CN109740481A - 基于跳跃连接的cnn与lstm结合的房颤信号分类方法 - Google Patents

Abstract

一种基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，通过将数据房颤信号数据加载到跳跃连接的CNN模型中，经过卷积、最大池化、激励、归一化、平均池化操作，进行特征提取，之后将特征提取完成的数据加载到LTSM模型中进行学习，最终达到对房颤信号分类的目的，分类的信号精确、高效。

Description

基于跳跃连接的CNN与LSTM结合的房颤信号分类方法

技术领域

本发明涉及信号处理技术领域，具体涉及一种基于跳跃连接的CNN与LSTM结合的房颤信号分类方法。

背景技术

心血管疾病是造成世界人口减少的主要原因之一，其中，房颤在心血管疾病是最为常见的。ECG信号对判断房颤是一种有效的手段，所以，越来越多的ECG信号自动检测技术被相继的提出。

传统的ECG信号分类方法有支持向量机(SVMs)、神经网络(NN)等等，但这些方法都存在着繁琐的数据处理工作这一缺点。

随着技术的发展，深度学习方法被慢慢拓展开来。它是基于传统方法之一的神经网络(NN)发展而来，目前最常见的深度学习模型主要有：CNN、RNN、LSTM等等。

CNN与许多神经网络相类似，是以前馈神经网络为基础的，它的人工神经元可以响应一部分覆盖范围内的周围单元，从而降低了网络的复杂度，进行特征提取有明显的效果。但由于深度学习模型需要的数据是巨大的，CNN的处理效率也变的尤为重要，为此，本发明对CNN进行添加跳跃连接的改进，在数据加载到CNN模型的时候，进行特征提取工作分为两条路线，这样会明显提高处理效率。

LSTM与常规神经网络相反，LSTM结构能够学习时间依赖性，当处理时间序列数据时有明显的优势，例如，ECG信号。

因此需要一种可以对房颤信号进行精准、高效分类的方法。

发明内容

本发明为了克服以上技术的不足，提供了一种可以对房颤信号进行精准、高效分类的基于跳跃连接的CNN与LSTM结合的房颤信号分类方法。

本发明克服其技术问题所采用的技术方案是：

一种基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，包括如下步骤：

a)将房颤信号数据以频率MHz为标准进行切分，形成Ns一段的数据D，将数据D传入跳跃连接的CNN模型中；

b)将数据D加载到CNN模型的卷积层中，设置卷积核大小、通道数、步长对数据D进行卷积处理，卷积处理后形成数据D1；

c)将数据D加载到CNN模型的最大池化层中，设置池化核大小、步长对数据D进行池化处理，池化处理后产生数据D2；

d)将数据D1加载到CNN模型的激励层中，使用ReLU激励函数，通过公式将数据D1进行非线性变化，产生数据D3；

e)将数据D3加载到CNN模型的批量归一化层，通过公式计算均值uβ，式中m为输入的数据的总个数，通过公式计算标准差σ_β ²，通过公式对数据D3进行归一化处理，产生数据D4，式中ε为常数；

f)将数据D4加载到CNN模型的平均池化层，设置平均池化层池化核大小、步长对数据D4进行平均池化处理，池化处理后产生数据D5；

g)将数据D5及数据D2汇集加载到LSTM模型中，设置LSTM模型的输出维度及dropout，根据公式f_t＝σ(w_ifa_t+b_if+w_hfh_t-1+b_hf)计算t时刻的Forget gate忘记的信息内容f_t，式中σ为sigmoid激活函数，w_if为输入层和忘记门的权值，a_t为t时刻输入数据，b_if为输入层和忘记门的偏移，w_hf为隐藏层和忘记门的权值，h_t-1为t-1时刻隐藏层数据，b_hf为隐藏层和忘记门的偏移，通过公式i_t＝(w_iia_t+b_ii+w_hih_t-1+b_hi)计算t时刻的Input gate保留的信息内容i_t，式中w_ii是输入层和输入门的权值，b_ii为输入层和输入门的偏移，w_hi为隐藏层和输入门的权值，b_hi为隐藏层和输入门的偏移，通过公式gt＝tanh(W_iga_t+b_ig+w_hgh_t-1+b_hg)计算t时刻的的更新内容gt，式中W_ig为输入层和保留信息门的权值，b_ig为输入层和信息保留门的偏移，w_hg为输入层和保留信息门的权值，b_hg为隐藏层和保留信息门的偏移，Forget gate忘记的信息内容f_t与Input gate保留的信息内容i_t与更新内容gt组合产生数据D6；

h)将数据D6加载到LSTM模型的全连接层进行分类，使用softmax分类器，设置输入维度和输出维度，通过公式计算通过soft max激活函数计算的分类结果soft max(Z_j)，式中Z_j为LSTM网络输出结果的第j个位置的数据，e为自然常数；

