申请/专利权人：杭州电子科技大学

申请日：2020-12-28

公开（公告）日：2024-02-13

公开（公告）号：CN112633195B

主分类号：G06F18/24

分类号：G06F18/24;G06N3/0464;G06F18/214;G06F18/213;G06V10/80;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.02.13#授权;2021.04.27#实质审查的生效;2021.04.09#公开

摘要：本发明公开了一种基于频域特征与深度学习的心电信号分类方法，包括以下步骤：采集常规12导联心电图信号，基于频域变换理论对原始心电信号进行特征提取，得到心电信号内在的频域特征图。运用深度学习框架下的卷积神经网络实现对心肌梗塞的识别分类。本发明方法首次对心电信号分频段进行频域特征图提取，并应用于深度学习框架下的心肌梗塞信号识别，基于常规12导联心电信号，不需附加新的检测设备，简单方便、容易操作。频域特征图提取到更不易提取的特征，而卷积神经网络能够自主学习数据特征，不用进行进一步数据刻画，降低了系统的复杂度。传统的单CNN算法对心电信号二次特征提取不够完整，而本发明方法采取多CNN并行的方式可以提高特征提取的准确性、全面性以及模型的鲁棒性。

主权项：1.一种基于频域特征与深度学习的心肌梗塞识别分类方法，其特征在于包括如下步骤：步骤一：对原始心电数据进行滤波去噪处理；步骤二：对滤波去噪后的样本进行频域处理，从而获得心电信号频域特征图，并对频域特征图进行0-255归一化处理，对频域特征图进行上采样，获得频域特征图的数据集，并对每个样本设置其对应的标签；步骤三：构建多CNN模型，包括不同结构的卷积神经网络和一个全连接神经网络；其中不同结构的卷积神经网络用于对步骤二中得到的数据集进行第二次特征提取，将不同结构的卷积神经网络提取的特征进行特征拼接作为全连接神经网络的输入，具体如下：首先构建第一种结构的卷积神经网络，在图像输入层后连接第一个卷积层，第一个卷积层设置64个3*3的卷积核，步长为1，零填充，卷积层通过如下公式计算： 其中符号表示卷积运算，Wki和bi是第k个输入映射和第i个输出映射之间的卷积滤波器，以及与第i个输出映射相对应的神经元的第i个偏移矩阵；接着设置激活函数为ReLU的激活层，其后是核为2*2、步长为2的平均池化层；平均池化层规则如下所示，每个区域的平均值将被保留并用作下一层的输入：Hout＝averageHin下面是第二个卷积层，它有128个5*5的卷积核，后面连接有与之前相同的激活层和平均池化层；下面是第三个卷积层，它有256个3*3的卷积核，后面连接有与之前相同的激活层和平均池化层；下面是第四个卷积层，它有512个3*3的卷积核，后面连接有与之前相同的激活层和平均池化层；之后连接256个神经元的全连接层；最后连接2个神经元的softmax层，该层通过以下公式输出样本的概率向量： 其中，T表示最后一层的神经元个数，取值为2；aj表示最后一层输出特征向量的值；然后构建第二种卷积神经网络，第二种卷积神经网络在第一种卷积神经网络的基础上，将激活层函数替换为LReLU： 将所有平均池化层改为最大池化层，最大层的规则如下所示：每个区域的最大值将被保留并用作下一层的输入：Hout＝subsamplingHin在每个最大池化层之后加入BatchNormalization层进行批量标准化，该层通过如下公式进行批量标准化： 其中，E[xk]表示是每一mini-batch数据xk的均值，而是每一mini-batch数据的标准差；全连接网络在特征拼接层后连接第一个含有1024个神经元的全连接层；接着设置激活函数为LReLU的激活层；激活层接着参数为0.3的Dropout层；下面是第二个含有1024个神经元的全连接层，后面接着与之前同样的激活层与Dropout层；最后连接2个神经元的softmax层；将步骤二中得到的数据进行打乱，并4:1随机划分训练集与测试集，再将训练集1：1划分以适用于两个卷积神经网络的输入；为了解决样本分布不均衡问题，模型内使用权重交叉熵作为损失函数： yi表示真实标签，pi表示模型输出的预测标签，在原始的交叉熵上乘以一个权重系数，使得少的一类分错后的损失函数值增大；完成所有卷积神经网络的预训练后，再将全部训练数据输入模型后，即可在全连接层得到模型对每个样本的特征向量输出，将预训练模型获取的特征进行拼接，可以获得一个维度为512的融合特征；利用一个全连接神经网络进行特征学习和分类，获得识别准确率、灵敏度与特异性；步骤四：多CNN模型的训练与测试，划分训练集与测试集，采用反向传播优化算法对模型进行迭代，得到训练完成的模型后使用测试数据对模型进行评估。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于频域特征与深度学习的心肌梗塞识别分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD