CN116919414A - 基于多尺度卷积和密集连接网络的心电信号质量评估方法 - Google Patents
基于多尺度卷积和密集连接网络的心电信号质量评估方法 Download PDFInfo
- Publication number
- CN116919414A CN116919414A CN202310822941.2A CN202310822941A CN116919414A CN 116919414 A CN116919414 A CN 116919414A CN 202310822941 A CN202310822941 A CN 202310822941A CN 116919414 A CN116919414 A CN 116919414A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- characteristic signal
- electrocardiosignal
- dense
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001303 quality assessment method Methods 0.000 title abstract description 5
- 239000012634 fragment Substances 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000013441 quality evaluation Methods 0.000 claims abstract description 25
- 238000013145 classification model Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000004913 activation Effects 0.000 claims description 71
- 101100290371 Schizosaccharomyces pombe (strain 972 / ATCC 24843) pca1 gene Proteins 0.000 claims description 51
- 238000010606 normalization Methods 0.000 claims description 47
- 238000011176 pooling Methods 0.000 claims description 36
- 238000011156 evaluation Methods 0.000 claims description 13
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 52
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Animal Behavior & Ethology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Cardiology (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于多尺度卷积和密集连接网络的心电信号质量评估方法,涉及心电信号处理技术领域,首先对原始心电信号进行去除基线漂移和电力线干扰预处理;然后根据标签判断结果一致性原则和设置置信度原则,通过训练AlexNet模型对数据集中的错误标签进行相互标签修正,获得最终用于质量分类的心电信号片段。最后将信号片段送入改进的轻量化密集连接质量分类模型,实现心电信号片段的质量分类。满足了便携式或者可穿戴式信号进行实时质量评估的需求。
Description
技术领域
本发明涉及心电信号处理技术领域,具体涉及一种基于多尺度卷积和密集连接网络的心电信号质量评估方法。
背景技术
由于通过可穿戴式或便携式心电监测设备采集得到的心电信号的质量可能存在差异和不一致性,因此进行心电信号质量评估工作是具有重要意义的。现在所提出的大部分心电信号质量评估方法主要是关注对整个信号的质量进行评估,所述方法对于精确评估信号片段的质量以及提取局部信号的重要性特征方面具有一定的局限性;除此之外,目前用于质量评估的神经网络参数量和计算量很大,而便携式或者可穿戴式信号进行质量评估时,为了满足实时性的需求,我们需要构建一个轻量化模型。
发明内容
本发明为了克服以上技术的不足,提供了一种利用辅助标签实现信号片段的质量分类的方法。
本发明克服其技术问题所采用的技术方案是:
一种基于多尺度卷积和密集连接网络的心电信号质量评估方法,包括:
a)获取数据集中n条原始心电信号及每个心电信号对应的标签,得到原始心电信号集S,S={s1,s2,...,sk,...,sn},sk为第k条心电信号,k∈{1,2,...,n},第k条心电信号sk对应的标签为lk,心电信号标签集为L,L={l1,l2,...,lk,...,ln};
b)对第k条心电信号sk进行预处理操作,去除心电信号sk中的基线漂移和电力线干扰,得到预处理后的心电信号xk,预处理后的心电信号集合为X,X={x1,x2,...,xk,...,xn};
c)将预处理后的心电信号xk进行分割,得到i个心电信号片段i个心电信号片段/>对应的标签为/>分割后的信号片段集为Xseg,/>分割后的信号标签集为Lseg,
d)将信号片段集Xseg中的每个心电信号片段输入到训练后的AlexNet模型中,输出得到用于评估的心电信号片段集Xfinal;
e)建立改进的轻量化密集连接质量分类模型,将用于评估的心电信号片段集Xfinal中的心电信号片段输入到改进的轻量化密集连接质量分类模型中,输出得到分类结果。
优选的,步骤a)中数据集为BUTQDB数据集。
进一步的,步骤b)中使用阶数为4、截止频率为0.5Hz的高通滤波器去除第k条心电信号sk中的基线漂移,使用截止频率为49.1Hz和50.6Hz的陷波滤波器去除第k条心电信号sk中的电力线干扰,得到预处理后的心电信号xk。
优选的,步骤c)中按照1s的时间长度将预处理后的心电信号xk分割,得到i个心电信号片段
进一步的,步骤d)包括如下步骤:
d-1)将信号片段集Xseg及对应的分割后的信号标签集Lseg按1:1的比例划分为数据集A和数据集B,数据集A中的信号集为Xseg_A,数据集A中的标签集为Lseg_A,数据集B中的信号集为Xseg_B,数据集B中的标签集为Lseg_B;d-2)将信号集Xseg_A中的每个心电信号片段输入到AlexNet模型中,使用Adam优化器利用交叉熵损失LCE对AlexNet模型进行训练,得到优化后的模型AlexNet1′;
d-3)将信号集Xseg_B中的每个心电信号片段输入到AlexNet模型中,使用Adam优化器利用交叉熵损失LCE对AlexNet模型进行训练,得到优化后的模型AlexNet2″;
d-4)将信号集Xseg_B中的每个心电信号片段输入到优化后的模型AlexNet1′中,输出得到每个心电信号片段修正后的第一标签,如果标签集Lseg_B中每个心电信号片段原始标签与第一标签一致或标签集Lseg_B中每个心电信号片段原始标签与第一标签不一致但第一标签大于置信度Conthr,则保留该心电信号片段,Conthr=0.9,如果标签集Lseg_B中每个心电信号片段原始标签与第一标签不一致且第一标签小于置信度Conthr,则舍弃该心电信号片段,所有保留的心电信号片段构成保留信号片段集Xs′eg_1;
