[发明专利]一种基于自编码模式的CNN与GRU结合的心电信号分类方法

说明书

一种基于自编码模式的CNN与GRU结合的心电信号分类方法，通过提取出原始信号中最具有代表性的特征，运用CNN+GRU进行特征提取，节省了空间，节省了很多训练空间，其中采用的GRU（门控循环单元）一方面解决了由于RNN训练时出现的梯度消失和梯度爆炸的问题，另一方面它比LSTM少一个门，更易于计算，能够提高训练效率，GRU优点在于当训练样本少时，可以使用防止过拟合，当训练样本多时，也可以节省很多的训练时间，能够提高网络的学习效率和心电信号识别的精度。

技术领域

本发明涉及ECG信号分类技术领域，具体涉及一种基于自编码模式的CNN与GRU结合的心电信号分类方法。

背景技术

心电(ECG)信号是一种广泛用于反映潜在心脏状况的无创检测方法。心电信号是医生对病人心脏状况做出评价的最基本指标，但由于生理信号受到个体内部变化的影响，例如，电极位置和噪声都会影响信号的波形，而且即使是健康受试者的心电信号，在不同的情况下，QRS复合体、P波和R-R间隔的形状在不同的节拍之间也不会是相同的，同类型的心律失常在相同患者的不同阶段之间的心电信号很可能有明显变化，不同患者同种类型的心律失常在心电信号上的差异更大，这对于人工判断来说是一项很大的挑战。

传统的心电信号分类方法，需要一定的信号先验知识或经常需要专家输入。这些限制了方法的应用，在对新受试者心电信号进行分类时，可能会遇到较大的变化，使它们的准确性和效率往往差异很大。

发明内容

本发明为了克服以上技术的不足，提供了一种节省空间、易于计算、提高训练效率的基于自编码模式的CNN与GRU结合的心电信号分类方法。

本发明克服其技术问题所采用的技术方案是：

一种基于自编码模式的CNN与GRU结合的心电信号分类方法，包括如下步骤：

a)选择MIT-BIH心律失常库作为数据库，使用该数据库中的导联Ⅱ信号作为实验所需的数据；

b)利用计算机对原始的ECG信号用宽度为200ms的中值滤波器去除原始的ECG信号中的P波、QRS波，利用宽度为600ms的中值滤波器去除原始的ECG信号中的T波，利用原始的ECG信号减去利用中值滤波器已经去除的P波、QRS波和T波后所剩的ECG信号，得到去除基线漂移后的ECG信号；

c)计算机对去除基线漂移后的ECG信号使用截止频率为35HZ的低通滤波器进行处理，去除信号中所含有的高频噪声，得到实验所需要的ECG信号数据；

d)计算机读取MIT-BIH心律失常库中的R峰值，得到N个R峰，去除第一个R峰和第N个R峰，中间的N-2个R峰中每一个R峰的前一个相邻的R峰与其后一个相邻的R峰之间距离的1/2作为一个心拍，得到N-2个心拍，对N-2个心拍进行降采样处理；

e)计算机计算N-2个R峰中每一个R峰与前一个相邻的R峰之间的距离pre-RR，计算N-2个R峰中每一个R峰与后一个相邻的R峰之间的距离post-RR，计算在10s内通过滑动R峰窗口得到的所有R峰中每两个相邻的R峰间隔的平均值local-RR，计算在5min内通过滑动R峰窗口得到的所有R峰中每两个相邻的R峰间隔的平均值global-RR，将pre-RR、post-RR、local-RR及global-RR拼接成54维的矩阵输入模型；

f)以矩阵[N，Len]的形式传入矩阵输入模型，N表示样本数据个数，Len为每个样本数据的维度，根据公式计算第一层卷积层的矩阵尺寸W₁，F为卷积核的大小，s为卷积核的移动幅度，P为零填充边界宽度；

g)计算机使用Batch Normalization算法对N*W₁进行规范化计算；

h)进入卷积网络的池化层，通过公式计算降维后的矩阵大小W₂，其中M为池化层核尺寸；