CN108714026A - 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 - Google Patents

Abstract

本发明公开了一种基于深度卷积神经网络（DCNN）和在线决策融合的心电分类方法。与以前使用手工特征或从原始信号域学习特征的方法不同，所提出的基于DCNN的方法以端到端的方式从时频域学习特征和分类。本发明首先利用短时傅立叶变换将心电波形信号转化为时频域。接下来，由特定长度的训练样本训练具体的DCNN网络模型。最后，提出一种在线决策融合方法，将来自不同模型的过去和现在的决策融合成更准确的决策。综合20类ECG数据集的实验结果说明了所提出方法的有效性。

Description

基于深度卷积神经网络和在线决策融合的细粒度心电信号分 类方法

技术领域

本发明属于信号分类领域，具体涉及一种基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法。

背景技术

心电图(ECG)记录了心脏电活动在心动周期中的去极化复极化过程，被广泛用于监测或诊断患者的心脏状况。通常需要病人去医院，由训练有素，经验丰富的心脏病专家进行诊断，昂贵而且不方便。因此，在诊所，社区医疗中心和家庭保健方案中，自动监测和诊断***是非常需要的。虽然在过去的几十年里心电图的滤波，检测和分类已经取得了很大的进展，但是由于噪声和不同患者之间症状的类型不同，对心电信号进行有效和准确的分类仍然是一个具有挑战性的问题。

在分类之前，通常需要进行滤波消除来自ECG信号的各种噪声，包括电源线干扰，基线漂移，肌肉收缩噪声等。传统的方法如低通滤波器和滤波器组可以减少噪声，但也可能会导致一些伪影。将信号建模和滤波结合在一起可以减轻这个问题，但是它仅限于单一类型的噪声。近年来，提出了基于小波变换的不同的噪声消除方法，小波变换在多分辨率信号分析中表现出很大的优势。例如，S.Poungponsri和X.H.Yu提出了一种基于小波变换和人工神经网络的自适应滤波方法，可以有效去除不同类型的噪声。

对于ECG分类，经典方法通常包括两个部分：特征提取和分类器训练。特征提取通常是在时域或频域进行的，包括幅度，间隔和高阶统计量等。常见的方法有：滤波器组、卡尔曼滤波器、主元分析、频率分析、小波变换和统计方法。分类方法通常包括：支持向量机、人工神经网络、隐马尔可夫模型和混合专家方法。其中，由于人工神经网络有强大的建模能力，所以大量的方法是基于此。例如，M.Engin提出了一种基于模糊神经网络的心电信号分类方法，以自回归模型系数，高阶累积量和小波变换方差为特征。L.Y.Shyu等人提出了一种利用小波变换和模糊神经网络检测室性早搏(VPC)的新方法，由于采用相同的小波进行QRS检测和VPC分类，其方法计算复杂度降低。I.Guler和E.D.Ubeyli建议使用组合神经网络模型进行ECG信号分类。提取基于离散小波变换的统计特征，作为一级网络的输入。然后，使用前一级网络的输出作为输入来训练网络。T.Ince提出了一种新方法，该方法使用鲁棒和通用的人工神经网络架构，并针对每个患者训练具有形态小波变换特征和时间特征的患者特异性模型。

虽然上述方法取得了良好的效果，但是也存在一些共同的缺陷：

1)人工特征依赖于专家知识或经验，需要仔细设计和测试。而且，对于该特征，分类器需要有适当的建模能力。

2)ECG信号的类型通常是有限的或粗粒度的，例如2～5种。一方面，对于一种新型的心电波形，应该首先考察现有的有区分性特征，并重新设计新的特征。另一方面，它们在细粒度分类方面仍然存在问题，因为它要求更具区分性的特征和具有更好建模能力的分类器。

发明内容

本发明针对现有技术的不足，设计一种基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法。本发明通过短时傅里叶变换(STFT)将原始ECG信号转换到时频域。然后，通过二维卷积的CNN学习信号的时频特征。最后，提出了一种在线决策融合方法，将不同模型的过去和当前的决策融合到一个更准确的结果中。

本发明包括以下各步骤：

步骤(1)心电信号波形的采集与处理：

步骤(1-1)数据集的获取：采用SKX-2000ECG信号模拟器进行ECG波形生成。该模拟器能够模拟产生多种幅值、频率的不同病征的心电波形，包括但不限于正常、粗糙型心房颤动、精细型心房颤动、心房扑动等20多种心电波形。上述20类ECG波形信号，分别采集一定量的对应该类别的不同参数下的波形信号。数学表示为：

X＝{(x_i(t),y_i)|i∈Λ}⁽¹⁾

其中，x_i(t)为第i个样本，y_i∈{0,..,C-1}表示心电信号x_i(t)的类别标签，一共有C类心电信号，Λ是样本的索引集合。x_i(t)＝[x_i(0),x_i(1),...,x_i(N-1)]^T是采样点个数为N的第i种信号的时序表示。

