[发明专利]一种基于一维卷积神经网络的心电信号分类方法

说明书

技术领域

本发明涉及生理信号分类以及深度学习领域，具体涉及一种基于一维卷积神经网络的心电信号分类方法。

背景技术

心血管疾病作为一种慢性疾病，具有危险性高、发病急、病情不明显等特征，居各种疾病之首，严重威胁着人类的身体健康，需引起我们足够的重视。传统的心电信号分类方法是先选择特征提取的方法提取出信号的有效特征，然后再选择分类的方法进行分类。但是这种方法要求实验者必须做到对心电信号特征点的精准定位，这样才能确保提取到高质量的信号特征，进而得到精确的分类结果。虽然目前针对心电信号分类方法的研究很多，但是仍然存在一定的缺陷，如：对噪声敏感、不能保留局部信号信息等。

发明内容

本发明要解决的技术问题是提供一种能够避免提取出的特征对噪声敏感的问题，以及避免对数据的复杂前期预处理问题，解决传统方法必须对信号特征点进行精准定位的难题，并确保提取到高质量的信号特征的方法。

本发明为解决其技术问题所采用的技术方案是：提出了一种基于一维卷积神经网络的心电信号分类方法，具体包括以下步骤：

步骤1：采用小波融合的方法完成心电信号的去噪处理并得到R波候选段；

步骤2：建立面向心电信号的一维卷积神经网络模型；

步骤3：优化步骤2得到的面向心电信号的一维卷积神经网络模型；

步骤4：将步骤1得到的R波候选段输入训练好的一维卷积神经网络模型，完成心电信号的特征提取和分类。

所述步骤1中包括以下具体步骤：

首先采用小波软阈值法和小波分解重构法两者融合的方法完成一维心电信号的妥善去噪处理；其中：

(1)小波软阈值法：首先选择db5作为小波函数进行3层分解；然后选择软阈值函数，并将无偏似然估计法作为选取阈值的规则，进而对每一级的小波系数进行阈值量化处理；最后进行信号的逆变换。软阈值处理方法如下：

其中Y为信号的值，t为指定的阈值，其中大于阈值的点变为该点值与阈值的差，小于或等于阈值的点变为0。

(2)小波分解重构法：将含有噪声信号在某一尺度下分解到不同的频带内，然后再将噪声所处的频带置零(或直接提取有用信号所在的频带)，进行小波重构，从而达到去噪的目的。分解如下：

其中c_j,k为尺度系数；d_j,k为小波系数；h、g为一对正交镜像滤波器组；j为分解层数；N为离散采样点数。然后取出小波系数d_j,k，根据选定的阈值δ_j，将噪声所处的频带置零(或直接提取有用信号所在的频带)，处理方法如下：

小波重构过程是分解过程的逆运算，相应的重构公式为：

进一步地，采用双正交样条小波的QRS波群识别方法识别出R波峰值点，方法过程如下：

(1)选择小波基函数和尺度；

(2)将心电信号进行小波变换，得到各尺度的小波系数；

(3)找出各尺度下的正极大值点，从而求出负极大值点；

(4)在选择好的尺度上找出满足条件的全部极值点；

(5)找出相应尺度上的模极大值对；

(6)上述极大值对中，过零点的即为R波峰值点。

又进一步地，完成心电信号的分割及降维的工作，得到R波候选段，具体方法：

(1)以R波顶点为基准定位，左右各选择100个采样点；

(2)采用分割函数分割心电信号；

(3)采用下采样函数对分割好的心电信号降维；

(4)得到R波候选段。

所述步骤2中包括以下具体步骤：

构建面向心电信号的一维卷积神经网络模型。本发明的模型是根据步骤1 中处理好的心电信号数据，经过不断地实验，选择最合适的层数及模型参数，最终构建而成。主要包括：一个输入层，两个卷基层，两个池化层，一个全连接层，一个输出层。其中，两个卷基层的卷积核尺寸均设置为7，每层的卷积核的数量均设置为18。池化层采用最大池化方法进行下采样。

所述步骤3中包括以下具体步骤：

基于步骤2中构建好的面向心电信号的一维卷积神经网络模型进行参数优化。具体的方法如下：

(1)优化卷积核的尺寸及数量参数；

(2)在卷积核尺寸和数量参数确定的条件下，设置不同量级的学习率；

(3)在卷积核尺寸、数量、学习率等参数确定的条件下，设置迭代次数。

所述步骤4中包括以下具体步骤：