[发明专利]一种基于判别式深度置信网络的心律失常自动分类方法

摘要

一种基于判别式深度置信网络的心律失常自动分类方法。属于心律失常的检测和分类技术领域，采用反向传播对网络进行微调，进而实现正常节律、左束支传导阻滞、右束支传导阻滞、室性早搏、房性早搏、起搏心拍共6类心律失常类型的自动分类。本发明包括：步骤一：ECG信号预处理，步骤二：DDBNs模型构建，步骤三：DDBNs模型训练，步骤四：DDBNs模型有监督微调，步骤五：ECG信号送入DDBNs网络，对送入DDBNs的256维采样点x与三维RR间期特征r进行归一化处理，对x归一化，得到一个心拍归一化样本，送入网络首层。本发明应用于心律失常的自动分类。

主权项

1.一种基于判别式深度置信网络的心律失常自动分类方法，其特征是：该方法包括如下步骤：步骤一：ECG信号预处理；ECG信号送入DDBNs网络前，需经过滤波、R峰定位和归一化；步骤二：DDBNs模型构建；(1)GRBMDBNs是学习提取训练数据深层次表示的图形模型，由堆叠的RBM组成，RBM是具有可见和隐含层互连的典型神经网络，在同一层中的任何两个神经元之间没有连接，在可见层上具有二元输入的RBM为BB‑RBM，而在可见层上具有实值输入的RBM为GB‑RBM；(2)DRBM；DRBM是采用具有两组可见层的单个RBM来训练联合密度模型，除了表示输入数据的单元A外，还有一个相当于“Softmax”的分类标签单元B，通过计算样本在每个类别标签下的概率，从而预测最可能的类别y；其中y∈{1,2,…,k}，k为样本类别数；步骤三：DDBNs模型训练；整体DDBNs模型采用贪婪的分层方式进行训练，无标签数据送入GRBM网络中，经过逐层无监督训练，每层RBM的输入为前一层的输出，以从样本中学习到高层次的特征结构，顶层DRBM通过有监督学习，得到测试样本在各类别下的后验概率，由此输出对样本分类的判别结果；步骤四：DDBNs模型有监督微调；DDBNs的逐层预训练完成后，将其转换为使用Softmax回归层作为输出的DNN，通过最小化式损失函数，反向传播来调整网络参数，执行监督分类；步骤五：ECG信号送入DDBNs网络；对送入DDBNs的256维采样点x与三维RR间期特征r进行归一化处理，对x归一化，得到一个心拍归一化样本，送入网络首层。