步骤(1-2)短时傅里叶变换：首先通过短时傅里叶变换将原始心电信号转换到时频域，获得心电信号的心电谱图。数学表示过程如下：

其中w(·)为窗函数，本发明中窗口采用汉明窗，大小为256个采样点，重叠区域大小为128个采样点。，s_i(k,m)是x_i的心电谱图，该心电谱图具有2维结构。

步骤(2)网络结构的设计：鉴于使用2维心电谱图作为网络输入，所以设计一个包含2维卷积的深度卷积神经网络结构，所设计的网络结构包括3个卷积层，2个全连接层，1个最大池化层。具体结构为:

将心电谱图作为输入，对于分类问题，深度神经网络结构预测了一个概率向量，p_i＝h(s_i,θ_h)∈R^c且||P_i||₁＝1，θ_h表示网络的待学习参数，可以通过最小化交叉熵损失函数的方法训练此参数，表示如下：

其中，q_i是对应于类别标签y_i的one-hot向量。

实际上，心电谱图的宽度与给定窗函数的心电波形信号的长度有关。给定采样率，信号越长包含的节拍越多。通常，被检测与分类的都是单拍信号，但是，节拍越多所含信息就越多，检测与分类的准确率也就越高。本发明中，在确定序列长度、采样率后，将每个样本分成多个子样本，每个子样本长度相同。接着，根据数据集训练所设计的深度神经网络模型。此外，为了比较测试更长样本时模型的性能，同时将样本分成长度不同的子样本，并用它们训练相应的深度神经网络模型，分别将这些根据样本长度不同所设计的模型按照子样本长度从小到大的方式表示为h1-h6。尽管训练不同长度的样本，便会对应不同宽度的心电谱图，但是对于上述所有模型，都采用相同的体系结构，只要在保持全连接层固定的情况下，相应地改变沿着列的池化步长。

步骤(3)在线决策融合算法：对于在线测试，随着信号长度的增加，可以在不同的时间采用上述模型对信号进行顺序测试。当样本长度较短时，决策结果往往基于此样本长度；当样本长度较长时，决策结果将由整个信号决定。这些模型可以被视为不同的专家，侧重于不同的信息量。不同专家的决定可能是互补的，也许可以融合到一个更准确的决定。因此提出了一种在线融合方式，具体表示为：

其中是融合结果，s_l∈{1,2,3,4,5,6}是对应特定长度x的信号能被分割的子样本中长度最长时对应的顺序；x^sk是在模型为h_s时，样本x的第k部分，k_s是长度为样本x对应于h_s时子样本的个数。例如，当前时刻样本的总长度为2048，因此s_l＝3，k₁＝4，k₂＝2，k₃＝1。ω_s是h_s模型的融合权重，且从公式4中可以看出，在相同子样本中每一部分的融合结果的权重是相等的而且平均的。这个结果是合理的，因为每个部分使用相同的模型，没有优先级。当子样本长度不同时，给定每一种模型一个权重，在最后的融合结果中比较它们的影响。

为验证本文提出算法的有效性，采用SKX-2000 ECG信号模拟器进行ECG波形生成。该模拟器能够模拟产生多种幅值、频率的不同病征的心电波形，包括但不限于正常、粗糙型心房颤动、精细型心房颤动、心房扑动等20多种心电波形。选取19种病征心电波形和正常心电波形进行仿真实验。

对于上述20类ECG波形信号，分别采集一定量的对应该类别的不同参数下的波形信号。然后，去掉较短的和无用的信号后，一共采集了2426个样本，平均每类约120个样本，每个样本最长包含16384个点，在下面的实验中，使用3倍交叉验证来评估所提出的方法。

短时傅里叶变换中，窗口采用汉明窗，大小为256个采样点，重叠区域大小为128个采样点。然后用得到的心电谱图训练所设计的网络结构。训练CNN模型时，共有20000次迭代，每次迭代的批大小为128，基础学习速率为0.01，每隔5000次降低为原来的0.5倍,动量和衰变参数分别设为0.9和5×10^-6。然后采用所提融合方法将不同模型的结果融合。

上述方法都在caffe中实施，所有的实验都是在Nvidia GeForce GTX Titan X(Maxwell)GPU的工作台上进行的。

本发明的有益效果：通过计算原始信号的短时傅里叶变换，可以从时频域学到具有区分性的特征表示。提出一种在线决策融合方法，将来自不同模型的过去和现在的决策融合成更准确的决策。在合成的20类ECG数据集上的实验结果证明了所提出的方法的有效性和效率。此外，所提出的方法计算效率高，并有希望集成在具有有限的计算资源的便携式ECG监测仪器中。