d-5)将信号集Xseg_A中的每个心电信号片段输入到优化后的模型AlexNet2″中,输出得到每个心电信号片段修正后的第二标签,如果标签集Lseg_A中每个心电信号片段原始标签与第二标签一致或标签集Lseg_A中每个心电信号片段原始标签与第二标签不一致但第二标签大于置信度Conthr,则保留该心电信号片段,如果标签集Lseg_A中每个心电信号片段原始标签与第二标签不一致且第二标签小于置信度Conthr,则舍弃该心电信号片段,所有保留的心电信号片段构成保留信号片段集X″seg_2;
d-6)通过公式Xfinal=X′seg_1+X″seg_2计算得到最终用于质量评估的心电信号片段集Xfinal。
进一步的,步骤d-2)中使用Adam优化器利用交叉熵损失LCE对AlexNet模型进行训练时批次大小设置为512;步骤d-3)中使用Adam优化器利用交叉熵损失LCE对AlexNet模型进行训练时批次大小设置为512。
进一步的,步骤e)包括如下步骤:
e-1)改进的轻量化密集连接质量分类模型由特征提取模块、分类模块构成,特征提取模块由第一多尺度通道注意力模块MCA1、第二多尺度通道注意力模块MCA2、第三多尺度通道注意力模块MCA3、第一多尺度特征密集连接模块MFD1、第二多尺度特征密集连接模块MFD2、第三多尺度特征密集连接模块MFD3构成,分类模块由线性层构成;
e-2)第一多尺度通道注意力模块MCA1由第一卷积单元、第二卷积单元、第三卷积单元、SE注意力模块、平均池化层构成,第一卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第二卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第三卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,将用于评估的心电信号片段集Xfinal中的心电信号片段输入到第一卷积单元中,输出得到浅层特征信号Xmca1_f0,将用于评估的心电信号片段集Xfinal中的心电信号片段输入到第二卷积单元中,输出得到浅层特征信号Xmca1_f1,将用于评估的心电信号片段集Xfinal中的心电信号片段输入到第三卷积单元中,输出得到浅层特征信号Xmca1_f2,将浅层特征信号Xmca1_f0、浅层特征信号Xmca1_f1、浅层特征信号Xmca1_f2拼接操作,得到特征信号Xmca1_f3,将特征信号Xmca1_f3输入到SE注意力模块中,输出得到重要特征信息Xmca1_fse,将重要特征信息Xmca1_fse输入到平均池化层中,得到特征信号Xmca1_f4;
e-3)第一多尺度特征密集连接模块MFD1由第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层、第五密集连接层、第六密集连接层构成,第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层、第五密集连接层、第六密集连接层均依次由第一批归一化层、第一Relu激活函数层、第一扩张卷积层、第一sigmoid激活函数层、第二批归一化层、第二Relu激活函数层、多尺度卷积层、第二sigmoid激活函数层构成,将特征信号Xmca1_f4输入到第一密集连接层中,输出得到特征信号Xmfd1_f1,将特征信号Xmca1_f4与特征信号Xmfd1_f1拼接操作后输入到第二密集连接层中,输出得到特征信号Xmfd1_f2,将特征信号Xmca1_f4、特征信号Xmfd1_f1、特征信号Xmfd1_f2拼接操作后输入到第三密集连接层中,输出得到特征信号Xmfd1_f3,将特征信号Xmca1_f4、特征信号Xmfd1_f1、特征信号Xmfd1_f2、特征信号Xmfd1_f3拼接操作后输入到第四密集连接层中,输出得到特征信号Xmfd1_f4,将特征信号Xmca1_f4、特征信号Xmfd1_f1、特征信号Xmfd1_f2、特征信号Xmfd1_f3、特征信号Xmfd1_f4拼接操作后输入到第五密集连接层中,输出得到特征信号Xmfd1_f5,将特征信号Xmca1_f4、特征信号Xmfd1_f1、特征信号Xmfd1_f2、特征信号Xmfd1_f3、特征信号Xmfd1_f4、特征信号Xmfd1_f5拼接操作后输入到第六密集连接层中,输出得到特征信号Xmfd1_f6;
e-4)第二多尺度通道注意力模块MCA2由第一卷积单元、第二卷积单元、第三卷积单元、SE注意力模块、平均池化层构成,第一卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第二卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第三卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,将特征信号Xmfd1_f6输入到第一卷积单元中,输出得到浅层特征信号Xmca2_f0,将特征信号Xmfd1_f6输入到第二卷积单元中,输出得到浅层特征信号Xmca2_f1,将特征信号Xmfd1_f6输入到第三卷积单元中,输出得到浅层特征信号Xmca2_f2,将浅层特征信号Xmca2_f0、浅层特征信号Xmca2_f1、浅层特征信号Xmca2_f2拼接操作,得到特征信号Xmca2_f3,将特征信号Xmca2_f3输入到SE注意力模块中,输出得到重要特征信息Xmca2_fse,将重要特征信息Xmca2_fse输入到平均池化层中,得到特征信号Xmca2_f4;
e-5)第二多尺度特征密集连接模块MFD2由第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层构成,第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层均依次由第一批归一化层、第一Relu激活函数层、第一扩张卷积层、第一sigmoid激活函数层、第二批归一化层、第二Relu激活函数层、多尺度卷积层、第二sigmoid激活函数层构成,将特征信号Xmca2_f4输入到第一密集连接层中,输出得到特征信号X′mfd2_f1,将特征信号Xmca2_f4与特征信号X′mfd2_f1拼接操作后输入到第二密集连接层中,输出得到特征信号X′mfd2_f2,将特征信号Xmca2_f4、特征信号X′mfd2_f1、特征信号X′mfd2_f2拼接操作后输入到第三密集连接层中,输出得到特征信号X′mfd2_f3,将特征信号Xmca2_f4、特征信号X′mfd2_f1、特征信号X′mfd2_f2、特征信号X′mfd2_f3拼接操作后输入到第四密集连接层中,输出得到特征信号X′mfd2_f4;