i)使用交叉熵损失函数计算分类结果soft max(Z_j)的损失，如果损失小于阀值y则跳转至步骤k)，如果损失大于阀值y则跳转至步骤j)；

j)使用Adam优化算法优化CNN及LSTM模型参数，如果CNN及LSTM模型已经收敛则跳转至步骤k)，如果CNN及LSTM模型没有收敛，则跳转至步骤a)；

k)保存模型参数，运行结束。

优选的，步骤a)中M为300，房颤信号数据以频率300Hz为标准进行切分，形成5s一段的数据D。

优选的，步骤b)中卷积核大小为10，通道数为10，步长为2。

优选的，步骤c)中池化核大小为18，步长为4。

优选的，步骤b)与步骤c)并行进行。

优选的，步骤f)中池化核大小为2、步长为2。

优选的，步骤g)中数据D5及数据D2汇集后加载到Keras框架封装的LSTM模型中。

优选的，步骤g)中的LSTM模型的输出维度为100，dropout为0.1。

优选的，步骤h)输入维度为100、输出维度为4。

优选的，阀值y为0.1。

本发明的有益效果是：通过将数据房颤信号数据加载到跳跃连接的CNN模型中，经过卷积、最大池化、激励、归一化、平均池化操作，进行特征提取，之后将特征提取完成的数据加载到LTSM模型中进行学习，最终达到对房颤信号分类的目的，分类的信号精确、高效。

附图说明

图1为本发明的模型方法流程图。

具体实施方式

下面结合附图1对本发明做进一步说明。

一种基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，包括如下步骤：

a)将房颤信号数据以频率MHz为标准进行切分，形成Ns一段的数据D，将数据D传入跳跃连接的CNN模型中；

b)将数据D加载到CNN模型的卷积层中，设置卷积核大小、通道数、步长对数据D进行卷积处理，卷积处理后形成数据D1；

c)将数据D加载到CNN模型的最大池化层中，设置池化核大小、步长对数据D进行池化处理，池化处理后产生数据D2；

d)将数据D1加载到CNN模型的激励层中，使用ReLU激励函数，通过公式将数据D1进行非线性变化，产生数据D3；

e)将数据D3加载到CNN模型的批量归一化层，通过公式计算均值uβ，式中m为输入的数据的总个数，通过公式计算标准差σ_β ²，通过公式对数据D3进行归一化处理，产生数据D4，式中ε为常数；

f)将数据D4加载到CNN模型的平均池化层，设置平均池化层池化核大小、步长对数据D4进行平均池化处理，池化处理后产生数据D5；

g)将数据D5及数据D2汇集加载到LSTM模型中，设置LSTM模型的输出维度及dropout，根据公式f_t＝σ(w_ifa_t+b_if+w_hfh_t-1+b_hf)计算t时刻的Forget gate忘记的信息内容f_t，式中σ为sigmoid激活函数，w_if为输入层和忘记门的权值，a_t为t时刻输入数据，b_if为输入层和忘记门的偏移，w_hf为隐藏层和忘记门的权值，h_t-1为t-1时刻隐藏层数据，b_hf为隐藏层和忘记门的偏移，通过公式i_t＝(w_iia_t+b_ii+w_hih_t-1+b_hi)计算t时刻的Input gate保留的信息内容i_t，式中w_ii是输入层和输入门的权值，b_ii为输入层和输入门的偏移，w_hi为隐藏层和输入门的权值，b_hi为隐藏层和输入门的偏移，通过公式gt＝tanh(W_iga_t+b_ig+w_hgh_t-1+b_hg)计算t时刻的的更新内容gt，式中W_ig为输入层和保留信息门的权值，b_ig为输入层和信息保留门的偏移，w_hg为输入层和保留信息门的权值，b_hg为隐藏层和保留信息门的偏移，Forget gate忘记的信息内容f_t与Input gate保留的信息内容i_t与更新内容gt组合产生数据D6；

h)将数据D6加载到LSTM模型的全连接层进行分类，使用soft max分类器，设置输入维度和输出维度，通过公式计算通过soft max激活函数计算的分类结果soft max(Z_j)，式中Z_j为LSTM网络输出结果的第j个位置的数据，e为自然常数；

i)使用交叉熵损失函数计算分类结果soft max(Z_j)的损失，如果损失小于阀值y则跳转至步骤k)，如果损失大于阀值y则跳转至步骤j)；

j)使用Adam优化算法优化CNN及LSTM模型参数，如果CNN及LSTM模型已经收敛则跳转至步骤k)，如果CNN及LSTM模型没有收敛，则跳转至步骤a)；

k)保存模型参数，运行结束。

通过将数据房颤信号数据加载到跳跃连接的CNN模型中，经过卷积、最大池化、激励、归一化、平均池化操作，进行特征提取，之后将特征提取完成的数据加载到LTSM模型中进行学习，最终达到对房颤信号分类的目的，分类的信号精确、高效。