附图说明

图1是本方法的算法实现流程图。

图2是心电信号波形图。

图3是对应图2的心电谱图。

图4是融合结果以及每个s_l对应的单模型结果。

具体实施方式

以下结合附图对本发明作进一步说明。

如图1所示，本发明提出基于深度卷积神经网络和在线决策融合的细粒度心电信号分类，包括以下各步骤：

步骤(1)心电信号波形的采集与处理：

步骤(1-1)数据集的获取：采用SKX-2000ECG信号模拟器进行ECG波形生成。该模拟器能够模拟产生多种幅值、频率的不同病征的心电波形，包括但不限于正常、粗糙型心房颤动、精细型心房颤动、心房扑动等20多种心电波形。上述20类ECG波形信号，分别采集一定量的对应该类别的不同参数下的波形信号。数学表示为：

X＝{(x_i(t),y_i)|i∈Λ} (1)

其中，x_i(t)是第i个样本，y_i∈{0,..,C-1}表示心电信号x_i(t)的类别标签，一共有C类心电信号，Λ是样本的索引集合。x_i(t)＝[x_i(0),x_i(1),...,x_i(N-1)]^T是采样点个数为N的第i种信号的时序表示。具体的心电信号波形如图2所示，横轴是时间,单位为s，纵轴是幅值μV。

步骤(1-2)短时傅里叶变换：首先通过短时傅里叶变换将原始心电信号转换到时频域，获得心电信号的心电谱图。数学表示过程如下：

其中w(·)为窗函数，本发明中窗口采用汉明窗，大小为256个采样点，重叠区域大小为128个采样点。s_i(k,m)是x_i的心电谱图，该心电谱图具有2维结构。图3表示与图2相对应的心电谱图，横轴表示的是时间，纵轴表示的是频率。可以同时观察到信号的时频特性。

步骤(2)网络结构的设计：鉴于使用2维心电谱图作为网络输入，所以设计一个包含2维卷积的深度卷积神经网络结构，所设计的网络结构包括3个卷积层，2个全连接层，1个最大池化层。

表1设计的网络结构

将心电谱图作为输入，对于分类问题，深度神经网络结构预测了一个概率向量，p_i＝h(s_i,θ_h)∈R^c且||P_i||₁＝1，θ_h表示网络的待学习参数，可以通过最小化交叉熵损失函数的方法训练此参数，表示如下：

其中，q_i是对应于类别标签y_i的one-hot向量，

实际上，心电谱图的宽度与给定窗函数的心电波形信号的长度有关。给定采样率，信号越长包含的节拍越多。通常，被检测与分类的都是单拍信号，但是，节拍越多所含信息就越多，检测与分类的准确率也就越高。本发明中，在确定序列长度、采样率后，将每个样本分成多个子样本，每个子样本长度相同。接着，根据数据集训练所设计的深度神经网络模型(CNN模型)。此外，为了比较测试更长样本时模型的性能，同时将样本分成长度不同的子样本，并用它们训练相应的CNN模型，分别将这些根据样本长度不同所设计的模型按照子样本长度从小到大的方式表示为h1-h6。尽管训练不同长度的样本，便会对应不同宽度的心电谱图，但是对于上述所有模型，都采用相同的体系结构，只要在保持全连接层固定的情况下，相应地改变沿着列的池化步长。

为了验证该方法在学习特征表示方面的有效性，通过已学习的特征对其进行检验。例如，通过计算倒数第二层的响应得到所有训练数据的学习特征，然后通过主元分析得到前三个主元向量。

步骤(3)在线决策融合算法：对于在线测试，随着信号长度的增加，可以在不同的时间采用上述模型对信号进行顺序测试。当样本长度较短时，决策结果往往基于此样本长度；当样本长度较长时，决策结果将由整个信号决定。这些模型可以被视为不同的专家，侧重于不同的信息量。不同专家的决定可能是互补的，也许可以融合到一个更准确的决定。因此提出了一种在线融合方式，具体表示为：

其中是融合结果，s_l∈{1,2,3,4,5,6}是对应特定长度x的信号能被分割的子样本中长度最长时对应的顺序；x^sk是在模型为h_s时，样本x的第k部分，k_s是样本x的对应于h_s时子样本的个数。例如，当前时刻样本的总长度为2048，因此s_l＝3，k₁＝4，k₂＝2，k₃＝1。ω_s是h_s模型的融合权重，且从公式4中可以看出，在相同子样本中每一部分的融合结果的权重是相等的而且平均的。这个结果是合理的，因为每个部分使用相同的模型，没有优先级。当子样本长度不同时，给定每一种模型一个权重，在最后的融合结果中比较它们的影响。

