[发明专利]一种基于频域特征与深度学习的心肌梗塞识别分类方法

权利要求书

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；

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。

2.根据权利要求1所述的一种基于频域特征与深度学习的心肌梗塞识别分类方法，其特征在于步骤一具体实现步骤如下：

通过巴特沃斯滤波器对原始心电数据进行高通与低通滤波处理，对肌电干扰与工频干扰达到较好的去噪效果：

其中，n为滤波器阶数，ω_c为截止频率，ω_p为通带边缘频率；然后通过如下的中值滤波对原始心电数据进行滤波处理，对基线漂移达到较好的去噪效果：

Y(ξ)＝Med{S(ξ-v)，…，S(ξ-1)，S(ξ)，S(ξ+1)，…，S(ξ+v)} (2)

其中，ξ∈P，S＝{S(1)，S(2)，...，S(P)}表示采样点数量为P的ECG信号序列，m表示中值滤波窗口长度取奇数；首先从信号序列S中相继抽取m个采样点，得到m个采样点对应的幅值，用S(ξ-v)，...，S(ξ-1)，S(ξ(ξS(ξ+1)，...，S(ξ+v)表示，ξ为窗口的中心位置；然后按照数值大小对m个幅值进行排序，其中排在中间的值就是用于代替窗口中心信号幅值的中值，记作Y(ξ)。

3.根据权利要求2所述的一种基于频域特征与深度学习的心肌梗塞识别分类方法，其特征在于步骤二具体实现步骤如下：

对于每一个样本，将样本中的每个通道进行快速傅里叶变换，并由下式获取各通道的幅度谱P(k)：

P(k)＝|X_k| (3)

其中，X_k为快速傅里叶变换的结果；将频率信号分为22个频段，并由以下公式计算这22个频段的平均振幅谱：

MAS_i＝mean(P(k)，k∈K_i) (4)

其中i＝1，2，...，22表示第i个频率子带，K_i表示第i个子带进行快速傅里叶变换时k值的集合；将得到的矩阵在0到255区间内进行归一化，如此便将癫痫预测所需的每个样本转化为12*22的灰度图像，为了便于增加网络的深度，对每个特征图进行上采样至48*48；

对于正常样本设置其标签为0，异常样本设置其标签为1，并对标签进行onehot编码，转化为与softmax相同的概率分布形式，以适用于损失的计算。

4.根据权利要求3所述的一种基于频域特征与深度学习的心肌梗塞识别分类方法，其特征在于步骤三具体实现如下：

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，W_ki和b_i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：

H^out＝average(Hⁱⁿ) (6)

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；a_j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：

H^out＝subsampling(Hⁱⁿ) (9)

在每个最大池化层之后加入Batch Normalization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[x^(k)]表示是每一mini-batch数据x^(k)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；将步骤二中的到的数据进行打乱，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：

y_i表示真实标签，p_i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。