e-6)第三多尺度通道注意力模块MCA3由第一卷积单元、第二卷积单元、第三卷积单元、SE注意力模块、平均池化层构成,第一卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第二卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第三卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,将特征信号X′mfd2_f4输入到第一卷积单元中,输出得到浅层特征信号Xmfd3_f0,将特征信号X′mfd2_f4输入到第二卷积单元中,输出得到浅层特征信号Xmca3_f1,将特征信号X′mfd2_f4输入到第三卷积单元中,输出得到浅层特征信号Xmca3_f2,将浅层特征信号Xmca3_f0、浅层特征信号Xmca3_f1、浅层特征信号Xmca3_f2拼接操作,得到特征信号Xmca3_f3,将特征信号Xmca3_f3输入到SE注意力模块中,输出得到重要特征信息Xmca3_fse,将重要特征信息Xmca3_fse输入到平均池化层中,得到特征信号Xmca3_f4;
e-7)第三多尺度特征密集连接模块MFD3由第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层构成,第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层均依次由第一批归一化层、第一Relu激活函数层、第一扩张卷积层、第一sigmoid激活函数层、第二批归一化层、第二Relu激活函数层、多尺度卷积层、第二sigmoid激活函数层构成,将特征信号Xmca3_f4输入到第一密集连接层中,输出得到特征信号X″mfd3_f1,将特征信号Xmca3_f4与特征信号X″mfd3_f1拼接操作后输入到第二密集连接层中,输出得到特征信号X″mfd3_f2,将特征信号Xmca3_f4、特征信号X″mfd3_f1、特征信号X″mfd3_f2拼接操作后输入到第三密集连接层中,输出得到特征信号X″mfd3_f3,将特征信号Xmca3_f4、特征信号X″mfd3_f1、特征信号X″mfd3_f2、特征信号X″mfd3_f3拼接操作后输入到第四密集连接层中,输出得到特征信号X″mfd3_f4;
e-8)将特征信号X″mfd3_f4输入到改进的轻量化密集连接质量分类模型的分类模块中,输出得到分类结果,线性层的输出神经元的个数设置为3。
优选的,步骤e-2)中第一卷积单元的卷积层的卷积核大小为1×7、步长为3、通道数为16,第二卷积单元的卷积层的卷积核大小为1×5、步长为3、通道数为16,第三卷积单元的卷积层的卷积核大小为1×3、步长为3、通道数为16,平均池化层的池化核大小为1×2、步长为2;步骤e-3)中第一扩张卷积层的卷积核大小为1×1、通道数为16、膨胀率为2,多尺度卷积层依次由第二扩张卷积层、第三扩张卷积层、第四扩张卷积层构成,第二扩张卷积层的卷积核大小为1×3、通道数为8、膨胀率为1、步长为3,第三扩张卷积层的卷积核大小为1×5、通道数为8、填充为1、膨胀率为2、步长为3,第四扩张卷积层的卷积核大小为1×7、通道数为8、填充为1、膨胀率4、步长为3;步骤e-4)中第一卷积单元的卷积层的卷积核大小为1×7、步长为3、通道数为32,第二卷积单元的卷积层的卷积核大小为1×5、步长为3、通道数为32,第三卷积单元的卷积层的卷积核大小为1×3、步长为3、通道数为32,平均池化层的池化核大小为1×2、步长为2;步骤e-5)中第一扩张卷积层的卷积核大小为1×1、通道数为16、膨胀率为2,多尺度卷积层依次由第二扩张卷积层、第三扩张卷积层、第四扩张卷积层构成,第二扩张卷积层的卷积核大小为1×3、通道数为8、膨胀率为1、步长为3,第三扩张卷积层的卷积核大小为1×5、通道数为8、填充为1、膨胀率为2、步长为3,第四扩张卷积层的卷积核大小为1×7、通道数为8、填充为1、膨胀率4、步长为3;步骤e-6)中第一卷积单元的卷积层的卷积核大小为1×7、步长为3、通道数为64,第二卷积单元的卷积层的卷积核大小为1×5、步长为3、通道数为64,第三卷积单元的卷积层的卷积核大小为1×3、步长为3、通道数为64,平均池化层的池化核大小为1×2、步长为2;步骤e-7)中第一扩张卷积层的卷积核大小为1×1、通道数为16、膨胀率为2,多尺度卷积层依次由第二扩张卷积层、第三扩张卷积层、第四扩张卷积层构成,第二扩张卷积层的卷积核大小为1×3、通道数为8、膨胀率为1、步长为3,第三扩张卷积层的卷积核大小为1×5、通道数为8、填充为1、膨胀率为2、步长为3,第四扩张卷积层的卷积核大小为1×7、通道数为8、填充为1、膨胀率4、步长为3。
进一步的,还包括在步骤e)之后通过反向传播算法利用交叉熵损失函数对改进的轻量化密集连接质量分类模型进行训练。
优选的,对改进的轻量化密集连接质量分类模型进行训练时设置初始Growthrate为8,批次大小设置为512。
本发明的有益效果是:首先对原始心电信号进行去除基线漂移和电力线干扰预处理;然后根据标签判断结果一致性原则和设置置信度原则,通过训练AlexNet模型对数据集中的错误标签进行相互标签修正,获得最终用于质量分类的心电信号片段。最后将信号片段送入改进的轻量化密集连接质量分类模型,实现心电信号片段的质量分类。通过构建改进的轻量化密集连接质量分类模型来实现心电信号质量评估,能够有效的评估局部信号的质量,避免因为信号某处存在噪声而舍去整条心电信号;并且所提出的模型在参数量和浮点计算量均最少的前提下,达到相对最好的性能,满足了便携式或者可穿戴式信号进行实时质量评估的需求。
附图说明
图1为本发明的方法流程图;
图2为本发明的MCA模块及MFD模块结构图。
具体实施方式
下面结合附图1、附图2对本发明做进一步说明。
一种基于多尺度卷积和密集连接网络的心电信号质量评估方法,包括:
a)获取数据集中n条原始心电信号及每个心电信号对应的标签,得到原始心电信号集S,S={s1,s2,...,sk,...,sn},sk为第k条心电信号,k∈{1,2,...,n},第k条心电信号sk对应的标签为lk,心电信号标签集为L,L={l1,l2,...,lk,...,ln}。
b)对第k条心电信号sk进行预处理操作,去除心电信号sk中的基线漂移和电力线干扰,得到预处理后的心电信号xk,预处理后的心电信号集合为X,X={x1,x2,...,xk,...,xn}。
c)将预处理后的心电信号xk进行分割,得到i个心电信号片段i个心电信号片段/>对应的标签为/>分割后的信号片段集为Xseg,/>分割后的信号标签集为Lseg,
d)将信号片段集Xseg中的每个心电信号片段输入到训练后的AlexNet模型中,输出得到用于评估的心电信号片段集Xfinal。
e)建立改进的轻量化密集连接质量分类模型,将用于评估的心电信号片段集Xfinal中的心电信号片段输入到改进的轻量化密集连接质量分类模型中,输出得到分类结果。
本发明结合深度学习算法提出了一种基于多尺度和密集连接网络的心电信号质量评估方法。首先为了能够为后续信号分析提供更多可供判读的有效记录,对原始心电信号进行去除基线漂移和电力线干扰预处理;其次利用训练的AlexNet模型对分割后标签有误的心电片段进行标签修正;然后将经过标签修正的信号片段送入改进的轻量化密集连接质量分类模型,实现对心电信号片段的质量评估。
实施例1:
步骤a)中数据集为BUTQDB数据集(Brno University of Technology ECGQuality Database)。
实施例2:
步骤b)中使用阶数为4、截止频率为0.5Hz的高通滤波器去除第k条心电信号sk中的基线漂移,使用截止频率为49.1Hz和50.6Hz的陷波滤波器去除第k条心电信号sk中的电力线干扰,得到预处理后的心电信号xk。
