大池化层串联的方式。
步骤S3:将特征值输入到全连接层,得到心律失常分类的预测结果。
基于对网络的路径数量与深度的研究,本发明提出的1D-SCNN最终采 用单路径多层网络结构,下面对多路径网络(宽度)的性能和单路径多层 (深度)的性能进行对比。
多路径网络(宽度)的性能
为了测试多路径网络的性能,本实施例测试了5种不同路径数量的网 络,测试结果如表4所示。
表4不同路径数量的测试结果
结果表明,增加网络的路径,有助于提高网络的性能,当路径数N=5 时,模型的准确率与F1分数最高,分别为99.35%与0.9706;本实施例中, 网络增加一条路径,会增加多种卷积核的尺寸,提取的信息会增加多种尺 度,能够实现信息的互补,提高网络的性能;因此,使用多路径网络模型 时,不同的路径应该使用不同尺寸的卷积核;同一路径中,不同层应该使 用不同尺寸的卷积核,保证整个网络中卷积核尺寸的多样性。
单路径多层(深度)的性能
为了探究网络的深度(L)对于模型性能的影响,本实施例在单路径网络 的基础上增加网络的深度,不同深度的测试结果如表5所示:
表5不同深度的测试结果
结果表明,网络深度为5时,准确率与F1分数最高,分别是99.47%、 0.9767;随着网络层数的加深,模型出现退化现象,造成性能下降;因此, 在1D-SCNN中,只使用了5层卷积。
网络的宽度与深度对比
通过上面的对比,已经证明了增加网络的路径与深度均有助于提高模 型的性能,本实施例选择增加网络的深度提高1D-SCNN的性能;为了证明 这种做法的有效性,将路径数量为3、4、5的网络与深度为3、4、5的网 络进行对比,结果如表6所示:
表6宽度与深度的对比结果
通过结果可以看出,网络的深度由3增加到5时,计算量提升了3.47M, 参数量提升了96668个,准确率提升了0.54%,F1分数提升了0.03;网络 的路径数由3增加到5时,计算量提升了3.46M,参数量提升了514176个, 准确率提升了0.05%,F1分数提升了0.004。结果表明,增加网络的路径时, 参数量会出现爆炸性的增长,性能提高较小;相反,增加网络的深度时, 参数量的增长相对较少,性能提高较大。因此,在小型卷积神经网络搭建 的过程中,通过增加网络的深度提高模型的性能更加可靠。
虽然对于图片以及长时的一维信号而言,多路径网络能够对不同尺度 的信息进行提取,实现多尺度的融合,保证信息的全面性,但是对于短时 信号而言,多路径网络会造成信息冗余,不利于性能的提升;同时,多路 径网络的参数量与计算量相对单路径网络成倍增加,加大了应用于可穿戴 式心电设备的难度;目前,移动型芯片对于大型的网络结构运行困难,使 用单路径网络,参数量与计算量较少,对于硬件要求较低,能够满足目前 移动芯片的存储要求。
实验和结果
实验环境与数据使用
本实验使用Scikit-Learn库和Keras库,python3.9作为编程环境, 在AMD Ryzen7 5800H with Radeon Graphics 3.20GHz CPU和NVIDIA GTX 1650GPU的计算机上,内存是32GB。
MIT-BIH心律失常数据库包含来自47例患者的48条心电记录,每条记 录包含30min的双导联信号,采样频率为360Hz;其中,4条记录(102, 104,107,217)被排除,剩余的44条记录作为实验数据集;本实施例根 据AAMI标准,将所有的心拍分为4种类型,分别为正常或者束支传导阻滞 节拍(N)、室上性异常节拍(S)、心室异常节拍(V)、融合节拍(F);提取出 10万个样本,所有的样本被随机分为训练集、验证集和测试集,比例为6: 2:2;为了避免实验结果的偶然性,本实施例使用5交叉验证进行训练。
评价指标
为了评价1D-SCNN的有效性,本实施例选择总体精度(Acc)与F1分数作 为评价指标,两种指标的计算公式如下:
其中,TP为真阳性,TN为真阴性,FN为假阴性,FP为假阳性。
同时,为了评估模型的复杂度,本实施例引入了参数量(P)与计算量 (FLOPS)作为指标:
Pi=Co×(K×CI+1)
FLOPS=(2CI×K-1)×L×Co
其中,Pi代表第i层的参数量,Co代表输出的通道数,CI代表输入的通道 数,K代表卷积核的尺寸,L代表卷积层输出的序列长度。
结果对比
在本实施例中,使用交叉熵作为损失函数,利用Adam优化器进行参数 优化,学习率设置为0.001,批大小设置为128;经过训练之后,1D-SCNN 在测试集上的准确率为99.47%,F1分数为0.9767;多路径CNN的准确率为 99.35%,F1分数为0.9706;为了证明本发明的模型具有较好的性能,本实 施例收集了使用MIT-BIH心律失常数据库的相关文献进行比较,结果如表7 所示,结果表明本发明的方法具有最好的准确率以及F1分数。
表7结果对比
抗干扰实验
为了验证1D-SCNN具有良好的抗干扰能力,对于心电设备所产生的噪 声不敏感,本实施例设置了一组抗干扰实验,分别在原始信号上增加信噪 比(SNR)为25分贝、15分贝、5分贝的高斯白噪声以及MIT-BIH Noise Stress Test Database中的基线漂移噪声、肌电噪声和电极运动伪迹进行抗干扰实 验;结果如表8所示,实验结果表明,1D-SCNN对于噪声并不敏感,具有一 定的抗干扰能力。