两种融合权重定义被考虑：均值权重和权重随模型等级增高(即子样本长度越长)增加。后一种情况下的融合权重根据下面的等式计算

图4显示了融合结果以及每个s_l对应的单模型结果。首先，可以看出，在所有不同级别的模型中，模型h4达到了最佳性能，其原因可能是它在数据长度和模型数量的决策之间取得了平衡。与模型h1相比，输入数据的长度是原来的16倍。与模型h6相比，模型h6只能在整个序列上做单一决策，而模型h4可以对四个不同的子序列做出4个决策，这些决策可以融合成一个更精确的子序列。然后，可以看出，融合结果始终优于单一模型的结果，并且随着数据长度的增长，性能也不断提高。该方法证实了融合不同模型的决策能够得到一个鲁棒性更强以及更加精确的决策，因为这些模型在进行样本训练时包含了不同范围的原始数据。此外，使用不均匀权重与使用均匀权重相比没有任何优势。假设不均匀权重策略偏向最大数据量的模型，忽略数据量较小的模型的决策。尽管它优于单个模型的情况，但是提升非常有限，尤其是在更高的级别上，性能在很大程度上取决于高级别的模型。

为验证本发明提出算法的有效性，采用SKX-2000ECG信号模拟器进行ECG波形生成。该模拟器能够模拟产生多种幅值、频率的不同病征的心电波形，包括但不限于正常、粗糙型心房颤动、精细型心房颤动、心房扑动等20多种心电波形。选取19种病征心电波形和正常心电波形进行仿真实验。

对于上述20类ECG波形信号，分别采集一定量的对应该类别的不同参数下的波形信号。然后，去掉较短的和无用的信号后，一共采集了2426个样本，平均每类约120个样本，每个样本最长包含16384个点，在下面的实验中，使用3倍交叉验证来评估所提出的方法。

短时傅里叶变换中，窗口采用汉明窗，大小为256个采样点，重叠区域大小为128个采样点。然后用得到的心电谱图训练所设计的网络结构。训练CNN模型时，共有20000次迭代，每次迭代的批大小为128，基础学习速率0.01，每隔5000次降低为原来的0.5倍,动量和衰变参数分别设为0.9和5×10^-6。然后采用所提融合方法将不同模型的结果融合。

上述方法都在caffe中实施，所有的实验都是在Nvidia GeForce GTX Titan X(Maxwell)GPU的工作台上进行的。

仿真结果如下：所提方法与其他模型的测试结果如表2所示，不同等级所提方法模型的运行时间如表3所示。

表2不同模型的测试结果

表3不同等级模型的运行时间

Claims (1)

1.基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法，其特征在于该方法的具体步骤如下:

步骤(1)心电信号波形的采集与处理：

步骤(1-1)数据集的获取：采用SKX-2000ECG信号模拟器进行ECG波形生成；心电信号的数学表示为：

X＝{(x_i(t),y_i)|i∈Λ}

其中，x_i(t)是第i个样本，y_i∈{0,..,C-1}表示心电信号x_i(t)的类别标签，一共有C类心电信号，Λ是样本的索引集合；x_i(t)＝[x_i(0),x_i(1),...,x_i(N-1)]^T是采样点个数为N的第i种信号的时序表示；

步骤(1-2)短时傅里叶变换：通过短时傅里叶变换将原始心电信号转换到时频域，获得心电信号的心电谱图；数学表示过程如下：

其中w(·)为窗函数，窗口采用汉明窗，大小为256个采样点，重叠区域大小为128个采样点；s_i(k,m)是x_i(t)的心电谱图，该心电谱图具有2维结构；

步骤(2)网络结构的设计：鉴于使用2维心电谱图作为网络输入，设计一个包含2维卷积的深度卷积神经网络结构，所设计的网络结构包括3个卷积层，2个全连接层，1个最大池化层；

将心电谱图作为输入，对于分类问题，深度神经网络结构预测了一个概率向量，p_i＝h(s_i,θ_h)∈R^c且θ_h表示网络的待学习参数，通过最小化交叉熵损失函数的方法训练此参数，表示如下：

其中，q_i是对应于类别标签y_i的one-hot向量；

在确定序列长度、采样率后，将每个样本分成多个子样本，每个子样本长度相同；接着，根据数据集训练所设计的深度神经网络模型；此外，为了比较测试样本长度不同时模型的性能，同时将样本分成长度不同的子样本，并用它们训练相应的深度神经网络模型，分别将这些根据样本长度不同所设计的模型按照子样本长度从小到大的方式表示为h1-h6；

步骤(3)在线决策融合算法，具体表示为：

其中是融合结果，s_l∈{1,2,3,4,5,6}是对应设定长度的样本x能被分割的子样本中长度最长时对应的模型序号；x^sk是在模型为h_s时，样本x的第k部分，k_s是样本x对应于h_s时子样本的个数；ω_s是h_s模型的融合权重，且