实施例3:
步骤c)中按照1s的时间长度将预处理后的心电信号xk分割,得到i个心电信号片段
实施例4:
步骤d)包括如下步骤:
d-1)将信号片段集Xseg及对应的分割后的信号标签集Lseg按1:1的比例划分为数据集A和数据集B,数据集A中的信号集为Xseg_A,数据集A中的标签集为Lseg_A,数据集B中的信号集为Xseg_B,数据集B中的标签集为Lseg_B。d-2)将信号集Xseg_A中的每个心电信号片段输入到AlexNet模型中,使用Adam优化器利用交叉熵损失LCE对AlexNet模型进行训练,得到优化后的模型AlexNet1′。
d-3)将信号集Xseg_B中的每个心电信号片段输入到AlexNet模型中,使用Adam优化器利用交叉熵损失LCE对AlexNet模型进行训练,得到优化后的模型AlexNet2″。
d-4)将信号集Xseg_B中的每个心电信号片段输入到优化后的模型AlexNet1′中,输出得到每个心电信号片段修正后的第一标签,如果标签集Lseg_B中每个心电信号片段原始标签与第一标签一致或标签集Lseg_B中每个心电信号片段原始标签与第一标签不一致但第一标签大于置信度Conthr,则保留该心电信号片段,Conthr=0.9,如果标签集Lseg_B中每个心电信号片段原始标签与第一标签不一致且第一标签小于置信度Conthr,则舍弃该心电信号片段,所有保留的心电信号片段构成保留信号片段集X′seg_1。
d-5)将信号集Xseg_A中的每个心电信号片段输入到优化后的模型AlexNet2″中,输出得到每个心电信号片段修正后的第二标签,如果标签集Lseg_A中每个心电信号片段原始标签与第二标签一致或标签集Lseg_A中每个心电信号片段原始标签与第二标签不一致但第二标签大于置信度Conthr,则保留该心电信号片段,如果标签集Lseg_A中每个心电信号片段原始标签与第二标签不一致且第二标签小于置信度Conthr,则舍弃该心电信号片段,所有保留的心电信号片段构成保留信号片段集X″seg_2。
d-6)通过公式Xfinal=X′seg_1+X″seg_2计算得到最终用于质量评估的心电信号片段集Xfinal。
实施例5:
步骤d-2)中使用Adam优化器利用交叉熵损失LCE对AlexNet模型进行训练时批次大小设置为512;步骤d-3)中使用Adam优化器利用交叉熵损失LCE对AlexNet模型进行训练时批次大小设置为512。
实施例6:
步骤e)包括如下步骤:
e-1)改进的轻量化密集连接质量分类模型由特征提取模块、分类模块构成,特征提取模块由第一多尺度通道注意力模块MCA1、第二多尺度通道注意力模块MCA2、第三多尺度通道注意力模块MCA3、第一多尺度特征密集连接模块MFD1、第二多尺度特征密集连接模块MFD2、第三多尺度特征密集连接模块MFD3构成,分类模块由线性层构成。
e-2)第一多尺度通道注意力模块MCA1由第一卷积单元、第二卷积单元、第三卷积单元、SE注意力模块、平均池化层构成,第一卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第二卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第三卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,将用于评估的心电信号片段集Xfinal中的心电信号片段输入到第一卷积单元中,输出得到浅层特征信号Xmca1_f0,将用于评估的心电信号片段集Xfinal中的心电信号片段输入到第二卷积单元中,输出得到浅层特征信号Xmca1_f1,将用于评估的心电信号片段集Xfinal中的心电信号片段输入到第三卷积单元中,输出得到浅层特征信号Xmca1_f2,将浅层特征信号Xmca1_f0、浅层特征信号Xmca1_f1、浅层特征信号Xmca1_f2拼接操作,得到特征信号Xmca1_f3,将特征信号Xmca1_f3输入到SE注意力模块中,输出得到重要特征信息Xmca1_fse,将重要特征信息Xmca1_fse输入到平均池化层中进行下采样,得到特征信号Xmca1_f4。
e-3)第一多尺度特征密集连接模块MFD1由第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层、第五密集连接层、第六密集连接层构成,第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层、第五密集连接层、第六密集连接层均依次由第一批归一化层、第一Relu激活函数层、第一扩张卷积层、第一sigmoid激活函数层、第二批归一化层、第二Relu激活函数层、多尺度卷积层、第二sigmoid激活函数层构成,将特征信号Xmca1_f4输入到第一密集连接层中,输出得到特征信号Xmfd1_f1,将特征信号Xmca1_f4与特征信号Xmfd1_f1拼接操作后输入到第二密集连接层中,输出得到特征信号Xmfd1_f2,将特征信号Xmca1_f4、特征信号Xmfd1_f1、特征信号Xmfd1_f2拼接操作后输入到第三密集连接层中,输出得到特征信号Xmfd1_f3,将特征信号Xmca1_f4、特征信号Xmfd1_f1、特征信号Xmfd1_f2、特征信号Xmfd1_f3拼接操作后输入到第四密集连接层中,输出得到特征信号Xmfd1_f4,将特征信号Xmca1_f4、特征信号Xmfd1_f1、特征信号Xmfd1_f2、特征信号Xmfd1_f3、特征信号Xmfd1_f4拼接操作后输入到第五密集连接层中,输出得到特征信号Xmfd1_f5,将特征信号Xmca1_f4、特征信号Xmfd1_f1、特征信号Xmfd1_f2、特征信号Xmfd1_f3、特征信号Xmfd1_f4、特征信号Xmfd1_f5拼接操作后输入到第六密集连接层中,输出得到特征信号Xmfd1_f6。心电信号分别经过第一sigmoid激活函数层和第二sigmoid激活函数层进行特征权值标定之后,能够提取重要的波形特征。
e-4)第二多尺度通道注意力模块MCA2由第一卷积单元、第二卷积单元、第三卷积单元、SE注意力模块、平均池化层构成,第一卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第二卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第三卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,将特征信号Xmfd1_f6输入到第一卷积单元中,输出得到浅层特征信号Xmca2_f0,将特征信号Xmfd1_f6输入到第二卷积单元中,输出得到浅层特征信号Xmca2_f1,将特征信号Xmfd1_f6输入到第三卷积单元中,输出得到浅层特征信号Xmca2_f2,将浅层特征信号Xmca2_f0、浅层特征信号Xmca2_f1、浅层特征信号Xmca2_f2拼接操作,得到特征信号Xmca2_f3,将特征信号Xmca2_f3输入到SE注意力模块中,输出得到重要特征信息Xmca2_fse,将重要特征信息Xmca2_fse输入到平均池化层中进行下采样,得到特征信号Xmca2_f4。