表8抗噪声检测
为了在穿戴式心电监测设备上对心律失常进行自动分类,本发明提出 了一种1D-SCNN,讨论了网络的深度与路径数对于小型CNN性能的影响,发 现在一维卷积网络中,偶数尺寸的卷积核不会因为特征偏移而降低模型的 性能;在多路径网络中,使用多种尺寸的卷积核进行信息提取,会提高模 型的性能;在构建小型卷积神经网络时,增加网络深度产生的效果会比增 加网络路径产生的效果更好。
实施例二
本实施例公开了一种基于小型卷积神经网络的心律失常分类检测系统;
如图3所示,一种基于小型卷积神经网络的心律失常分类检测系统, 采用单路径多层网络对穿戴式心电监测设备采集的心跳序列进行实时的心 律失常分类检测,包括多层卷积模块、双层池化模块和全连接模块:
多层卷积模块,被配置为:对待检测的心跳序列进行多层卷积计算, 得到一组高度集成的特征序列;
双层池化模块,被配置为:采用双层池化对得到的特征序列进行特征 降维,得到压缩后的一组特征值;
全连接模块,被配置为:将特征值输入到全连接层,得到心律失常分 类的预测结果。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行 时实现如本公开实施例1所述的一种基于小型卷积神经网络的心律失常分 类检测方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运 行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的一种 基于小型卷积神经网络的心律失常分类检测方法中的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于 本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精 神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明 的保护范围之内。
Claims (10)
1.一种基于小型卷积神经网络的心律失常分类检测方法,其特征在于,采用单路径多层网络对穿戴式心电监测设备采集的心跳序列进行实时的心律失常分类检测,具体包括:
对待检测的心跳序列进行多层卷积计算,得到一组高度集成的特征序列;
采用双层池化对得到的特征序列进行特征降维,得到压缩后的一组特征值;
将特征值输入到全连接层,得到心律失常分类的预测结果。
2.如权利要求1所述的一种基于小型卷积神经网络的心律失常分类检测方法,其特征在于,所述单路径多层网络,包括卷积层、池化层和全连接层;
每个卷积层的输出使用池化进行下采样,在最后一个卷积层之后使用双层池化进行特征降维。
3.如权利要求2所述的一种基于小型卷积神经网络的心律失常分类检测方法,其特征在于,所述单路径多层网络,采用多个卷积层,每个卷积层中卷积核的尺寸逐层递增,卷积核的个数也逐层递增;
卷积核的尺寸公式为:
ki=i×a(i∈[1,5]) (2)
其中,ki表示第i层卷积核尺寸,参数a为正整数;
卷积核的个数公式为:
fi=2b+i-1(i∈[1,5]) (3)
其中,fi代表第i层的卷积核数量,b为正整数。
4.如权利要求3所述的一种基于小型卷积神经网络的心律失常分类检测方法,其特征在于,优选的,所述卷积核的尺寸均设置为偶数。
5.如权利要求3所述的一种基于小型卷积神经网络的心律失常分类检测方法,其特征在于,优选的,采用5层卷积。
6.如权利要求2所述的一种基于小型卷积神经网络的心律失常分类检测方法,其特征在于,所述池化,包括平均池化与最大池化;
最后一个卷积层,后面连接一个平均池化层与最大池化层串联的双层池化,其他的每个卷积层,后面连接一个最大池化。
7.如权利要求6所述的一种基于小型卷积神经网络的心律失常分类检测方法,其特征在于,使用平均池化对特征进行初步筛选,提取具有全面性的特征;
使用最大池化层对特征进行二次筛选,降低网络对于位置的敏感性,保持特征的不变性。
8.一种基于小型卷积神经网络的心律失常分类检测系统,其特征在于,采用单路径多层网络对穿戴式心电监测设备采集的心跳序列进行实时的心律失常分类检测,包括多层卷积模块、双层池化模块和全连接模块:
多层卷积模块,被配置为:对待检测的心跳序列进行多层卷积计算,得到一组高度集成的特征序列;
双层池化模块,被配置为:采用双层池化对得到的特征序列进行特征降维,得到压缩后的一组特征值;
全连接模块,被配置为:将特征值输入到全连接层,得到心律失常分类的预测结果。
9.计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的一种基于小型卷积神经网络的心律失常分类检测方法中的步骤。
