[发明专利]一种基于InResNet网络的心电信号联合识别模块及方法

说明书

本发明公开了一种基于InResNet网络的心电信号联合识别模块及方法，本发明采用了InRes模块，将未知类型的心电信号输入训练好的InResNet网络，输入的信号依次经过输入模块、收缩模块、扩张模块、激活模块、分类模块处理得到各分类结果的概率，并以概率值最大的类型作为心电信号分类结果由输出模块输出。本发明具有在相同迭代次数下训练精确率高，训练损失低等优势。InRes模块相比于传统卷积层提高了网络的表达能力，减少了参数，且保护了信息的完整性。

技术领域

本发明属于医疗器械技术领域，涉及心电信号的识别，特别涉及一种基于InResNet网络的心电信号联合识别模块及方法。

背景技术

传统的心电图检测识别方法主要有图像二值化、网格滤波和图像数字化。随后，许多学者对数字处理过程进行了优化，提出了多种提取信息的算法，如K-means方法和模式分类。传统的心电信号检测识别领域，其本质是分类，其中包括基于心拍的分类方法和基于片段的分类方法。基于心拍的分类方法思想在于找出患者心电图中的所有心拍，并依次判断其类别；基于片段的分类方法思想在于直接对患者心电图中包含多个心拍的某个片段做出判断，判断其所属类别。两种方法有各自的优缺点，基于心拍的分类方法由于落实到了单个心拍，其结果足够精细，给出的类别可信度较高，但由于要捕捉每个心拍，故需要额外的QRS波检测算法，导致后端分类器对于心拍定位的具体方法存在依赖；基于片段的分类方法由于直接对片段做出分类，故无需额外的QRS波检测算法辅助，可以实现端对端的分类，但其结果不够精细，比如片段中出现了多个类型的心拍，则无法对其类型一一做出判断。

发明内容

本发明解决的技术问题在于提供一种基于InResNet网络的心电信号联合识别模块及方法，基于深度学习的网络结构及方法，可用于心电仪器进行正常及多种非正常心电信号的识别。

本发明是通过以下技术方案来实现：

一种基于InResNet网络的心电信号联合识别模块，包括：

输入模块，接收一维心电数据作为输入的心电信号；

收缩模块，捕捉心电信号中的上下文信息，其包含特征提取和降维两个层，特征提取模块包含一个InRes层，降维模块包含一个池化层；

扩张模块，提取特征并将其与收缩模块中相应特征相对比，对心电信号中需要分割的部分进行定位，其主要包括上采样层和聚合层；

激活模块，利用Leaky ReLU激活函数对上一层的结果进行激活，以加入非线性因素；

分类模块，利用softmax层产生心电信号属于各个类别的概率；

输出模块，以概率值最大的类型作为心电信号分类的结果并输出。

所述各模块的信号处理为：

输入模块，接收结构为1×1800的一维心电信号作为输入；

收缩模块，对输入的心电信号数据进行特征提取，捕捉信号中的上下文信息，得到225×128的特征；

扩张模块，225×128的特征输入扩张模块再次进行特征提取，并将提取出的特征与在收缩模块中对应的特征相结合，得到1800×3的特征数据；

激活模块，1800×3的特征数据输入激活模块增强网络的表达能力，并将激活后的特征数据输入分类模块；

分类模块，利用softmax函数得到表现心电信号在每个采样点处所属类别的概率的1800×1的数据；

输出模块，以概率值最大的类型作为心电信号分类的结果并输出。

所述的收缩模块中，特征提取层是利用InRes层对输入信号进行特征提取，学习信号中的数据分布；