[发明专利]一种基于复合LSTM结构的ECG信号分类方法

说明书

本发明涉及医疗信息检测领域，更具体而言，涉及一种基于复合LSTM结构的ECG信号分类方法，包括：数据采集，获取MIT‑BIH心律失常数据集，并将其转换为矩阵形式；数据预处理，对转换后的MIT‑BIH心律失常数据集进行预处理，预处理包括去噪、QRS波峰值检测和对心跳信号进行分割；数据集构建和划分，基于预处理后的数据构建标准长度的数据集，并将重构的数据集转换为ONE‑HOT形式；将数据集划分为训练集、验证集与测试集；学习模型构建，构建基于CNN网络和特征融合LSTM网络的深度学习模型，并采用训练集对该模型进行训练；ECG信号分类，基于从ECG信号中提取的特征信息采用深度学习模型对ECG信号进行分类。本发明具有识别速度快、识别准确率高和识别稳定可靠的优点。

技术领域

本发明涉及医疗信息检测领域，更具体而言，涉及一种基于复合LSTM结构的ECG信号分类方法。

背景技术

对于某些类型的心律失常，通常采用人工分析ECG信号进行诊断，因为异常并不经常出现，人工诊断工作量巨大且对医师专业水平要求较高，容易受到外界因素干扰，现有的ECG(心电)信号分类方法大多使用单一的递归神经网络模型，比如LSTM和GRU，但这些模型无法对这种长序列提取准确的特征。还有一些其他方法利用了一维卷积神经网络(CNN)，比如ResNet或其变体，但它们不能很好地利用ECG信号中的多导联信息。

因此，有必要对现有技术进行改进。

发明内容

为了克服现有技术中存在的不足，提供一种无需人工进行特征提取，识别速度极快，可以对ECG信号进行有效的识别分类的基于复合LSTM结构的ECG信号分类方法。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于复合LSTM结构的ECG信号分类方法，包括：

S1、数据采集，获取MIT-BIH心律失常数据集，并将其转换为矩阵形式；

S2、数据预处理，对转换后的MIT-BIH心律失常数据集进行预处理，预处理包括去噪、QRS波峰值检测和对心跳信号进行分割；

S3、数据集构建和划分，基于预处理后的数据构建标准长度的数据集，并将重构的数据集转换为ONE-HOT形式；将数据集划分为训练集、验证集与测试集；

S4、学习模型构建，构建基于CNN网络和特征融合LSTM网络的深度学习模型，并采用训练集对该模型进行训练，用于对ECG信号进行特征提取；

S5、ECG信号分类，基于从ECG信号中提取的特征信息采用深度学习模型对ECG信号进行分类。

进一步的，所述S2中，数据预处理包括：对MIT-BIH心律失常数据集采用均值滤波，并将信号阈值的幅度降低到零级，用于消除数据中的直流噪声；对MIT-BIH心律失常数据信号进行归一化来消除高低频噪声，将数据被调整到范围[-1,1]内，归一化方式如下：

其中，x′_i为归一化后得到的新特征，x_i为原始特征，X为整条数据。

进一步的，所述S3中，将重构的数据集转换为ONE-HOT形式，其中，N-正常搏为[1,0,0,0,0]、SVP-室上早搏为[0,1,0,0,0]、PVC-室性早缩搏为[0,0,1,0,0]、FVN-心室与正常搏融合为[0,0,0,1,0]、FPN-快节奏与正常搏融合为[0,0,0,0,1]。

进一步的，所述S3中，训练集、验证集与测试集的比例为3：1：1，所述训练集用于模型的参数迭代训练，所述验证集用于验证模型训练是否完全，所述测试集用于模型效果评价。