[发明专利]一种基于判别式深度置信网络的心律失常自动分类方法

说明书

一种基于判别式深度置信网络的心律失常自动分类方法。属于心律失常的检测和分类技术领域，采用反向传播对网络进行微调，进而实现正常节律、左束支传导阻滞、右束支传导阻滞、室性早搏、房性早搏、起搏心拍共6类心律失常类型的自动分类。本发明包括：步骤一：ECG信号预处理，步骤二：DDBNs模型构建，步骤三：DDBNs模型训练，步骤四：DDBNs模型有监督微调，步骤五：ECG信号送入DDBNs网络，对送入DDBNs的256维采样点x与三维RR间期特征r进行归一化处理，对x归一化，得到一个心拍归一化样本，送入网络首层。本发明应用于心律失常的自动分类。

技术领域

本发明涉及心律失常的检测和分类，具体涉及一种基于判别式深度置信网络的心律失常自动分类方法。

背景技术

医生可对短期ECG信号进行视觉检测来诊断心律失常，而对动态心电图仪长期记录的 ECG信号，无法仅依靠视觉检测。随着计算机科学的发展，ECG信号的自动分类分析技术应运而生，现已在心律失常的诊断和分析中起着重要作用，成为辅助临床诊断心脏疾病的重要手段。

近十几年，针对心律失常的检测和分类发展出了几种模式识别方法^[1-3]，主要涉及三个步骤：预处理、波形检测和分段、特征提取和分类。首先，对信号进行预处理，包括：基线漂移、工频干扰、肌电干扰等噪声去除^[4]；然后，波形的检测和分段，包括：P波， QRS波群和T波等特征点检测，并根据以上特征点将ECG信号按心拍进行分段^[5]；最后，特征提取和分类，包括：使用形态，时域和变换域等信息表示心拍特征^[6-8]，使用主成分分析，独立成分分析和线性判别分析等进行特征降维^[9]，以及使用神经网络和支持向量机(support vectormachine,SVM)等实现ECG信号分类^[10-11]。

上述特征提取的方法很大程度上依赖于对ECG信号特征的人为设计和选择，其有效性受诸多因素影响。最近，深度学习提供了一种特征提取和分类同时进行的方法可避免人为设计的特征。Acharya等^[12]开发了一个11层的卷积神经网络(convolutional neuralnetwork,CNN)，实现了自动检测正常和心肌梗塞心律失常的算法，该模型含噪准确率为93.53％，无噪准确率为95.22％。Rahhal等^[13]对于自动分类ECG信号，采用深度学习与主动学习(active learning,AL)结合的方法，在特征学习阶段，通过由堆叠的去噪自动编码器(stacked denoising autoencoders,SDAEs)和其输出层添加柔性最大值 (Softmax)回归层构建的深度神经网络(deep neural network,DNN)进行分类。Luo 等^[14]使用改进的频率切片小波变换提取ECG信号时频特征，送入由SDAEs的编码器层和 Softmax回归层构成的DNN，同时通过对心拍样本进行微调来实现ECG信号分类，其所提模型实现了97.5％的总体准确度。Tan等^[15]将CNN与长短期记忆网络结合，提取ECG信号特征，实现对冠状动脉疾病的自动诊断。Yang等^[16]通过堆叠稀疏自动编码器(stacked sparse autoencoders,SSAEs)深度学习网络提取ECG信号特征，送入Softmax分类器实现ECG信号的分类。Meng等^[17]采用原始ECG信号与RR间期作为输入，通过4层深度置信网络(deep belief networks,DBNs)进行无监督特征学习，提取的特征被送到SVM用于训练，自动识别6类心拍类型，总体精度98.49％。Wu等^[18]将DBNs与Softmax分类器结合，完成特征提取，并实现5类ECG信号分类。熊博等^[19]通过SDAEs与Softmax分类器，设计 DNN，实现了心律失常患者类型的自动分类。Yildirim^[20]开发了7层基于深度双向小波的长短期记忆网络(deep bidirectional long-short term memory network-based wavelet sequences,DBLSTM-WS)，实现了5类心拍分类，总体精度为99.39％。