10.电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于小型卷积神经网络的心律失常分类检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211144005.2A CN115500807A (zh) | 2022-09-20 | 2022-09-20 | 基于小型卷积神经网络的心律失常分类检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211144005.2A CN115500807A (zh) | 2022-09-20 | 2022-09-20 | 基于小型卷积神经网络的心律失常分类检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115500807A true CN115500807A (zh) | 2022-12-23 |
Family
ID=84503782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211144005.2A Pending CN115500807A (zh) | 2022-09-20 | 2022-09-20 | 基于小型卷积神经网络的心律失常分类检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115500807A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107510452A (zh) * | 2017-09-30 | 2017-12-26 | 扬美慧普(北京)科技有限公司 | 一种基于多尺度深度学习神经网络的心电检测方法 |
CN111862009A (zh) * | 2020-07-02 | 2020-10-30 | 清华大学深圳国际研究生院 | 一种眼底oct图像的分类方法及计算机可读存储介质 |
CN113112000A (zh) * | 2021-03-29 | 2021-07-13 | 太原科技大学 | 一种多层次卷积神经网络模型的构建方法及应用 |
CN113254590A (zh) * | 2021-06-15 | 2021-08-13 | 北京建筑大学 | 一种基于多核双层卷积神经网络的中文文本情绪分类方法 |
CN113288162A (zh) * | 2021-06-03 | 2021-08-24 | 北京航空航天大学 | 基于自适应注意力机制的短时心电信号房颤自动检测系统 |
CN113449803A (zh) * | 2021-07-09 | 2021-09-28 | 西安交通大学 | 不同绝缘缺陷局部放电类型区分方法、系统、设备及存储介质 |
US20210358082A1 (en) * | 2018-09-25 | 2021-11-18 | Boe Technology Group Co., Ltd. | Computer-implemented method using convolutional neural network, apparatus for generating composite image, and computer-program product |
-
2022
- 2022-09-20 CN CN202211144005.2A patent/CN115500807A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107510452A (zh) * | 2017-09-30 | 2017-12-26 | 扬美慧普(北京)科技有限公司 | 一种基于多尺度深度学习神经网络的心电检测方法 |
US20210358082A1 (en) * | 2018-09-25 | 2021-11-18 | Boe Technology Group Co., Ltd. | Computer-implemented method using convolutional neural network, apparatus for generating composite image, and computer-program product |
CN111862009A (zh) * | 2020-07-02 | 2020-10-30 | 清华大学深圳国际研究生院 | 一种眼底oct图像的分类方法及计算机可读存储介质 |
CN113112000A (zh) * | 2021-03-29 | 2021-07-13 | 太原科技大学 | 一种多层次卷积神经网络模型的构建方法及应用 |
CN113288162A (zh) * | 2021-06-03 | 2021-08-24 | 北京航空航天大学 | 基于自适应注意力机制的短时心电信号房颤自动检测系统 |
CN113254590A (zh) * | 2021-06-15 | 2021-08-13 | 北京建筑大学 | 一种基于多核双层卷积神经网络的中文文本情绪分类方法 |
