[发明专利]一种基于动态多尺度卷积神经网络的心电图分类方法

说明书

本发明公开了一种基于动态多尺度卷积神经网络的心电图分类方法，包括以下步骤：获取心电图数据集并进行预处理得到心电图时间序列；根据心电图时间序列和随机初始化的卷积核生成一组变长卷积核；将心电图时间序列输入到使用变长卷积核的卷积层，从而获取多尺度时序特征；将获得的多尺度时序特征输入到max‑over‑time池化层选择得到最具判别性特征；将最具判别性特征输入到分类层获得最终分类结果，构成动态多尺度卷积神经网络；使用交叉熵损失函数训练构建的动态多尺度卷积神经网络。动态多尺度卷积神经网络能够通过数据来学习卷积核的长度而不需要依靠先验知识，同时它可以为每个心电图时间序列学习样本特定的多尺度时序特征。

技术领域

本发明涉及心电图分类技术领域，具体涉及一种基于动态多尺度卷积神经网络的心电图分类方法。

背景技术

心电图分类是医生诊断心脏病的重要辅助手段，准确快速的心电图分类能给医生提供有效的参考信息。此外，心电图分类在可穿戴心电图设备、重症监护等方面具有重要的研究意义。

心电图数据可以看作是一种时间序列数据，则心电图分类可以看作是一个时间序列分类问题。传统的时间序列分类方法主要分为三类：基于距离的、基于特征的和基于集成的方法。基于距离的方法通过设计距离度量方式来评估时间序列之间的距离从而对其进行分类。基于特征的方法通过从时间序列中捕获具有判别性的特征如shapelet(在时序分类场景中具有可解释性的子序列)等用于分类。然而，这两种方法需要显式地定义距离度量或手工设计特征。基于集成的方法通过集成多个不同的分类器来进一步提升分类准确率。虽然基于集成的方法能够取得很好的性能，但是这些方法不可避免地遭遇计算复杂度高的问题。

近年来，深度学习网络被广泛应用于各种任务并取得了巨大的成功。同样深度学习网络也在时序分类任务取得了优越的性能，如MLP(多层感知机，由三层全连接层构成)、FCN(全卷积网络，由三层卷积层构成)和ResNet(残差网络，由三个卷积块构成，其中每个卷积块由三层卷积层组成)。FCN和ResNet是基于卷积神经网络的方法，在时序分类任务中实现了很好的效果。然而，时间序列数据如心电图存在着不同尺度的时序特征，固定长度的卷积核无法很好地捕获不同尺度的时序特征如T波和P波等。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于动态多尺度卷积神经网络的心电图分类方法，该方法通过学习变长卷积核而不是固定卷积核的长度来捕获心电图不同尺度的时序特征。

本发明的目的可以通过采取如下技术方案达到：

一种基于动态多尺度卷积神经网络的心电图分类方法，所述心电图分类方法包括：

步骤S1、获取心电图数据集，对心电图数据集中数据进行预处理得到心电图时间序列；

步骤S2、根据心电图时间序列和随机初始化的卷积核生成一组变长卷积核；

步骤S3、将心电图时间序列输入到使用变长卷积核的卷积层，获取心电图时间序列的多尺度时序特征；

步骤S4、将步骤S3中获得的多尺度时序特征输入到max-over-time池化层中选择得到最具判别性特征；

步骤S5、将步骤S4中获得的最具判别性特征输入到带有softmax输出的分类层获得最终分类结果，构成动态多尺度卷积神经网络，然后使用交叉熵损失函数训练构建的动态多尺度卷积神经网络，其中，交叉熵损失函数用于度量两个概率分布间的差异性信息；

步骤S6、将待分类的心电图数据输入经过训练的动态多尺度卷积神经网络进行分类。

进一步地，所述步骤S2中变长卷积核生成过程如下：

步骤S21、给定一条长度为L的心电图时间序列T，获得P＝L-l+1条长度为l的子序列，将这P条子序列输入到变长卷积核生成器中的卷积层获得心电图时间序列T的嵌入表示e_i，过程如下：