e-5)第二多尺度特征密集连接模块MFD2由第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层构成,第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层均依次由第一批归一化层、第一Relu激活函数层、第一扩张卷积层、第一sigmoid激活函数层、第二批归一化层、第二Relu激活函数层、多尺度卷积层、第二sigmoid激活函数层构成,将特征信号Xmca2_f4输入到第一密集连接层中,输出得到特征信号X′mfd2_f1,将特征信号Xmca2_f4与特征信号X′mfd2_f1拼接操作后输入到第二密集连接层中,输出得到特征信号X′mfd2_f2,将特征信号Xmca2_f4、特征信号X′mfd2_f1、特征信号X′mfd2_f2拼接操作后输入到第三密集连接层中,输出得到特征信号X′mfd2_f3,将特征信号Xmca2_f4、特征信号X′mfd2_f1、特征信号X′mfd2_f2、特征信号X′mfd2_f3拼接操作后输入到第四密集连接层中,输出得到特征信号X′mfd2_f4。心电信号分别经过第一sigmoid激活函数层和第二sigmoid激活函数层进行特征权值标定之后,能够提取重要的波形特征。
e-6)第三多尺度通道注意力模块MCA3由第一卷积单元、第二卷积单元、第三卷积单元、SE注意力模块、平均池化层构成,第一卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第二卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第三卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,将特征信号X′mfd2_f4输入到第一卷积单元中,输出得到浅层特征信号Xmfd3_f0,将特征信号X′mfd2_f4输入到第二卷积单元中,输出得到浅层特征信号Xmca3_f1,将特征信号X′mfd2_f4输入到第三卷积单元中,输出得到浅层特征信号Xmca3_f2,将浅层特征信号Xmca3_f0、浅层特征信号Xmca3_f1、浅层特征信号Xmca3_f2拼接操作,得到特征信号Xmca3_f3,将特征信号Xmca3_f3输入到SE注意力模块中,输出得到重要特征信息Xmca3_fse,将重要特征信息Xmca3_fse输入到平均池化层中进行下采样,得到特征信号Xmca3_f4。
e-7)第三多尺度特征密集连接模块MFD3由第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层构成,第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层均依次由第一批归一化层、第一Relu激活函数层、第一扩张卷积层、第一sigmoid激活函数层、第二批归一化层、第二Relu激活函数层、多尺度卷积层、第二sigmoid激活函数层构成,将特征信号Xmca3_f4输入到第一密集连接层中,输出得到特征信号X″mfd3_f1,将特征信号Xmca3_f4与特征信号X″mfd3_f1拼接操作后输入到第二密集连接层中,输出得到特征信号X″mfd3_f2,将特征信号Xmca3_f4、特征信号X″mfd3_f1、特征信号X″mfd3_f2拼接操作后输入到第三密集连接层中,输出得到特征信号X″mfd3_f3,将特征信号Xmca3_f4、特征信号X″mfd3_f1、特征信号X″mfd3_f2、特征信号X″mfd3_f3拼接操作后输入到第四密集连接层中,输出得到特征信号X″mfd3_f4。心电信号分别经过第一sigmoid激活函数层和第二sigmoid激活函数层进行特征权值标定之后,能够提取重要的波形特征。
e-8)将特征信号X″mfd3_f4输入到改进的轻量化密集连接质量分类模型的分类模块中,输出得到分类结果,线性层的输出神经元的个数设置为3(神经元个数为类别数)。
在该实施例中,优选的,步骤e-2)中第一卷积单元的卷积层的卷积核大小为1×7、步长为3、通道数为16,第二卷积单元的卷积层的卷积核大小为1×5、步长为3、通道数为16,第三卷积单元的卷积层的卷积核大小为1×3、步长为3、通道数为16,平均池化层的池化核大小为1×2、步长为2;步骤e-3)中第一扩张卷积层的卷积核大小为1×1、通道数为16、膨胀率为2,多尺度卷积层依次由第二扩张卷积层、第三扩张卷积层、第四扩张卷积层构成,第二扩张卷积层的卷积核大小为1×3、通道数为8、膨胀率为1、步长为3,第三扩张卷积层的卷积核大小为1×5、通道数为8、填充为1、膨胀率为2、步长为3,第四扩张卷积层的卷积核大小为1×7、通道数为8、填充为1、膨胀率4、步长为3;步骤e-4)中第一卷积单元的卷积层的卷积核大小为1×7、步长为3、通道数为32,第二卷积单元的卷积层的卷积核大小为1×5、步长为3、通道数为32,第三卷积单元的卷积层的卷积核大小为1×3、步长为3、通道数为32,平均池化层的池化核大小为1×2、步长为2;步骤e-5)中第一扩张卷积层的卷积核大小为1×1、通道数为16、膨胀率为2,多尺度卷积层依次由第二扩张卷积层、第三扩张卷积层、第四扩张卷积层构成,第二扩张卷积层的卷积核大小为1×3、通道数为8、膨胀率为1、步长为3,第三扩张卷积层的卷积核大小为1×5、通道数为8、填充为1、膨胀率为2、步长为3,第四扩张卷积层的卷积核大小为1×7、通道数为8、填充为1、膨胀率4、步长为3;步骤e-6)中第一卷积单元的卷积层的卷积核大小为1×7、步长为3、通道数为64,第二卷积单元的卷积层的卷积核大小为1×5、步长为3、通道数为64,第三卷积单元的卷积层的卷积核大小为1×3、步长为3、通道数为64,平均池化层的池化核大小为1×2、步长为2;步骤e-7)中第一扩张卷积层的卷积核大小为1×1、通道数为16、膨胀率为2,多尺度卷积层依次由第二扩张卷积层、第三扩张卷积层、第四扩张卷积层构成,第二扩张卷积层的卷积核大小为1×3、通道数为8、膨胀率为1、步长为3,第三扩张卷积层的卷积核大小为1×5、通道数为8、填充为1、膨胀率为2、步长为3,第四扩张卷积层的卷积核大小为1×7、通道数为8、填充为1、膨胀率4、步长为3。
实施例7:
还包括在步骤e)之后通过反向传播算法利用交叉熵损失函数对改进的轻量化密集连接质量分类模型进行训练。
在该实施例中,优选的,对改进的轻量化密集连接质量分类模型进行训练时设置初始Growth rate为8,批次大小设置为512。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多尺度卷积和密集连接网络的心电信号质量评估方法,其特征在于,包括:
a)获取数据集中n条原始心电信号及每个心电信号对应的标签,得到原始心电信号集S,S={s1,s2,...,sk,...,sn},sk为第k条心电信号,k∈{1,2,...,n},第k条心电信号sk对应的标签为lk,心电信号标签集为L,L={l1,l2,...,lk,...,ln};
b)对第k条心电信号sk进行预处理操作,去除心电信号sk中的基线漂移和电力线干扰,得到预处理后的心电信号xk,预处理后的心电信号集合为X,X={x1,x2,...,xk,...,xn};
c)将预处理后的心电信号xk进行分割,得到i个心电信号片段i个心电信号片段/>对应的标签为/>分割后的信号片段集为Xseg,分割后的信号标签集为Lseg,
d)将信号片段集Xseg中的每个心电信号片段输入到训练后的AlexNet模型中,输出得到用于评估的心电信号片段集Xfinal;
