[发明专利]一种基于深度学习模型对心电信号分类的数据预处理方法

说明书

一种基于深度学习模型对心电信号分类的数据预处理方法，包括以下步骤：a取得专家标记的包含正常心电和异常心电的心电信号作为训练样本，心电信号测量时长任意，假定最长测量时长为t秒，采样频率为fs；b对原始训练样本做降噪处理，利用小波变换去除基线漂移；c将训练样本分为训练集和测试集，对训练集做数据扩增；d将训练集输入深度学习模型进行训练，利用测试集优化模型参数；e原始心电信号经过b和c两步预处理后取t×fs个数据点作为样本输入模型中即可获得心电信号分类结果。本发明可以扩增样本数，同时做到样本均衡，使模型更容易训练，有助提高模型的分类能力和鲁棒性样本均衡，使模型更容易训练，有助提高模型的分类能力和鲁棒性。

技术领域

本发明涉及一种基于深度学习模型对心电信号分类的数据预处理方法。能使深度学习模型训练更容易，有助提高模型的鲁棒性和分类能力。

背景技术

心电信号分析是医生诊断心脏疾病的重要手段。传统分析方法常通过提取心电信号特征对信号进行分类。近年来，随着深度神经网络技术的兴起，应用深度学习方法对心电信号分类的研究也日渐增多。

现有深度学习模型多为数据驱动，研究者需要提供大量训练样本作为模型的支持。但是，目前难以获得高质量的心电信号分类样本。一方面，由于采集自临床的绝大部分心电信号属于正常信号，因此所建立的数据集中异常心电信号稀少，与正常心电信号比例严重不均衡；另一方面，由于心电的类别需要由专业医生逐个心拍进行标注，因而获得大量的数据的成本很高。由于心电信号的特性，心电不能如同一般图片般通过旋转、对称等方式做数据扩增。样本不均衡和总样本量较少会导致所训练的深度学习模型性能不佳。

发明内容

为了克服现有技术的样本不均衡和总样本量稀少导致深度学习模型难以训练的不足，本发明提出了一种基于深度学习模型对心电信号分类的数据预处理方法。

本发明解决其技术问题所采用的技术方案是：

一种基于深度学习模型对心电信号分类的数据预处理方法，包括以下步骤：

a取得专家标记的包含正常心电和异常心电的心电信号作为训练样本，心电信号测量时长任意，假定最长测量时长为t秒，采样频率为fs赫兹，异常心电信号类型共有L类，正常心电信号样本数为N，第1类异常心电信号样本数为N1，第2类异常心电信号样本数为N2……第L类异常心电信号样本数为NL；

b对原始训练样本做降噪处理，利用小波变换去除基线漂移；

c将训练样本分为训练集和测试集，对训练集做数据扩增；

d将训练集输入深度学习模型进行训练，利用测试集优化模型参数；

e原始心电信号经过b和c两步预处理后取t×fs个数据点作为样本输入模型中即可获得心电信号分类结果。

本发明中使用小波进行降噪处理，数据扩增在增加训练样本量的同时也做到了样本均衡，然后采用深度学习模型进行心电信号的分类。

进一步，所述步骤b中，所述降噪处理包括以下步骤：

b11使用自适应小波算法去除高频干扰；

b12使用小波变换去除基线漂移。

通过以上步骤能够有效去除原始心电信号中的基线漂移、肌电干扰、工频干扰等，从而进一步提升最终的心电信号分类的精确度。

再进一步，所述步骤c中，所述数据扩增包括以下步骤：

c11通过QRS波算法检测训练样本首个和末个Q波起始点，Q波起点接近水平基线，即位于水平基线附近，采用Q波起点作为拼接点可以减少后续拼接所引入的噪声；

c12截取首末Q波起始点之间的心电数据段作为有效样本；