[发明专利]一种基于1D卷积神经网络的室性异位搏动检测方法

摘要

本发明公开了一种基于1D(Dimension)卷积神经网络的室性异位搏动检测方法，由于卷积神经网络普遍应用于二维图像处理方面，而心电信号属于一维的时间序列，本发明针对心电信号的特点设计了一种一维卷积神经网络用于检测室性异位搏动；同时，针对心电信号的特点，给出心电信号具体分割参数，并将心率失常数据库分割得到的一系列单个心拍数据输入到专门设计的一维卷积神经网络中进行训练，与以往的方法相比，鲁棒性更强，检测精度更佳。

主权项

1.一种基于1D卷积神经网络的室性异位搏动检测方法，其特征在于，包括以下步骤：(1)、心电信号预处理对心率失常数据库中心电信号序列的每一拍心电信号进行分割，得到一系列的长度为64的单个心拍数据作为训练集数据，并对其中室性异位搏动的心拍标记为‘1’，其余心拍标记为‘0’，对训练集数据进行归一化处理：其中，x为单个心拍数据中的一个数据，x_min为训练集数据中单个心拍数据中的最小值，x_max为训练集数据中单个心拍数据中的最大值；(2)、设计用于检测室性异位搏动的1D卷积神经网络第1层：卷积层，记作C1层，C1层输入数据的大小为1x64的数据，分别使用16个大小为1x5的卷积核，以步长为1对输入数据做卷积，一个卷积核对输入数据进行卷积得到一个输出数据，得到16个大小为1x60的数据并输出第2层，其中，卷积过程的激活函数采用修正线性单元ReLu；第2层：池化层，记作S2层，对输入到S2层的16个大小为1x60的数据以步长为1，非重叠的做2的最大池化操作，得到16个大小为1x30的数据并输出到第3层；第3层：卷积层，记作C3层，每一个大小为1x5的卷积核以步长为1分别对输入的16个大小为1x30数据进行卷积操作，得到16个大小为1x26的卷积值，然后得到一个大小为1x26的数据，其中，卷积过程的激活函数采用修正线性单元ReLu；C3层有8个大小为1x5的卷积核，这样得到8个大小为1x26的数据，并输出到第4层；第4层：池化层，记作S4层，对输入到S4层的8个大小为1x26的数据分别以步长为1，非重叠的做2的最大池化操作，得到8个大小为1x13的数据，并输出到第5层；第5层：全连接层，记作C5层，将输入的8个大小为1x13的数据组合为一个大小为1x104的数据，C5层共有10个神经元，每个神经元与大小为1x104的数据中的每个数据进行全连接，每个神经元输出一个数据，这样输出C5层输出10个数据；第6层：输出层，记作output层，共有2个神经元即0或者1，每个神经元与C5层输出的10个数据进行全连接，两个神经元分别输出一个属于类别0的概率和属于类别1的概率，其中，激活函数采用sigmoid函数；(3)、训练1D CNN网络将训练集数据中单个心拍数据作为1x64的数据，以及对应的心拍标记送入1D CNN网络中进行训练，训练完成后，得到该1D CNN网络的各项参数；在训练1D CNN时，卷积层的计算公式为：其中，表示1D CNN的第l层的第i个特征向量；表示1D CNN的第l‑1层的第k个特征向量；*表示的是1D卷积运算；以及表示的是1D CNN第l层的对应第i个特征图的卷积核和偏置；表示的是激活函数；(4)、室性异位搏动检测方法采集人体的心电信号序列，并进行分割，得到一系列的长度为64的单个心拍数据，然后按照步骤(1)的公式进行归一化处，并将每个单个心拍数据输入到设计的1D卷积神经网络中，得到属于类别1的概率，即属于室性异位搏动的概率。