实施例1：

进一步的，步骤a)中M为300，房颤信号数据以频率300Hz为标准进行切分，形成5s一段的数据D。

实施例2：

进一步的，步骤b)中卷积核大小为10，通道数为10，步长为2。

实施例3：

进一步的，步骤c)中池化核大小为18，步长为4。

实施例4：

进一步的，步骤b)与步骤c)并行进行。

实施例5：

进一步的，步骤f)中池化核大小为2、步长为2。

实施例6：

进一步的，步骤g)中数据D5及数据D2汇集后加载到Keras框架封装的LSTM模型中。

实施例7：

进一步的，步骤g)中的LSTM模型的输出维度为100，dropout为0.1。

实施例8：

进一步的，步骤h)输入维度为100、输出维度为4。

实施例9：

阀值y为0.1。

Claims (10)

1.一种基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，其特征在于，包括如下步骤：

a)将房颤信号数据以频率MHz为标准进行切分，形成Ns一段的数据D，将数据D传入跳跃连接的CNN模型中；

b)将数据D加载到CNN模型的卷积层中，设置卷积核大小、通道数、步长对数据D进行卷积处理，卷积处理后形成数据D1；

c)将数据D加载到CNN模型的最大池化层中，设置池化核大小、步长对数据D进行池化处理，池化处理后产生数据D2；

d)将数据D1加载到CNN模型的激励层中，使用ReLU激励函数，通过公式将数据D1进行非线性变化，产生数据D3；

e)将数据D3加载到CNN模型的批量归一化层，通过公式计算均值uβ，式中m为输入的数据的总个数，通过公式计算标准差σ_β ²，通过公式对数据D3进行归一化处理，产生数据D4，式中ε为常数；

f)将数据D4加载到CNN模型的平均池化层，设置平均池化层池化核大小、步长对数据D4进行平均池化处理，池化处理后产生数据D5；

g)将数据D5及数据D2汇集加载到LSTM模型中，设置LSTM模型的输出维度及dropout，根据公式f_t＝σ(w_ifa_t+b_if+w_hfh_t-1+b_hf)计算t时刻的Forget gate忘记的信息内容f_t，式中σ为sigmoid激活函数，w_if为输入层和忘记门的权值，a_t为t时刻输入数据，b_if为输入层和忘记门的偏移，w_hf为隐藏层和忘记门的权值，h_t-1为t-1时刻隐藏层数据，b_hf为隐藏层和忘记门的偏移，通过公式i_t＝(w_iia_t+b_ii+w_hih_t-1+b_hi)计算t时刻的Input gate保留的信息内容i_t，式中w_ii是输入层和输入门的权值，b_ii为输入层和输入门的偏移，w_hi为隐藏层和输入门的权值，b_hi为隐藏层和输入门的偏移，通过公式gt＝tanh(W_iga_t+b_ig+w_hgh_t-1+b_hg)计算t时刻的的更新内容gt，式中W_ig为输入层和保留信息门的权值，b_ig为输入层和信息保留门的偏移，w_hg为输入层和保留信息门的权值，b_hg为隐藏层和保留信息门的偏移，Forget gate忘记的信息内容f_t与Input gate保留的信息内容i_t与更新内容gt组合产生数据D6；

h)将数据D6加载到LSTM模型的全连接层进行分类，使用softmax分类器，设置输入维度和输出维度，通过公式计算通过softmax激活函数计算的分类结果softmax(Z_j)，式中Z_j为LSTM网络输出结果的第j个位置的数据，e为自然常数；

i)使用交叉熵损失函数计算分类结果softmax(Z_j)的损失，如果损失小于阀值y则跳转至步骤k)，如果损失大于阀值y则跳转至步骤j)；

j)使用Adam优化算法优化CNN及LSTM模型参数，如果CNN及LSTM模型已经收敛则跳转至步骤k)，如果CNN及LSTM模型没有收敛，则跳转至步骤a)；

k)保存模型参数，运行结束。

2.根据权利要求1所述的基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，其特征在于：步骤a)中M为300，房颤信号数据以频率300Hz为标准进行切分，形成5s一段的数据D。

3.根据权利要求1所述的基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，其特征在于：步骤b)中卷积核大小为10，通道数为10，步长为2。

4.根据权利要求1所述的基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，其特征在于：步骤c)中池化核大小为18，步长为4。

5.根据权利要求1所述的基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，其特征在于：步骤b)与步骤c)并行进行。

6.根据权利要求1所述的基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，其特征在于：步骤f)中池化核大小为2、步长为2。

7.根据权利要求1所述的基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，其特征在于：步骤g)中数据D5及数据D2汇集后加载到Keras框架封装的LSTM模型中。

8.根据权利要求1所述的基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，其特征在于：步骤g)中的LSTM模型的输出维度为100，dropout为0.1。

9.根据权利要求1所述的基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，其特征在于：步骤h)输入维度为100、输出维度为4。

10.根据权利要求1所述的基于跳跃连接的CNN与LSTM结合的房颤信号分类方法，其特征在于：阀值y为0.1。