[发明专利]一种基于卷积神经网络的多导联心电信号分类方法

权利要求书

1.一种基于卷积神经网络的多导联心电信号分类方法，其特征在于：包括以下步骤：

步骤一、从中国心血管疾病数据库CCDD中获取12导联的数据，所述数据库中每条心电图记录均来自临床，持续时间为10～20s，采样频率为500Hz，诊断结论由心脏科医生给出，然后进行以下步骤的数据预处理；

a.去除时长不足9.625s以及记录结论为空或无效的心电图，然后将记录结论为“0x0101”或“0x020101”或“0x020102”的心电图标注为正常样本，其他则为异常样本；

b.对ECG数据进行低通滤波，然后下采样到200Hz；

c.跳过开始的25个采样点,取中间的1900个点的数据作为原始数据，由于12导联的数据有8个为基本导联，而其他4个导联可由基本导联推导得出，所以本发明只保留了8个基本导联的数据，即II,III,V1,V2,V3,V4,V5,V6导联的数据；

d.划分训练集、验证集以及测试集，并对训练集数据进行平移起始点和加噪处理，以处理数据不平衡问题，同时也增加了训练样本量，其中，平移起始点是指训练时，每个样本都是在[1,400]的范围内随机选起始点，然后选取连续的1500个点作为卷积神经网络的输入；而加噪处理包括叠加白噪声、低频基线漂移噪声和高频噪声，这两个处理对于8个导联的数据都是同步的。

步骤二、构建卷积神经网络，所构建的卷积神经网络包括两个重要组成部分，分别为全局特征的提取和局部特征的提取；

步骤三、利用训练集数据对模型进行训练，并利用验证数据集优化模型的超参数；

步骤四、利用测试数据集来评估模型的性能，判断分类的准确性。

2.根据权利要求1所述的一种基于卷积神经网络的多导联心电信号分类方法，其特征在于：在所述步骤二中，全局特征提取部分主要是利用卷积运算来提取心电信号的全局特征，采用不同尺寸的卷积核，经过两层卷积-最大池化层后，再经过Flatten层，即得到全局特征向量；局部特征提取部分利用注意力机制给予不同导联不同的权重，对于关键的导联信号，往往会学习到更大的权重，然后将不同导联的心电信号加权求和，再经过全连接层降维，所得到的特征向量即为局部特征向量。最后将全局特征向量和局部特征向量进行拼接，再通过全连接层和输出层，即可得到心电信号的分类结果。

3.根据权利要求2所述的一种基于卷积神经网络的多导联心电信号分类方法，其特征在于：在所述步骤一d中，加噪处理的具体步骤包括：

S1：每个导联分别叠加幅度在[0,0.1]随机变化的白噪声；

S2：每个导联分别叠加幅度在[0,0.1]随机变化，相位随机，频率在[0,0.2]随机变化的低频噪声；

S3：每个导联分别叠加幅度在[0,0.15]随机变化，相位随机，频率在[45,90]随机变化的高频噪声；

S4：每个导联分别减去叠加噪声后的该导联平均值。

4.根据权利要求1所述的一种基于卷积神经网络的多导联心电信号分类方法，其特征在于：在所述步骤三中训练时使用交叉熵作为损失函数，并利用Adam优化器来优化损失函数，模型的训练就是为了学习模型中的可训练参数，其首先利用均值为0，方差为0.1的高斯分布来初始化参数，然后将训练数据输入到模型中，以最小化损失函数为目标进行迭代。同时在训练几个epoch结束以后，可以利用验证集验证效果，以及时调整模型中的超参数。