[发明专利]基于压缩图神经网络的自动心律失常分析方法

权利要求书

1.一种基于压缩图神经网络的自动心律失常分析方法，它包括：

1）采用两种采样方式进行复合采样，生成多通道心电图样本；

a.对每个导联的心电信号，心拍前后各取100个点再重采样到固定维度600的向量；生成Input1和Input3；

b.对每个导联的心电信号，心拍前取2个周期的R-R波区间，后取1个周期的R-R波区间，再重采样到固定维度600的向量；生成Input2和Input4；

将上述两种采样方式所得的600维心电信号沿第二个维度向量拼接，每导联心电信号由600*1维扩增为2*600*1维，此时的2为两种采样方式，该导联心电信号的通道数为2；那么原始每个导联的心电数据经过所述两种采样方式形成4*600*1维的心电信号样本X，作为深度神经网络模型的输入Input；

2)搭建深度神经网络

深度神经网络包括多个依次串联的卷积层单元和全连接层单元，且在合并层单元和卷积层单元间有图像编码层用于将心电信号由一维编码为二维图像；每个所述卷积层单元包括一个卷积层以及该卷积层输出端依次串联的一激励单元和一池化层；所述卷积层单元使用的是二维卷积，用于提取二维心电信号编码图片的特征；

3）学习深度神经网络的参数；

4）对样本进行自动识别。

2.根据权利要求1所述的一种基于压缩图神经网络的自动心律失常分析方法，其特征在于：

所述的搭建深度神经网络，当心电数据集拥有两导联信号时，输入信号维度为4*600*1；将四个通道的输入信号输入到合并层中沿最后一维合并，合并层输出为600*4维的信号，合并层的输出作为图像编码层的输入，合并层中将心电信号归一化到0-1的范围之间，再使用量化的方法，乘以量化电平数255即可将数据范围映射到0-255之间，再使用One-hot编码的方式对信号编码，编码后的心电信号维度为600*1024；对编码后的信号使用线性缩放的方式缩小20倍，缩小后的维度为30*52，调整输出维度为52*30*1作为卷积层的输入，图像编码层输出连接到串联的三层卷积层单元中，每一层卷积层单元的输出端依次串联的一激励单元操作和一池化层操作；第一个卷积层单元的卷积核数为32个，卷积核大小为(3,3)，其后的激励单元为relu函数，池化层单元的池化步长为(2,2)；第二个卷积层单元的卷积核数为32个，卷积核大小为(3,3)，其后的激励单元为relu函数，池化层单元的池化步长为(2,2)；经过第二层池化单元后的特征图维度为11*6*32；第三个卷积层单元的卷积核数为64个，卷积核大小为(3,3)，其后的激励单元为relu函数，池化层单元的池化步长为(2,2)；经过第三层池化单元后的特征图维度为4*2*64。

3.根据权利要求2所述的一种基于压缩图神经网络的自动心律失常分析方法，其特征在于：所述的深度神经网络为三个依次串联的卷积层单元和全连接层单元；

将三层卷积层单元输出的特征图输入到全连接层单元中，取全连接层单元的隐藏层数为64，全连接层单元输出特征图维度为64；全连接层单元的输出串联一个激励单元为softmax的全连接层，全连接层的输出维度为4，即类别数，最终所述深度神经网络模型输出预测向量维度。

4.根据权利要求3所述的一种基于压缩图神经网络的自动心律失常分析方法，其特征在于：所述的深度神经网络输出的预测向量维度为4；使用keras开源框架和python语言搭建，使用交叉熵作为损失函数，使用Adam优化器优化损失函数。

5.根据权利要求1、2、3或4所述的一种基于压缩图神经网络的自动心律失常分析方法，其特征在于：所述的学习深度神经网络的参数为：初始化所述深度神经网络的训练参数，将采样好的信号划分为训练集样本和测试集样本；即从总体样本中随机抽取一部分数目的样本当作训练集，对于其他未选中的样本视为测试集；再将训练集中的多通道心电信号X输入到初始化后的深度神经网络中，以最小化代价函数为目标进行迭代，以生成所述深度神经网络并保存下来；其中，每迭代一次则更新一次所述训练参数，直至最后所述的深度神经网络的损失值和准确率稳定在某一数值附近，即可停止训练并保存当前网络的训练参数和模型结构信息。

6.根据权利要求5所述的一种基于压缩图神经网络的自动心律失常分析方法，其特征在于：所述的对样本进行自动识别为：将划分好的测试集样本全部输入到已保存的所述神经网络中，运行所述深度神经网络即可获得测试集样本对应的4维预测值向量输出，将测试集样本的标签使用one-hot编码的方法生成4维的标签向量，再通过将输出的预测值与测试集样本的标签比对来检查是否分类正确。