[发明专利]基于集成CNN的心肌缺血的识别分类方法

权利要求书

1.一种基于集成CNN的心肌缺血的识别分类方法，其特征在于，包括以下步骤：

步骤1：获取两个训练数据库：异常训练数据库及正常训练数据库；

步骤2：通过对两个训练数据库中的数据预加工处理，生成二维结构心电信号样本；

步骤3：构建集成卷积神经网络模型；

步骤4：构建卷积神经网络模型；

步骤5：获取特征集；

步骤6：根据特征集训练随机森林分类器；

步骤7：对样本进行自动识别和测试。

2.根据权利要求1所述的基于集成CNN的心肌缺血的识别分类方法，其特征在于，步骤2中读入12导联的心电信号的数据，针对ECG信号样本，利用MATLAB工具箱自带的巴特沃斯滤波器对数据进行低通滤波处理，统一截取P个点，在使用抽析的处理方法使每个导联统一成长度为Q维的向量，处理后，将每幅心电信号转换为一个12*Q的二维矩阵，作为一个样本。

3.根据权利要求2所述的基于集成CNN的心肌缺血的识别分类方法，其特征在于，所述步骤3包括将获取的两个训练数据库作为训练数据集，将训练数据集按照3：1分为训练集和测试集，然后在训练集中随机抽取其3/4的样本数，抽取k次，得到k个子训练数据集，训练对应得到k个CNN分类器，分别为CNN1-CNNk，固化模型参数。

4.根据权利要求3所述的基于集成CNN的心肌缺血的识别分类方法，其特征在于，步骤4中构建的卷积神经网络的结构为五层卷积池化操作，包括以下子步骤：

4-1：:将提取的ECG信号二维结构样本作为网络输入，

4-2：进行五层卷积池化操作，提取和降维样本抽象特征；

4-3：经过三层全连接层变换至3个输出点，通过连接Softmax分类器获得最终结果。

5.根据权利要求4所述的基于集成CNN的心肌缺血的识别分类方法，其特征在于，所述步骤5中使用k个CNN固化模型并列提取训练数据集数据的Softmax概率输出结果作为特征向量，融合提取的特征向量作为新特征向量，得到特征集。

6.根据权利要求5所述的基于集成CNN的心肌缺血的识别分类方法，其特征在于，步骤6中，采用CART算法生成决策树，使用基尼指数为指标进行特征选择，属性a的基尼指数定义为：

将由k个CNN固化模型并列提取的特征向量X₁到X_k形成的集合作为候选属性特征集合A，在候选属性特征集合A中选择那个使得划分后基尼指数最小的属性作为要选择的最有划分属性，即：

a_*＝arg min_a∈AGini_index(D,a)。

7.根据权利要求6所述的基于集成CNN的心肌缺血的识别分类方法，其特征在于，步骤7中，利用训练好的随机森林分类器对测试集进行心电信号判别，识别出正常和患有心肌缺血的心电信号，同时对患有心肌缺血的心电信号进行危险分层分类。