本發(fā)明涉及醫(yī)療技術(shù)領(lǐng)域，尤其涉及一種對心電信號進(jìn)行分類的識別方法。

背景技術(shù)：

醫(yī)院心電檢查，雖然數(shù)據(jù)精度高，但是只能記錄患者在特定且極短時間內(nèi)的一段心電波形，對非持續(xù)性心律失常，尤其是對一過性心律失常及短暫的心肌缺血發(fā)作常常漏檢，延誤了診斷。目前得到普遍應(yīng)用的24小時動態(tài)心電圖(dcg)能夠記錄長時間的心電圖(ecg)信號，但是dcg沒有處理數(shù)據(jù)的能力，不能對信號進(jìn)行自動分類，不能自動識別出具有醫(yī)學(xué)意義的病態(tài)信號，必須等待24小時監(jiān)護(hù)結(jié)束，才能交由醫(yī)生對數(shù)據(jù)進(jìn)行分析并做出結(jié)論。

對ecg信號進(jìn)行智能分析的技術(shù)一直在發(fā)展。通過分析在醫(yī)學(xué)特征空間中ecg數(shù)據(jù)的分布情況可知，要能以較高準(zhǔn)確率對ecg信號進(jìn)行分類，需要一個高度復(fù)雜的非線性函數(shù)，所以問題的實(shí)質(zhì)是對復(fù)雜非線性函數(shù)的擬合。目前已有技術(shù)中對這一函數(shù)的擬合仍然不夠理想。比如，一種現(xiàn)有技術(shù)采用的小波變換來提取信號特征，利用基函數(shù)的多尺度特性將ecg信號在不同尺度下展開并提取有用信息。然而，小波變換實(shí)質(zhì)只是簡單的積分變換，其非線性函數(shù)擬合能力非常有限。另一種現(xiàn)有技術(shù)采用支持向量機(jī)(svm)，svm可以看成是網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值自適應(yīng)調(diào)整的3層徑向基網(wǎng)絡(luò)，但是它面臨非線性函數(shù)擬合能力受到限制，當(dāng)給定訓(xùn)練樣本，svm所能擬合的函數(shù)族就完全確定了，但對于更復(fù)雜的非線性函數(shù)，當(dāng)前svm就無能為力。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術(shù)的缺陷，提供一種基于卷積神經(jīng)網(wǎng)絡(luò)，利用卷積神經(jīng)網(wǎng)絡(luò)對復(fù)雜非線性函數(shù)的擬合能力，通過合理的設(shè)計(jì)使其適用于一維ecg信號，實(shí)現(xiàn)對ecg信號更有效、更準(zhǔn)確的分類識別方法。

為解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案：一種心電信號分類識別方法，其特征在于：包括以下實(shí)施步驟，

a、取得測量時間在10秒以上的原始心電圖波形數(shù)據(jù)，并根據(jù)原始心電圖波形數(shù)據(jù)進(jìn)行心電圖節(jié)律信息和pqrst波形的提取，獲取心電圖節(jié)律信息和pqrst波形的數(shù)字化數(shù)據(jù)；

b、設(shè)計(jì)構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)并對其進(jìn)行訓(xùn)練，將步驟a得到的pqrst波形數(shù)據(jù)從訓(xùn)練完的卷積神經(jīng)網(wǎng)絡(luò)的輸入端輸入，經(jīng)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類后，從其輸出端得到類型數(shù)據(jù)。

其中步驟a使用10秒以上的原始心電圖波形數(shù)據(jù)具有數(shù)量充足的波形，使得提取得到的心電圖節(jié)律信息、pqrst波形數(shù)據(jù)更加準(zhǔn)確。其中pqrst波形的提取能夠有效減小非診斷要素如人體移動、電極不穩(wěn)定帶來的波形變化影響提升最終得到的心電圖分類結(jié)果的正確率；

