[发明专利]基于神经网络的心电及心震信号联合分类的方法及装置

权利要求书

1.一种心电及心震信号联合分类装置，其特征在于：它包括信号输入装置、处理器、存储器和显示器；其中，

信号输入装置用于输入待分类的心电信号和心震信号图；

存储器中存有计算机程序，供处理器调用，以完成基于神经网络的心电及心震信号联合分类的方法；

显示器用于显示分类结果；

所述的基于神经网络的心电及心震信号联合分类的方法包括以下步骤：

S1、获取待分类的心电信号和心震信号，进行预处理，实现待分类的心电信号和心震信号的滤波和去噪；

S2、提取待分类的心电信号和心震信号的特征波，并将特征波转化为时频图；

S3、将待分类的心电信号和心震信号的时频图分别传入已训练好的神经网络进行分别识别，得到识别结果；

S4、利用Concat方法将待分类的心电信号和心震信号分别识别后的结果连接起来，通过Adaboost算法将连接起来的结果进行分类；

所述的神经网络按以下方法进行训练：

1）定义ResNet的结构及其前向传播的输出结果，并定义损失函数，选择反向传播优化算法；2）选取正常人和不同年龄不同病症患者的带有心脏疾病标签的心电信号和心震信号数据集，分别训练心电信号和心震信号的神经网络；

所述的S4具体为：采用决策分类器进行分类，分类结果为所提取信号分类结果及置信度的大小；

所述的决策分类器按以下方式得到：

首先通过对N个训练样本构成的第一样本集学习，得到第一个弱分类器；根据第一次学习中每个深度特征样本的分类是否正确，以及第一次的总体分类的准确率，来确定第一样本集中每个样本的权值；同时，将第一样本集中分错的样本和其他新的训练样本一起，构成一个新的N个训练样本构成的第二样本集，通过对第二样本集的学习得到第二个弱分类器，将修改过权值的新训练样本送给下层分类器进行训练；将前面都分错了的样本加上新的训练样本构成另一个新的N个训练样本构成的第三样本集，通过对第三样本集的学习得到第三个弱分类器；最后将第一、二、三个弱分类器融合起来，作为决策分类器；

所述的训练样本为已知的正常人和不同年龄不同病症患者的带有心脏疾病标签的心电信号和心震信号数据集进行S1至S3处理后得到的心电信号和心震信号的深度特征。

2.根据权利要求1所述的心电及心震信号联合分类装置，其特征在于：所述的S1对心电信号预处理的过程具体为：采用巴特沃斯滤波器对心电信号做预处理，过滤掉高频噪声；同时，采用Savitzky-Golay滤波器实现对心电信号中干扰信号的滤除。

3.根据权利要求1所述的心电及心震信号联合分类装置，其特征在于：所述的S1对心震信号预处理的过程具体为：

选取Symlet小波系，利用多分辨率时频局部化特性把所得心震信号中的不同频率成分解成不同频带的子信号，将第二尺度的工频干扰及第八尺度的呼吸引起的噪声的小波系数置零，增强由心震信号引起的小波系数，最后进行重构，进行初步去噪；

采用小波阈值去噪法对心震信号进行Mallat分解，得到不同尺度的小波系数，按照Stein无偏阈值处理该小波系数，小于预定阈值的小波系数直接置为零，以对心震信号的白噪声进行去噪。

4.根据权利要求1所述的心电及心震信号联合分类装置，其特征在于：所述的S2具体为：

2.1、心电信号在每个周期内均出现R峰，设定R峰阈值，以R峰阈值为中心向左右分别截取2个周期心电信号作为心电信号的特征波；

2.2、通过公式筛选每段心震信号的极值点，并由此计算上升幅度，确定AO波位置，以其为中心向左右分别截取四个完整心跳波形的信号作为心震信号的特征波；其中，j为时间，f（j）、f（j+1）和f（j-1）为j、j+1和j-1时刻的振幅；AO波是指一个周期内心震信号峰值点最大的波；

2.3、将心电及心震信号的特征波进行四阶多贝西小波的小波变换，从而转换到频域上，得到时频图。

5.根据权利要求1所述的心电及心震信号联合分类装置，其特征在于：所述的S3具体为：

将处理完毕的心电信号和心震信号的时频图，分别通过各自训练好的神经网络，以神经网络倒数第二层作为特征输出，得到心电信号和心震信号的深度特征。