[发明专利]一种基于深度学习的心电压缩感知重构系统

说明书

本发明提供了一种基于深度学习的心电压缩感知重构系统。本发明技术方案首先利用观测矩阵对心电信号同时完成采样和压缩，然后将压缩之后的信号进行转置投影操作，保证转置投影信号与原始心电信号尺寸相同，同时转置投影信号进行Z‑Score标准化。接着，利用CNN直接学习转置投影信号和原始信号之间映射关系，初始重建心电信号。最后，利用LSTM对CNN重建的信号进行二次重构，进一步提升信号的重构质量。本发明结合压缩感知和深度学习提出一种非迭代式的心电压缩感知重构算法(CSNet)，可以快速精准重构心电信号。

技术领域

本发明属于心电监测技术领域，具体涉及一种基于深度学习的心电压缩感知重构系统。

背景技术

心血管疾病的突发性导致心血管疾病死亡率越来越高。根据2016年的死亡率统计，估计有1700万人死于心血管疾病，占全球死亡总数的31％。对于心血管疾病患者来说，基于可穿戴设备的远程心电监护对于预防和治疗心血管疾病扮演着非常重要的角色。然而，心电长期监测会产生大量数据。例如，当采样率为400Hz，分辨率为12位时，一个单导联心电信号需要存储或者传输26MB数据；当分辨率为16位时，两个导联需要传送138MB的数据。另外，有学者已经证实在实时监测环境中，无线传输部分消耗了大部分能量。

基于转换域(例如离散傅里叶变换，离散余弦变换和离散小波变换等)的有损压缩技术在心电信号压缩中很流行，但这些方法都是先对心电信号全采样，再进行稀疏转换，将转换得到的大量小系数丢弃，保留少量的大系数，这是一种低效率的做法。压缩感知以亚奈奎斯特采样方法对信号采样，尽可能简单的采集更少的数据，在保证信号稀疏的情况下，利用L1等优化算法对采集的信号进行完美的重构。基于这个特性，CS可以应用到远程心电监护问题，因为压缩是简单的线性操作，可以减少采集端的计算复杂度。

心电压缩感知流程一般分为两步：第一，在采集端使用固定的观测矩阵对心电信号同时完成采集和压缩，并将压缩后的信号传送到远程服务器端。这一步骤仅要求一个矩阵乘法，计算成本很低。第二，在服务器端，将接收到的压缩信号使用重构算法进行重构。重构算法主要分为三类：基于贪婪算法，基于优化算法，基于贝叶斯学习算法。上述算法都是在基于稀疏先验知识，通过解一个最优化问题，迭代地重建原始信号。但是，对于要求实时性的系统是不能完成对应任务的。

发明内容

本发明针对现有技术的不足，提供一种基于深度学习的心电压缩感知重构系统。具体方案如下：

步骤1：可穿戴设备端对原始心电信号进行随机投影，得到压缩信号Y；过程如下：

其中，

y⁽ⁱ⁾是压缩之后的心电信号，

x⁽ⁱ⁾是第i条原始ECG信号，

是观测矩阵，维度是n×m；

步骤2：可穿戴设备端将压缩数据传输到远程服务器端；

步骤3：服务器端对压缩信号进行转置投影操作；过程如下：

其中，

是观测矩阵的转置，

是转置投影信号；

步骤4：服务器端对转置投影信号进行归一化操作；过程如下：

是均值，

是标准差，

r⁽ⁱ⁾是标准化之后的数据；

步骤5：服务器端对归一化之后的数据输入心电压缩感知重构算法中的CNN 中，输出初始重构的心电信号；过程如下：