[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

说明书

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。

技术领域

本发明属于模式识别领域，具体涉及一种基于频域特征与深度学习的心肌梗塞识别分类方法。

背景技术

心电图作为临床上检测心血管疾病的无创心电检测技术之一，一方面蕴含着丰富的生理和病理信息，另一方面无创方便易行、检测价格低廉，在各类心血管疾病的诊断和评价中具有重要意义。本发明方法提出了基于频域特征与深度学习的心电信号分类方法，首次对心电信号分频段提取频域特征图，然后利用并行多CNN算法对特征图进行识别分类，识别出高危个体与健康个体，这种多CNN的方式可以一定程度上解决原始数据正负样本严重不平衡的问题，提高了模型的鲁棒性。

发明内容

本发明的目的是克服现有技术存在的问题，提出了基于频域特征与深度学习的心肌梗塞识别分类方法，首次将分频段的频域特征图运用在心电图分类上,并采用多CNN并行的模型，很大程度上避免了对不平衡数据识别过于倾向某一类的问题。提供一种更为深层的描述心电信号特征的基于频域变换与深度学习的心肌梗塞识别分类方法。

本发明的具体技术方案通过如下步骤实现：

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(12导联心电数据)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，以便于增加网络的深度，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。

本发明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)。

本发明步骤二具体实现步骤如下：