CN113449803A (zh) * | 2021-07-09 | 2021-09-28 | 西安交通大学 | 不同绝缘缺陷局部放电类型区分方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Marinho et al. | A novel electrocardiogram feature extraction approach for cardiac arrhythmia classification | |
Çınar et al. | Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks | |
Wang et al. | Arrhythmia classification algorithm based on multi-head self-attention mechanism | |
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 | |
CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN111557659B (zh) | 基于多特征融合与Stacking-DWKNN算法的心律失常分类方法 | |
CN111202512A (zh) | 一种基于小波变换与dcnn的心电图分类方法和装置 | |
CN115363599B (zh) | 一种用于心房颤动识别的心电信号处理方法及系统 | |
Lu et al. | An arrhythmia classification algorithm using C-LSTM in physiological parameters monitoring system under internet of health things environment | |
CN115470832A (zh) | 一种基于区块链的心电信号数据处理方法 | |
CN113180688B (zh) | 基于残差神经网络的冠心病心电图筛查系统及方法 | |
Allam et al. | A deformable CNN architecture for predicting clinical acceptability of ECG signal | |
CN109033990B (zh) | 基于类内类间距离的cnn模型心拍分类方法 | |
Hassan et al. | Performance comparison of CNN and LSTM algorithms for arrhythmia classification | |
Oleiwi et al. | Efficient ECG Beats Classification Techniques for The Cardiac Arrhythmia Detection Based on Wavelet Transformation. | |
Rahuja et al. | A comparative analysis of deep neural network models using transfer learning for electrocardiogram signal classification | |
Shi et al. | Automated heartbeat classification based on convolutional neural network with multiple kernel sizes | |
CN113069124A (zh) | 一种基于cnn-et模型的心电监测方法 | |
Feng et al. | A deep dynamic neural network model and its application for ECG classification | |
CN116172573A (zh) | 一种基于改进的Inception-ResNet-v2的心律失常图像分类方法 | |
CN115500807A (zh) | 基于小型卷积神经网络的心律失常分类检测方法及系统 | |
Kim et al. | Lightweight Convolutional Neural Network for Real-Time Arrhythmia Classification on Low-Power Wearable Electrocardiograph | |
CN114052742A (zh) | 一种可穿戴设备监测心电图分类算法 | |
Farag | A Matched Filter-Based Convolutional Neural Network (Cnn) for Inter-Patient Ecg Classification and Arrhythmia Detection at the Edge | |
Nanarkar et al. | A Survey on Classification and identification of Arrhythmia using Machine Learning techniques |
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 |