[发明专利]一种单导联心电异常信号识别方法

说明书

一种单导联心电异常信号识别方法，涉及心电信号识别领域，包括：S1、通过DCGAN生成器生成心电数据，加入样本数据量少的数据集；S2、搭建DRSN‑CS模型，通过一定数量的RSBU‑CS堆叠；S3、搭建DRSN‑CW模型，使用软阈值化作为收缩函数；S4、对两模型优化，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、基于随机梯度下降算法，采用交叉验证循环重复训练DRSN‑CS模型和DRSN‑CW模型；S6、比较两模型的分类准确率，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。解决了数据集中样本不平衡的问题，并能够有效去除噪声，提高心电疾病分类准确率。

技术领域

本发明涉及心电信号识别领域，具体涉及一种基于生成对抗及深度残差收缩网络的单导联心电异常信号识别方法。

背景技术

心血管疾病(cardiovascular disease，简称CVD)指的是与心脏或血管相关的一系列疾病，又称为循环系统疾病。以下是几个世界卫生组织统计的几个重要事实：心血管疾病仍然是全球的头号死因，在所有死亡状况中，每年死于心血管疾病的人数超过任何其它死亡原因。在2016年一年内，估计有1790万人死于心血管疾病，占全球死亡总数的31％左右，其中，又有85％左右死于心脏病和中风。

对于心电疾病的诊断，心电图(Electrocardiogram，ECG或者EKG)是一种经过胸腔的以时间为单位记录心脏的电生理活动、通过安置在皮肤上的电极捕捉其电信号并绘制成线记录下来的诊疗技术。作为一种无创性的记录方式，心电图的应用最为广泛与权威。

近年来，随着模式识别、神经网络等技术水平的提高以及大数据与人工智能的发展，基于心电图信号数据设计的心电自动诊断算法和系统的研究已经很多，但是大部分成果仍然停留在实验阶段，距离真正投入商用仍然有较大一段路需要走。即使是投入商用的部分，由于精度不足，疾病判别不够具体等缺点，对医生们的帮助十分有限。

12导联心电图的PDF目前是医院或医生最容易获得的数据。然而，对于某些心电类型的疾病来说，样本数据量少是一个明显的问题。目前，存在数据集中的样本不平衡的问题，由于数据集中的样本不平衡，就会导致模型对某一类心电疾病的预测效果并不理想。此外，还存在如何有效去除噪声的问题，需要尽量减少噪声对于心电疾病分类诊断的影响。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种单导联心电异常信号识别方法，解决了数据集中样本不平衡的问题，并能够有效去除噪声，减少噪声对于心电疾病分类诊断的影响，提高心电疾病分类准确率。

为达到以上目的，一方面，采取一种单导联心电异常信号识别方法，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。

优选的，所述S1中DCGAN的损失函数为：