[发明专利]一种基于自编码模式的CNN与GRU结合的心电信号分类方法

摘要

一种基于自编码模式的CNN与GRU结合的心电信号分类方法，通过提取出原始信号中最具有代表性的特征，运用CNN+GRU进行特征提取，节省了空间，节省了很多训练空间，其中采用的GRU（门控循环单元）一方面解决了由于RNN训练时出现的梯度消失和梯度爆炸的问题，另一方面它比LSTM少一个门，更易于计算，能够提高训练效率，GRU优点在于当训练样本少时，可以使用防止过拟合，当训练样本多时，也可以节省很多的训练时间，能够提高网络的学习效率和心电信号识别的精度。

主权项

1.一种基于自编码模式的CNN与GRU结合的心电信号分类方法，其特征在于，包括如下步骤：a)选择MIT‑BIH心律失常库作为数据库，使用该数据库中的导联Ⅱ信号作为实验所需的数据；b)利用计算机对原始的ECG信号用宽度为200ms的中值滤波器去除原始的ECG信号中的P波、QRS波，利用宽度为600ms的中值滤波器去除原始的ECG信号中的T波，利用原始的ECG信号减去利用中值滤波器已经去除的P波、QRS波和T波后所剩的ECG信号，得到去除基线漂移后的ECG信号；c)计算机对去除基线漂移后的ECG信号使用截止频率为35HZ的低通滤波器进行处理，去除信号中所含有的高频噪声，得到实验所需要的ECG信号数据；d)计算机读取MIT‑BIH心律失常库中的R峰值，得到N个R峰，去除第一个R峰和第N个R峰，中间的N‑2个R峰中每一个R峰的前一个相邻的R峰与其后一个相邻的R峰值之间距离的1/2作为一个心拍，得到N‑2个心拍，对N‑2个心拍进行降采样处理；e)计算机计算N‑2个R峰中每一个R峰与前一个相邻的R峰之间的距离pre‑RR，计算N‑2个R峰中每一个R峰与后一个相邻的R峰之间的距离post‑RR，计算在10s内通过滑动R峰窗口得到的所有R峰中每两个相邻的R峰间隔的平均值local‑RR，计算在5min内通过滑动R峰窗口得到的所有R峰中每两个相邻的R峰间隔的平均值global‑RR，将pre‑RR、post‑RR、local‑RR及global‑RR拼接成54维的矩阵输入模型；f)以矩阵[N，Len]的形式传入矩阵输入模型，N表示样本数据个数，Len为每个样本数据的维度，根据公式计算第一层卷积层的矩阵尺寸W₁，F为卷积核的大小，s为卷积核的移动幅度，P为零填充边界宽度；g)计算机使用Batch Normalization算法对N*W₁进行规范化计算；h)进入卷积网络的池化层，通过公式计算降维后的矩阵大小W₂，其中M为池化层核尺寸；i)进入第二个卷积层，使用Batch Normalization算法和池化层对第二个卷积层结果进行归一化处理，归一化处理后利用池化层降维，得到第二个卷积层计算输出结果W₃；j)进入神经网络的GRU层，通过公式r_t＝σ(W_rx_t+U_rh_t‑1)计算重置门r_t，式中x_t为t时刻隐藏层输入的ECG信号，h_t‑1为时刻t的前一个时间点输出的ECG信号，W_r为reset门的权值，U_r为t时刻的前一时刻隐藏层reset门的权值，通过公式z_t＝σ(W_zx_t+U_zh_t‑1)计算更新门z_t，其中W_z为update门的权值，U_z为t时刻的前一个时间点隐藏层update门的权值，通过公式计算最终输出结果h_t，其中式中U为t时刻前一个时间点隐藏层的权重，W为候选隐藏层的权值，完成ECG信号编码；k)在ECG信号解码时采用卷积神经网络处理，采用两层卷积层，两层UpSampling1D层对编码的ECG信号进行解码；l)在卷积神经网络中添加一个Dense层，使用softmax激活函数对解码后的ECG信号进行分类；m)使用categorical_crossentropy多分类交叉熵函数计算损失；n)使用Adam优化函数优化GRU模型参数；o)保存模型参数，运行结束。