e)建立改进的轻量化密集连接质量分类模型,将用于评估的心电信号片段集Xfinal中的心电信号片段输入到改进的轻量化密集连接质量分类模型中,输出得到分类结果。
2.根据权利要求1所述的基于多尺度卷积和密集连接网络的心电信号质量评估方法,其特征在于:步骤a)中数据集为BUTQDB数据集。
3.根据权利要求1所述的基于多尺度卷积和密集连接网络的心电信号质量评估方法,其特征在于:步骤b)中使用阶数为4、截止频率为0.5Hz的高通滤波器去除第k条心电信号sk中的基线漂移,使用截止频率为49.1Hz和50.6Hz的陷波滤波器去除第k条心电信号sk中的电力线干扰,得到预处理后的心电信号xk。
4.根据权利要求1所述的基于多尺度卷积和密集连接网络的心电信号质量评估方法,其特征在于:步骤c)中按照1s的时间长度将预处理后的心电信号xk分割,得到i个心电信号片段
5.根据权利要求1所述的基于多尺度卷积和密集连接网络的心电信号质量评估方法,其特征在于,步骤d)包括如下步骤:
d-1)将信号片段集Xseg及对应的分割后的信号标签集Lseg按1:1的比例划分为数据集A和数据集B,数据集A中的信号集为Xseg_A,数据集A中的标签集为Lseg_A,数据集B中的信号集为Xseg_B,数据集B中的标签集为Lseg_B;
d-2)将信号集Xseg_A中的每个心电信号片段输入到AlexNet模型中,使用Adam优化器利用交叉熵损失LCE对AlexNet模型进行训练,得到优化后的模型AlexNet1′;
d-3)将信号集Xseg_B中的每个心电信号片段输入到AlexNet模型中,使用Adam优化器利用交叉熵损失LCE对AlexNet模型进行训练,得到优化后的模型AlexNet2″;
d-4)将信号集Xseg_B中的每个心电信号片段输入到优化后的模型AlexNet1′中,输出得到每个心电信号片段修正后的第一标签,如果标签集Lseg_B中每个心电信号片段原始标签与第一标签一致或标签集Lseg_B中每个心电信号片段原始标签与第一标签不一致但第一标签大于置信度Conthr,则保留该心电信号片段,Conthr=0.9,如果标签集Lseg_B中每个心电信号片段原始标签与第一标签不一致且第一标签小于置信度Conthr,则舍弃该心电信号片段,所有保留的心电信号片段构成保留信号片段集X′seg_1;
d-5)将信号集Xseg_A中的每个心电信号片段输入到优化后的模型AlexNet2″中,输出得到每个心电信号片段修正后的第二标签,如果标签集Lseg_A中每个心电信号片段原始标签与第二标签一致或标签集Lseg_A中每个心电信号片段原始标签与第二标签不一致但第二标签大于置信度Conthr,则保留该心电信号片段,如果标签集Lseg_A中每个心电信号片段原始标签与第二标签不一致且第二标签小于置信度Conthr,则舍弃该心电信号片段,所有保留的心电信号片段构成保留信号片段集X″seg_2;
d-6)通过公式Xfinal=X′seg_1+X″seg_2计算得到最终用于质量评估的心电信号片段集Xfinal。
6.根据权利要求5所述的基于多尺度卷积和密集连接网络的心电信号质量评估方法,其特征在于:步骤d-2)中使用Adam优化器利用交叉熵损失LCE对AlexNet模型进行训练时批次大小设置为512;步骤d-3)中使用Adam优化器利用交叉熵损失LCE对AlexNet模型进行训练时批次大小设置为512。
7.根据权利要求1所述的基于多尺度卷积和密集连接网络的心电信号质量评估方法,其特征在于,步骤e)包括如下步骤:
e-1)改进的轻量化密集连接质量分类模型由特征提取模块、分类模块构成,特征提取模块由第一多尺度通道注意力模块MCA1、第二多尺度通道注意力模块MCA2、第三多尺度通道注意力模块MCA3、第一多尺度特征密集连接模块MFD1、第二多尺度特征密集连接模块MFD2、第三多尺度特征密集连接模块MFD3构成,分类模块由线性层构成;
e-2)第一多尺度通道注意力模块MCA1由第一卷积单元、第二卷积单元、第三卷积单元、SE注意力模块、平均池化层构成,第一卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第二卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第三卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,将用于评估的心电信号片段集Xfinal中的心电信号片段输入到第一卷积单元中,输出得到浅层特征信号Xmca1_f0,将用于评估的心电信号片段集Xfinal中的心电信号片段输入到第二卷积单元中,输出得到浅层特征信号Xmca1_f1,将用于评估的心电信号片段集Xfinal中的心电信号片段输入到第三卷积单元中,输出得到浅层特征信号Xmca1_f2,将浅层特征信号Xmca1_f0、浅层特征信号Xmca1_f1、浅层特征信号Xmca1_f2拼接操作,得到特征信号Xmca1_f3,将特征信号Xmca1_f3输入到SE注意力模块中,输出得到重要特征信息Xmca1_fse,将重要特征信息Xmca1_fse输入到平均池化层中,得到特征信号Xmca1_f4;
e-3)第一多尺度特征密集连接模块MFD1由第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层、第五密集连接层、第六密集连接层构成,第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层、第五密集连接层、第六密集连接层均依次由第一批归一化层、第一Relu激活函数层、第一扩张卷积层、第一sigmoid激活函数层、第二批归一化层、第二Relu激活函数层、多尺度卷积层、第二sigmoid激活函数层构成,将特征信号Xmca1_f4输入到第一密集连接层中,输出得到特征信号Xmfd1_f1,将特征信号Xmca1_f4与特征信号Xmfd1_f1拼接操作后输入到第二密集连接层中,输出得到特征信号Xmfd1_f2,将特征信号Xmca1_f4、特征信号Xmfd1_f1、特征信号Xmfd1_f2拼接操作后输入到第三密集连接层中,输出得到特征信号Xmfd1_f3,将特征信号Xmca1_f4、特征信号Xmfd1_f1、特征信号Xmfd1_f2、特征信号Xmfd1_f3拼接操作后输入到第四密集连接层中,输出得到特征信号Xmfd1_f4,将特征信号Xmca1_f4、特征信号Xmfd1_f1、特征信号Xmfd1_f2、特征信号Xmfd1_f3、特征信号Xmfd1_f4拼接操作后输入到第五密集连接层中,输出得到特征信号Xmfd1_f5,将特征信号Xmca1_f4、特征信号Xmfd1_f1、特征信号Xmfd1_f2、特征信号Xmfd1_f3、特征信号Xmfd1_f4、特征信号Xmfd1_f5拼接操作后输入到第六密集连接层中,输出得到特征信号Xmfd1_f6;
