[发明专利]一种单导联心电异常信号识别方法

权利要求书

1.一种单导联心电异常信号识别方法，其特征在于，包括步骤：

S1、通过深度卷积生成对抗网络DCGAN生成器生成心电数据，加入样本数据量少的心电数据集，得到训练数据集；

S2、搭建通道间共享阈值的深度残差收缩网络DRSN-CS模型，通过预设数量的通道间共享阈值的残差收缩模块RSBU-CS进行堆叠，削减噪声相关的特征；

S3、搭建通道间不共享阈值的深度残差收缩网络DRSN-CW模型，使用软阈值化作为收缩函数，用于线性变化，消除噪声相关信息；

S4、对所述DRSN-CS模型和DRSN-CW模型进行优化，对每层卷积层进行批量归一化，使用LeakyRelu激活函数减轻梯度消失问题；

S5、采用反向传播算法分别训练DRSN-CS模型和DRSN-CW模型，并采用交叉验证循环重复训练多次，基于随机梯度下降算法进行训练；

S6、比较DRSN-CS模型和DRSN-CW模型的分类准确率，选取准确率高的作为最终分类模型，对心电异常信号识别分类。

2.如权利要求1所述的单导联心电异常信号识别方法，其特征在于，所述S1中DCGAN的损失函数为：

其中，G表示生成器，D表示判别器，z表示随机噪声，从该噪声生成图像记作G(z)，x表示输入判别器的一幅图像，Pdata(x)＝P(x|data)表示从实际数据集中得到x的概率，实际数据集是指样本数据量少的心电数据集；Pz(z)＝P(z|Z)表示从生成数据集中得到z的概率，生成数据集是指DCGAN生成的心电数据集；D(x)是判别器的输出，表示x为真实图像的概率；所述判别器用于判断每一个数据实例是否属于真实的训练数据集。

3.如权利要求1所述的单导联心电异常信号识别方法，其特征在于，所述S2中DRSN-CS模型包括三部分，第一部分为卷积神经网络模型，包括5个通道间阈值共享的RSBU-CS；第二部分为双向长短期记忆网络模型BiLSTM；第三部分为注意力机制；DRSN-CS模型还包括一个全连接层，用于输出每个类别的概率。

4.如权利要求3所述的单导联心电异常信号识别方法，其特征在于，所述S2中RSBU-CS用于估计软阈值化所需阈值；所述RSBU-CS中，全局均值池化应用在经过卷积层运算之后的特征图的绝对值上获得一维向量，一维向量被输入到一个两层的全连接网络中，获得一个尺度化参数；通过Sigmoid函数将所述尺度化参数规整到0和1之间；将特征图的绝对值的平均值乘以所述尺度化参数得到阈值。

5.如权利要求1所述的单导联心电异常信号识别方法，其特征在于，所述S3中DRSN-CW模型包括三部分，第一部分为卷积神经网络模型，包括5个通道间阈值不共享的RSBU-CW；第二部分为双向长短期记忆网络模型BiLSTM；第三部分为注意力机制；DRSN-CW模型还包括一个全连接层，用于输出每个类别的概率。

6.如权利要求5所述的单导联心电异常信号识别方法，其特征在于，所述S3中，使用通道间阈值不共享的残差收缩模块RSBU-CW，使经过卷积层运算之后的特征图的每个通道具有独立的阈值，全局均值池化应用在特征图的绝对值上获得一维向量，并输入到一个两层的全连接层中；全连接层的第二层有一个以上神经元，且神经元的个数等于输入特征图的通道数；全连接层的输出被强制到0和1之间，之后计算出阈值，所述阈值始终是正数，且保持在防止输出特征都是零的合理范围内。

7.如权利要求1所述的单导联心电异常信号识别方法，其特征在于，所述S4中对每层卷积层进行批量归一化，包括：

针对每一批输入数据，在网络的每一层输入之前增加归一化处理，其中均值为0，标准差为1，对于任一层的任意一个神经元

其中，k为维度，x^(k)为该层的第k个神经元的原始输入数据，E[x^(k)]为这一批输入数据在第k个神经元的均值，为这一批输入数据在第k个神经元的标准差。