步驟b中使用的卷積神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域的機(jī)器學(xué)習(xí)方法，卷積神經(jīng)網(wǎng)絡(luò)通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示，實(shí)現(xiàn)了特征提取與模式分類的融合統(tǒng)一。卷積神經(jīng)網(wǎng)絡(luò)目前已經(jīng)在圖像識別等應(yīng)用領(lǐng)域證明了有效性，能夠大幅度提高了傳統(tǒng)方法的識別精度。本發(fā)明中把卷積神經(jīng)網(wǎng)絡(luò)導(dǎo)入心電圖分類領(lǐng)域，合理地結(jié)合心電圖分類的特點(diǎn)，并通過以上步驟對深度學(xué)習(xí)方法進(jìn)行訓(xùn)練并用深度學(xué)習(xí)方法進(jìn)行波形分類，能夠大幅度提高心電圖分類結(jié)果的正確率。

優(yōu)選地，步驟a使用的原始心電圖波形數(shù)據(jù)，即ecg信號為雙導(dǎo)聯(lián)信號，其較單導(dǎo)聯(lián)數(shù)據(jù)具有更加充分的信息，能提升相關(guān)的心電圖分類輔助信息的精確度，相較更多導(dǎo)聯(lián)的設(shè)計(jì)，雙導(dǎo)聯(lián)更容易在便攜式設(shè)備上實(shí)現(xiàn)，使得本發(fā)明的適用范圍更廣。

優(yōu)選地，步驟b設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)將卷積層與下采樣層合并設(shè)計(jì)為卷積下采樣層，將輸入層與神經(jīng)元數(shù)目不同的三個卷積下采樣層加上多層感知機(jī)構(gòu)成的輸出層組合成為一個完整的卷積神經(jīng)網(wǎng)絡(luò)；

其中卷積下采樣層1按如下步驟產(chǎn)生，先由6個初始值不同的2×13卷積核對輸入層做卷積，得到含有6個特征面的卷積層c1，再對卷積層c1使用2×3取樣核產(chǎn)生6個子采樣層s1；卷積下采樣層2按如下步驟產(chǎn)生，先對子采樣層s1相鄰2個特征面進(jìn)行組合得到6個新特征面，然后使用6個2×10卷積核與之做卷積運(yùn)算，產(chǎn)生含36個特征面的卷積層c2，對卷積層c2的每個特征面采用2×3取樣核產(chǎn)生36個子采樣層s2；卷積下采樣層3按如下步驟產(chǎn)生，先對子采樣層s2進(jìn)行3相鄰面組合得到12個新特征面，然后使用6個2×6卷積核，產(chǎn)生含72個特征面的卷積層c3，對卷積層c3使用2×3取樣核產(chǎn)生72個子采樣層s3。

優(yōu)選地，步驟b對卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練使用mit-bih心律失常數(shù)據(jù)庫中的48條記錄對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行；記錄為雙導(dǎo)聯(lián)信號，先經(jīng)過0.5～25hz的帶通濾波器，濾除高頻干擾和基線漂移；在每個導(dǎo)聯(lián)，以r波為中心，取r波前100點(diǎn)，后199點(diǎn)，包括r波在內(nèi)共300采樣點(diǎn)組成一個完整心搏，提取25000個樣本進(jìn)行訓(xùn)練，將訓(xùn)練集做劃分，分50組，每組500個，每次取8組做訓(xùn)練，2組做校驗(yàn)。

進(jìn)一步地，具體過程按以下步驟實(shí)施，

(1)獲取雙導(dǎo)聯(lián)心電圖波形數(shù)據(jù)，并根據(jù)心電圖波形數(shù)據(jù)截取其中長度為10秒的數(shù)據(jù)作為原始心電圖波形數(shù)據(jù)；

(2)根據(jù)需要對步驟(1)得到的原始心電圖波形數(shù)據(jù)進(jìn)行去噪處理，去噪處理采用高通濾波器去除基線漂移噪音，噪音過高時使用低通巴特沃斯濾波器去除噪音干擾；

(3)設(shè)定卷積神經(jīng)網(wǎng)絡(luò)輸入層、隱含層、輸出層的節(jié)點(diǎn)個數(shù)，并隨機(jī)設(shè)定相鄰層各節(jié)點(diǎn)之間的權(quán)重；