e-4)第二多尺度通道注意力模块MCA2由第一卷积单元、第二卷积单元、第三卷积单元、SE注意力模块、平均池化层构成,第一卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第二卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第三卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,将特征信号Xmfd1_f6输入到第一卷积单元中,输出得到浅层特征信号Xmca2_f0,将特征信号Xmfd1_f6输入到第二卷积单元中,输出得到浅层特征信号Xmca2_f1,将特征信号Xmfd1_f6输入到第三卷积单元中,输出得到浅层特征信号Xmca2_f2,将浅层特征信号Xmca2_f0、浅层特征信号Xmca2_f1、浅层特征信号Xmca2_f2拼接操作,得到特征信号Xmca2_f3,将特征信号Xmca2_f3输入到SE注意力模块中,输出得到重要特征信息Xmca2_fse,将重要特征信息Xmca2_fse输入到平均池化层中,得到特征信号Xmca2_f4;
e-5)第二多尺度特征密集连接模块MFD2由第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层构成,第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层均依次由第一批归一化层、第一Relu激活函数层、第一扩张卷积层、第一sigmoid激活函数层、第二批归一化层、第二Relu激活函数层、多尺度卷积层、第二sigmoid激活函数层构成,将特征信号Xmca2_f4输入到第一密集连接层中,输出得到特征信号X′mfd2_f1,将特征信号Xmca2_f4与特征信号X′mfd2_f1拼接操作后输入到第二密集连接层中,输出得到特征信号X′mfd2_f2,将特征信号Xmca2_f4、特征信号X′mfd2_f1、特征信号X′mfd2_f2拼接操作后输入到第三密集连接层中,输出得到特征信号X′mfd2_f3,将特征信号Xmca2_f4、特征信号X′mfd2_f1、特征信号X′mfd2_f2、特征信号X′mfd2_f3拼接操作后输入到第四密集连接层中,输出得到特征信号X′mfd2_f4;
e-6)第三多尺度通道注意力模块MCA3由第一卷积单元、第二卷积单元、第三卷积单元、SE注意力模块、平均池化层构成,第一卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第二卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,第三卷积单元依次由卷积层、批归一化层、Relu激活函数层构成,将特征信号X′mfd2_f4输入到第一卷积单元中,输出得到浅层特征信号Xmfd3_f0,将特征信号X′mfd2_f4输入到第二卷积单元中,输出得到浅层特征信号Xmca3_f1,将特征信号X′mfd2_f4输入到第三卷积单元中,输出得到浅层特征信号Xmca3_f2,将浅层特征信号Xmca3_f0、浅层特征信号Xmca3_f1、浅层特征信号Xmca3_f2拼接操作,得到特征信号Xmca3_f3,将特征信号Xmca3_f3输入到SE注意力模块中,输出得到重要特征信息Xmca3_fse,将重要特征信息Xmca3_fse输入到平均池化层中,得到特征信号Xmca3_f4;
e-7)第三多尺度特征密集连接模块MFD3由第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层构成,第一密集连接层、第二密集连接层、第三密集连接层、第四密集连接层均依次由第一批归一化层、第一Relu激活函数层、第一扩张卷积层、第一sigmoid激活函数层、第二批归一化层、第二Relu激活函数层、多尺度卷积层、第二sigmoid激活函数层构成,将特征信号Xmca3_f4输入到第一密集连接层中,输出得到特征信号X″mfd3_f1,将特征信号Xmca3_f4与特征信号X″mfd3_f1拼接操作后输入到第二密集连接层中,输出得到特征信号X″mfd3_f2,将特征信号Xmca3_f4、特征信号X″mfd3_f1、特征信号X″mfd3_f2拼接操作后输入到第三密集连接层中,输出得到特征信号X″mfd3_f3,将特征信号Xmca3_f4、特征信号X″mfd3_f1、特征信号X″mfd3_f2、特征信号X″mfd3_f3拼接操作后输入到第四密集连接层中,输出得到特征信号X″mfd3_f4;
e-8)将特征信号X″mfd3_f4输入到改进的轻量化密集连接质量分类模型的分类模块中,输出得到分类结果,线性层的输出神经元的个数设置为3。
8.根据权利要求7所述的基于多尺度卷积和密集连接网络的心电信号质量评估方法,其特征在于:步骤e-2)中第一卷积单元的卷积层的卷积核大小为1×7、步长为3、通道数为16,第二卷积单元的卷积层的卷积核大小为1×5、步长为3、通道数为16,第三卷积单元的卷积层的卷积核大小为1×3、步长为3、通道数为16,平均池化层的池化核大小为1×2、步长为2;步骤e-3)中第一扩张卷积层的卷积核大小为1×1、通道数为16、膨胀率为2,多尺度卷积层依次由第二扩张卷积层、第三扩张卷积层、第四扩张卷积层构成,第二扩张卷积层的卷积核大小为1×3、通道数为8、膨胀率为1、步长为3,第三扩张卷积层的卷积核大小为1×5、通道数为8、填充为1、膨胀率为2、步长为3,第四扩张卷积层的卷积核大小为1×7、通道数为8、填充为1、膨胀率4、步长为3;步骤e-4)中第一卷积单元的卷积层的卷积核大小为1×7、步长为3、通道数为32,第二卷积单元的卷积层的卷积核大小为1×5、步长为3、通道数为32,第三卷积单元的卷积层的卷积核大小为1×3、步长为3、通道数为32,平均池化层的池化核大小为1×2、步长为2;步骤e-5)中第一扩张卷积层的卷积核大小为1×1、通道数为16、膨胀率为2,多尺度卷积层依次由第二扩张卷积层、第三扩张卷积层、第四扩张卷积层构成,第二扩张卷积层的卷积核大小为1×3、通道数为8、膨胀率为1、步长为3,第三扩张卷积层的卷积核大小为1×5、通道数为8、填充为1、膨胀率为2、步长为3,第四扩张卷积层的卷积核大小为1×7、通道数为8、填充为1、膨胀率4、步长为3;步骤e-6)中第一卷积单元的卷积层的卷积核大小为1×7、步长为3、通道数为64,第二卷积单元的卷积层的卷积核大小为1×5、步长为3、通道数为64,第三卷积单元的卷积层的卷积核大小为1×3、步长为3、通道数为64,平均池化层的池化核大小为1×2、步长为2;步骤e-7)中第一扩张卷积层的卷积核大小为1×1、通道数为16、膨胀率为2,多尺度卷积层依次由第二扩张卷积层、第三扩张卷积层、第四扩张卷积层构成,第二扩张卷积层的卷积核大小为1×3、通道数为8、膨胀率为1、步长为3,第三扩张卷积层的卷积核大小为1×5、通道数为8、填充为1、膨胀率为2、步长为3,第四扩张卷积层的卷积核大小为1×7、通道数为8、填充为1、膨胀率4、步长为3。
9.根据权利要求1所述的基于多尺度卷积和密集连接网络的心电信号质量评估方法,其特征在于:还包括在步骤e)之后通过反向传播算法利用交叉熵损失函数对改进的轻量化密集连接质量分类模型进行训练。
10.根据权利要求9所述的基于多尺度卷积和密集连接网络的心电信号质量评估方法,其特征在于:对改进的轻量化密集连接质量分类模型进行训练时设置初始Growth rate为8,批次大小设置为512。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310822941.2A CN116919414B (zh) | 2023-07-06 | 2023-07-06 | 基于多尺度卷积和密集连接网络的心电信号质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310822941.2A CN116919414B (zh) | 2023-07-06 | 2023-07-06 | 基于多尺度卷积和密集连接网络的心电信号质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116919414A true CN116919414A (zh) | 2023-10-24 |
