[发明专利]基于卷积神经网络的心率失常分类算法

说明书

本发明公开了一种基于卷积神经网络的心律失常分类算法，包括提出的适用于心电信号这一稀疏图像的小尺度类型的Deep‑LeNet网络，利用小卷积核的特点，使得网络的分类耗时更短，得到的准确率很高。其次，还提出了多尺度卷积神经网络，不但能够增加网络的宽度，还增加了网络对尺度大小的适应性，使得网络更适用于稀疏图像的识别。在极小的增加网络耗时的情况之下，能够极大的增加网络的分类准确率，而且这样一体的识别与分类流程，更能够用于家庭医疗级诊断，对心律失常的准确识别有着重要的意义。

技术领域

本发明属于生物医学信号识别领域，涉及一种心电信号图像分类技术，尤其是一种基于卷积神经网络的心电信号图像特征提取与分类技术，具体涉及搭建适用于心电信号图像分类的卷积神经网络。

背景技术

心电图包含了大量有关心脏活动的病理信息，其中最重要的分析是对心拍的分类，这对于检测心律失常非常重要。由于人为的分析长时心电信号来诊断心律失常是十分耗时且不实用的，因此使用自动算法来辅助诊断心律失常值得我们研究。

卷积神经网络（Convolutional Neural Networks, CNN ）是深度学习的一种新形式，其中网络结构由许多隐藏层和参数组成。目前，CNN已经应用于多种场所，如目标识别、图像分类、手写体识别，还常被用于医学领域，作为一种自动诊断工具，以帮助临床医生。CNN不需要预处理和单独的特征提取技术，有助于减少训练过程中的负担，可以自动选择出最佳的特征提取技术来自动选择出最佳的特征提取技术。近年来CNN被广泛用于心电信号的自动分类，并且取得了不错的效果。但是，目前大多数团队仅仅对一维CNN环境下的心律失常分类进行研究，得到的准确率还有待提高。针对心电信号图像处理的方法，也多是使用普通的CNN网络进行分类，使得多类别心电信号的分类准确率有所限制。针对该问题的解决方案主要包括：

1.基于多类型神经网络的分类方法：该方法利用循环神经网络在时序信号的优势，在卷积神经网络中加入长短期记忆网络，实现对分类准确率的提高；

2.基于简单二维卷积神经网络的分类方法：该方法使用经典的CNN网络，例如：Alexnet网络、LeNet网络，能够实现对心电信号图像的分类，并提高其分类准确率。

上述解决方案在一定程度上提升了心电信号的分类准确率，虽然所使用的方法不同，但是实质上都是基于卷积神经网络的利用。方案一中加入其它类型的神经网络，虽然能够实现一定的准确率提高，但是极大的提升了网络的复杂度，增加了网络的整体耗时。方案二中，经典的二维CNN网络，都是设计来对复杂的图像进行识别的，对于心电信号这一类稀疏图像得到的效果有所限制。这两个方案的弊端都不利于心电信号在家庭医疗级的推广和应用。

发明内容

针对上述现有心律失常的识别的现状与存在的问题，本发明的目的旨在提出一种适用于心电信号分类的CNN网络，不但能够减少网络的整体耗时，还能够得到更高的准确率，克服目前心电信号分类技术存在的网络复杂，耗时等问题。

本发明提出的基于卷积神经网络的心律失常识别与分类，其技术方案的构成主要包括：在提取出心电信号后，使用小波变换算法对心电信号进行去噪，去除心电信号中的肌电、基线漂移等。再通过R波定位算法，对心拍进行定位，将长时心电信号切割为单个心拍的形式。

在上述技术方案中，所述的单个心拍是由R波位置向左取100个采样点和向右取200个采样点所构成，其几乎能够全部包括单次心跳的所有病理信息。

用于实验本发明所得到的心拍数据，由于我们使用的是二维CNN对图像识别的方法，所以需要将一维心拍信号转换为二维图片。

在上述技术方案中，得到的二维图片，需要按照1：1的比例构建出训练集和测试集，以便我们在后面的网络中使用。