(4)對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練用數(shù)據(jù)來自通過體檢等手段獲取的預(yù)記錄數(shù)據(jù)以及mit-bih數(shù)據(jù)庫數(shù)據(jù)；將訓(xùn)練用數(shù)據(jù)從卷積神經(jīng)網(wǎng)絡(luò)的輸入端輸入，經(jīng)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類后，從卷積神經(jīng)網(wǎng)絡(luò)的輸出端得到類型數(shù)據(jù)；將卷積神經(jīng)網(wǎng)絡(luò)輸出端得到的類型數(shù)據(jù)與預(yù)記錄數(shù)據(jù)的類型標(biāo)記進(jìn)行比較，基于輸出端和真實(shí)波形類型的檢測偏差，利用后向傳遞算法修改卷積神經(jīng)網(wǎng)絡(luò)內(nèi)各節(jié)點(diǎn)的權(quán)值；

(5)重復(fù)步驟(4)直到卷積神經(jīng)網(wǎng)絡(luò)判讀結(jié)果符合真實(shí)波形類型，即卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)收斂時，獲得訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)；卷積神經(jīng)網(wǎng)絡(luò)在經(jīng)過大量心電圖波形的學(xué)習(xí)后，將波形分類特征要素反映到卷積神經(jīng)網(wǎng)絡(luò)里面，以達(dá)到后續(xù)對其他心電圖數(shù)據(jù)進(jìn)行分類時可在短時間內(nèi)得出正確的分類結(jié)果。

進(jìn)一步地，具體操作步驟如下，

使用mit-bih數(shù)據(jù)庫進(jìn)行訓(xùn)練時共有48條記錄，每條記錄都為雙導(dǎo)聯(lián)，經(jīng)過0.5～25hz的帶通濾波器，濾除高頻干擾和基線漂移；在每個導(dǎo)聯(lián)，以r波為中心，取r波前100點(diǎn)，后199點(diǎn)，包括r波在內(nèi)共300采樣點(diǎn)組成一個完整心搏，提取50000個樣本，取25000個樣本進(jìn)行訓(xùn)練，剩余樣本做測試；將訓(xùn)練集做劃分，分50組，每組500個，每次取8組做訓(xùn)練，2組做校驗(yàn)；

卷積神經(jīng)網(wǎng)絡(luò)的三個卷積核分別取[2，13]，[2，10]和[2，6]；三層取樣核均為[2，3]，即在單獨(dú)一個導(dǎo)聯(lián)的3個相鄰點(diǎn)進(jìn)行均值模糊；三個特征面數(shù)分別為6，36和72，多層感知機(jī)的隱含層的神經(jīng)元數(shù)為50，而輸出層神經(jīng)元數(shù)為6；

雙導(dǎo)聯(lián)數(shù)據(jù)構(gòu)成2×300的輸入層，使用6個初始值不同的2×13卷積核，每個卷積核對輸入層做卷積運(yùn)算，一共可以得到6個新的特征面，每個的維度是2×288，此6個新特征面即是卷積層c1；然后對卷積層c1使用2×3取樣核產(chǎn)生含6個2×96特征面構(gòu)成子采樣層s1；

對子采樣層s1相鄰2個特征面進(jìn)行疊加取均值組合得到6個新特征面，縱坐標(biāo)0-5表示s1的6個特征面，用第0個與第1個組合成新的第0個特征面，記錄在橫坐標(biāo)，類似的構(gòu)成另外5個；然后使用6個2×10卷積核，每個卷積核產(chǎn)生含36個2×87的特征面，構(gòu)成卷積層c2，對卷積層c2的每個特征面采用2×3取樣核產(chǎn)生36個2×29特征面構(gòu)成子采樣層s2；

對子采樣層s2進(jìn)行3相鄰面組合得到12個新特征面，然后使用6個2×6卷積核，產(chǎn)生含72個2×24特征面的卷積層c3，對卷積層c3使用2×3取樣核產(chǎn)生72個2×8特征面的子采樣層s3；從子采樣層s3到輸出層是一個基本型的多層感知機(jī)，其中間隱含層設(shè)定50個神經(jīng)元，與子采樣層s3全連接；輸出層設(shè)定6個神經(jīng)元，與隱含層之間全連接。