CN116919414B CN116919414B (zh) | 2024-02-13 |
Family
ID=88374852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310822941.2A Active CN116919414B (zh) | 2023-07-06 | 2023-07-06 | 基于多尺度卷积和密集连接网络的心电信号质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116919414B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019100560A1 (zh) * | 2017-11-27 | 2019-05-31 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
CN110458245A (zh) * | 2019-08-20 | 2019-11-15 | 图谱未来(南京)人工智能研究院有限公司 | 一种多标签分类模型训练方法、数据处理方法及装置 |
CN112971795A (zh) * | 2021-02-07 | 2021-06-18 | 中国人民解放军总医院 | 心电信号质量评估方法 |
US20220361799A1 (en) * | 2021-05-14 | 2022-11-17 | Caption Health, Inc. | Circuitless heart cycle determination |
CN116350233A (zh) * | 2023-03-28 | 2023-06-30 | 北京安芯测科技有限公司 | 一种基于自编码器的心电信号质量评估方法 |
-
2023
- 2023-07-06 CN CN202310822941.2A patent/CN116919414B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019100560A1 (zh) * | 2017-11-27 | 2019-05-31 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
CN110458245A (zh) * | 2019-08-20 | 2019-11-15 | 图谱未来(南京)人工智能研究院有限公司 | 一种多标签分类模型训练方法、数据处理方法及装置 |
CN112971795A (zh) * | 2021-02-07 | 2021-06-18 | 中国人民解放军总医院 | 心电信号质量评估方法 |
US20220361799A1 (en) * | 2021-05-14 | 2022-11-17 | Caption Health, Inc. | Circuitless heart cycle determination |
CN116350233A (zh) * | 2023-03-28 | 2023-06-30 | 北京安芯测科技有限公司 | 一种基于自编码器的心电信号质量评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116919414B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291614B (zh) | 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法 | |
CN109620152B (zh) | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 | |
CN107247971B (zh) | 一种超声甲状腺结节风险指标的智能分析方法及*** | |
CN110992351B (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
CN112294341B (zh) | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及*** | |
CN112633195A (zh) | 一种基于频域特征与深度学习的心肌梗塞识别分类方法 | |
CN112036467A (zh) | 基于多尺度注意力神经网络的异常心音识别方法及装置 | |
CN113076920B (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
CN113361623A (zh) | 一种轻量级cnn结合迁移学习的医学图像分类方法 | |
CN113116300A (zh) | 一种基于模型融合的生理信号分类方法 | |
CN106599903A (zh) | 基于相关性的加权最小二乘字典学习的信号重构方法 | |
CN116842460A (zh) | 基于注意力机制与残差神经网络的咳嗽关联疾病识别方法和*** | |
Manikandan et al. | Segmentation and Detection of Pneumothorax using Deep Learning | |
CN114881105A (zh) | 基于transformer模型和对比学习的睡眠分期方法及*** | |
CN116919414B (zh) | 基于多尺度卷积和密集连接网络的心电信号质量评估方法 | |
CN116597996A (zh) | 基于自适应近邻传播自聚类模型的婴儿脑发育量化评估*** | |
CN113940638B (zh) | 基于频域双特征融合的脉搏波信号识别分类方法 | |
CN110443276A (zh) | 基于深度卷积网络与灰度递归图分析的时间序列分类方法 | |
CN113192076B (zh) | 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法 | |
CN115281676A (zh) | 基于gru神经网络和ecg信号的疲劳检测方法 | |
CN115034296A (zh) | 一种基于域相似性脑电跨被试源域选择方法 | |
CN112700420A (zh) | 一种眼底图像补全、分类方法及*** | |
CN117481606B (zh) | 一种基于改进孪生网络的小样本心电信号分类方法 | |
CN115956925B (zh) | 一种基于多级平滑包络的qrs波检测方法及*** | |
CN116458897B (zh) | 基于二维图像和注意力机制的心电信号质量评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |