[发明专利]一种弱监督下的心电图像识别方法

说明书

本发明公开了一种弱监督下的心电图像识别方法，属于图像识别领域。其特点在于包括以下步骤：1）使用去噪算法，去除心电信号噪声；2）通过定位算法，定位心电信号中的每个心拍，再将心电信号切割成单个心拍，并保证每个心拍包含一次心跳的所有信息；3）将一维心拍转换成心拍图片，再将心拍图片分为训练图片、验证图片和测试图片三部分；4）将心拍训练图片输入到卷积神经网络进行训练，构建心拍图片识别模型；5）将心拍验证图片输入到步骤4中的识别模型中，用于验证模型的心拍图片识别准确度和各关键参数数值的调节。6）最后，将心拍测试图片输入到步骤5中调节参数后的心拍图片识别模型中，进行分类。本发明对心拍图片的分类精确率高，且模型构建只需少量图片数据，对心电信号精准识别有着重要意义。

技术领域

本发明属于图像识别领域，涉及一种弱监督下的心电图像识别方法。

背景技术

深度学习是机器学习中一种基于对数据进行表征学习的方法。深度学习的概念是由Hinton等人于2006年提出的。深度学习的概念源于人工神经网络的研究。含有多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高出特征，以发现数据的分布式特征表示。

卷积神经网络是近几年发展起来的高效识别方法。20世纪60年代，Hubel和Wiese在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络。卷积神经网络包括两层，其一为特征提取层，其二为特征映射层。通过第一层实现输入图像的特征提取，通过第二层使结构非线性。

心电信号是心脏电活动在体表的综合反映，而心率失常是一种极其常见但又非常重要的心电活动异常状态，因此在心脏病诊断中对心电信号进行自动分类具有重要意义。但由于不同人同种类型的心拍有各种形态，不同种类型的心拍在形态上彼此也可能相似，导致心拍的特征提取困难和分类精确度不高问题。

随着深度学习的发展，大量科研人员已经将一维卷积神经网络（1-D CNN）应用到自动心电信号分类这个领域中，获得了不错的效果，但仍存在精确度不高的问题。

就上述问题，由于卷积神经网络在图片识别上的优势，且检索相关文献发现没有研究人员将一维心拍转换为心拍图片，因此我们采用深度学习的方法，使用Alexnet卷积神经网络，通过获取一维心拍信号的时间幅值信息，将其转换为心拍图片，再送入卷积神经网络中，可得到高精确度的心拍分类结果，对辅助医生识别心脏病种类有着重要意义。

发明内容

本发明提出了一种弱监督下的心电图像识别方法，该方法旨在使用少量心电图片信号构造卷积神经网络模型，实现高精确度的心电信号分类。

本发明所采用的技术方案如下：

一种弱监督下的心电图像识别方法，其具体步骤如下：

步骤1、使用去噪算法，去除心电信号噪声；

步骤2、心电信号中含有多个心拍，通过定位算法，定位心电信号中的每个心拍，再将心电信号切割成单个心拍，并保证每个心拍包含一次心跳的所有信息；

步骤3、将一维心拍转换成心拍图片，再将心拍图片分为训练图片、验证图片和测试图片三部分；

步骤4、将心拍训练图片输入到卷积神经网络进行训练，构建心拍图片识别模型；

步骤5、将心拍验证图片输入到步骤4中的识别模型中，用于验证模型的心拍图片识别准确度和各关键参数数值的调节；

步骤6、将心拍测试图片输入到步骤5中调节参数后的心拍图片识别模型中，进行分类；