本發(fā)明對ecg信號的特征提取與模式分類相融合，避免了復(fù)雜且不可靠的特征數(shù)據(jù)提取問題。根據(jù)已有理論，ecg信號的智能分類是一種模式識別問題，常規(guī)解決方案需要分析提取ecg信號特征值構(gòu)成特征空間，然后對特征空間進(jìn)行模式分類。特征值的提取非常關(guān)鍵又非常復(fù)雜，很多文獻(xiàn)提出了不同的方法但是都沒有可靠地解決這一問題。而卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)已經(jīng)把特征提取包含在分類過程中，避免了特征提取過程出現(xiàn)的偏差。

通過設(shè)計(jì)使卷積神經(jīng)網(wǎng)絡(luò)能夠合理處理一維ecg信號。卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于處理二維圖像信號具有優(yōu)異的模式分類效果，其在處理圖像時選取的卷積核一般為n×m矩陣，本發(fā)明處理雙導(dǎo)聯(lián)ecg信號時使用2×m卷積核，由于ecg雙導(dǎo)聯(lián)信號之間并不具有類似于圖像相鄰像素的緊密相關(guān)性，因此在卷積運(yùn)算時2×m卷積核分成兩個1×m卷積核對兩個導(dǎo)聯(lián)的數(shù)據(jù)分別進(jìn)行一維卷積，運(yùn)算結(jié)果仍作為二維數(shù)據(jù)保存并以二維形式送入多層感知機(jī)構(gòu)成的輸出層產(chǎn)生分類結(jié)果。

本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)，利用卷積神經(jīng)網(wǎng)絡(luò)對復(fù)雜非線性函數(shù)的擬合能力，通過合理的設(shè)計(jì)使其適用于一維ecg信號，實(shí)現(xiàn)了對ecg信號更有效更準(zhǔn)確地分類。在準(zhǔn)確分類ecg信號的基礎(chǔ)上能夠?qū)崟r監(jiān)護(hù)心血管疾病高危人群、亞健康人群、病情待定人群，智能分析正常生活、工作及活動時的心電變化，幫助確定病情，或者捕捉到潛在的心臟疾病的心電信息，對患者起到預(yù)警作用，帶來很好的社會效益。

附圖說明

圖1為典型卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖；

圖2為對子采樣層s1相鄰2個特征面進(jìn)行疊加取均值組合得到6個新特征面的組合方式坐標(biāo)圖；

圖3為對子采樣層s2進(jìn)行3相鄰面組合得到12個新特征面的組合方式坐標(biāo)圖。

具體實(shí)施方式

本實(shí)施例中，所述心電信號分類識別方法，按以下步驟進(jìn)行，

(1)獲取雙導(dǎo)聯(lián)心電圖波形數(shù)據(jù)，并根據(jù)心電圖波形數(shù)據(jù)截取其中長度為10秒的數(shù)據(jù)作為原始心電圖波形數(shù)據(jù)；

(2)根據(jù)需要，可對步驟(1)得到的原始心電圖波形數(shù)據(jù)進(jìn)行去噪處理，去噪處理采用高通濾波器去除基線漂移噪音，噪音過高時使用低通巴特沃斯濾波器去除噪音干擾；

(3)設(shè)定卷積神經(jīng)網(wǎng)絡(luò)輸入層、隱含層、輸出層的節(jié)點(diǎn)個數(shù)，并隨機(jī)設(shè)定相鄰層各節(jié)點(diǎn)之間的權(quán)重；該卷積神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)如圖1所示；

(4)對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練用數(shù)據(jù)來自通過體檢等手段獲取的預(yù)記錄數(shù)據(jù)以及mit-bih數(shù)據(jù)庫數(shù)據(jù)。將訓(xùn)練用數(shù)據(jù)從卷積神經(jīng)網(wǎng)絡(luò)的輸入端輸入，經(jīng)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類后，從卷積神經(jīng)網(wǎng)絡(luò)的輸出端得到類型數(shù)據(jù)。將卷積神經(jīng)網(wǎng)絡(luò)輸出端得到的類型數(shù)據(jù)與預(yù)記錄數(shù)據(jù)的類型標(biāo)記進(jìn)行比較，基于輸出端和真實(shí)波形類型的檢測偏差，利用后向傳遞算法修改卷積神經(jīng)網(wǎng)絡(luò)內(nèi)各節(jié)點(diǎn)的權(quán)值；

(5)重復(fù)步驟(4)直到卷積神經(jīng)網(wǎng)絡(luò)判讀結(jié)果符合真實(shí)波形類型，即卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)收斂時，獲得訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)在經(jīng)過大量心電圖波形的學(xué)習(xí)后，將波形分類特征要素反映到卷積神經(jīng)網(wǎng)絡(luò)里面，后續(xù)對其他心電圖數(shù)據(jù)進(jìn)行分類時可以在在短時間內(nèi)得出正確的分類結(jié)果。

使用mit-bih數(shù)據(jù)庫進(jìn)行訓(xùn)練時共有48條記錄，每條記錄都為雙導(dǎo)聯(lián)，經(jīng)過0.5～25hz的帶通濾波器，濾除高頻干擾和基線漂移。在每個導(dǎo)聯(lián)，以r波為中心，取r波前100點(diǎn)，后199點(diǎn)，包括r波在內(nèi)共300采樣點(diǎn)組成一個完整心搏，提取50000個樣本，取25000個樣本進(jìn)行訓(xùn)練，剩余樣本做測試。將訓(xùn)練集做劃分，分50組，每組500個，每次取8組做訓(xùn)練，2組做校驗(yàn)。

卷積神經(jīng)網(wǎng)絡(luò)的三個卷積核分別取[2，13]，[2，10]和[2，6]；三層取樣核均為[2，3]，即在單獨(dú)一個導(dǎo)聯(lián)的3個相鄰點(diǎn)進(jìn)行均值模糊；三個特征面數(shù)分別為6，36和72，多層感知機(jī)的隱含層的神經(jīng)元數(shù)為50，而輸出層神經(jīng)元數(shù)為6。

雙導(dǎo)聯(lián)數(shù)據(jù)構(gòu)成2×300的輸入層，使用6個初始值不同的2×13卷積核，每個卷積核對輸入層做卷積運(yùn)算，一共可以得到6個新的特征面，每個的維度是2×288，這6個新特征面即是卷積層c1；然后對卷積層c1使用2×3取樣核產(chǎn)生含6個2×96特征面構(gòu)成子采樣層s1；

對子采樣層s1相鄰2個特征面進(jìn)行疊加取均值組合得到6個新特征面，具體的組合方式如圖2所示。

圖中縱坐標(biāo)0-5表示s1的6個特征面，用第0個與第1個組合成新的第0個特征面，記錄在橫坐標(biāo)，類似地構(gòu)成另外5個。然后使用6個2×10卷積核，每個卷積核產(chǎn)生含36個2×87的特征面，構(gòu)成卷積層c2，對卷積層c2的每個特征面采用2×3取樣核產(chǎn)生36個2×29特征面構(gòu)成子采樣層s2；

對子采樣層s2進(jìn)行3相鄰面組合得到12個新特征面，具體組合方式如圖3所示。

然后使用6個2×6卷積核，產(chǎn)生含72個2×24特征面的卷積層c3，對卷積層c3使用2×3取樣核產(chǎn)生72個2×8特征面的子采樣層s3；從子采樣層s3到輸出層是一個基本型的多層感知機(jī)，其中間隱含層設(shè)定50個神經(jīng)元，與s3全連接；輸出層設(shè)定6個神經(jīng)元，與隱含層之間全連接。

以上已將本發(fā)明做一詳細(xì)說明，以上所述，僅為本發(fā)明之較佳實(shí)施例而已，當(dāng)不能限定本申請實(shí)施范圍，即凡依本申請范圍所作均等變化與修飾，皆應(yīng)仍屬本發(fā)明涵蓋范圍內(nèi)。