平码五不中公式规律
  • / 7
  • 下载费用:30 金币  

一种基于自编码模式的CNN与GRU结合的心电信号分类方法.pdf

关 键 ?#21097;?/dt>
一种 基于 编码 模式 CNN GRU 结合 电信号 分类 方法
  专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
摘要
申请专利号:

CN201910080223

申请日:

20190128

公开号:

CN109620210A

公开日:

20190416

当前法律状态:

公开

有效性:

审中

法?#19978;?#24773;: 公开
IPC分类号: A61B5/0402;A61B5/00 主分类号: A61B5/0402;A61B5/00
申请人: 山东科技大学
发明人: 王英龙;燕婷;张重庆;舒明雷;刘辉;孔祥龙
地址: 266590 山东省青岛市青岛经济技术开发区前湾港路579号
优先权:
专利代理机构: 37218 代理人: 支文彬
PDF完整版下载: PDF下载
法律状态
申请(专利)号:

CN201910080223

授权公告号:

法律状态公告日:

20190416

法律状态类型:

公开

摘要

一种基于自编码模式的CNN与GRU结合的心电信号分类方法,通过提取出原始信号中最具有代表性的特征,运用CNN+GRU进行特征提取,节省了空间,节省了很多训练空间,其中采用的GRU(门控循环单元)一方面解决了由于RNN训练时出现的梯度消失和梯度爆炸的问题,另一方面它比LSTM少一个门,更易于计算,能够提高训练效率,GRU优点在于当训?#36153;?#26412;少时,可以使用防?#26500;?#25311;合,当训?#36153;?#26412;多时,也可以节省很多的训练时间,能够提高网络的学习效率和心电信号识别的精度。

权利要求书

1.一种基于自编码模式的CNN与GRU结合的心电信号分类方法,其特征在于,包括如下步骤: a)选择MIT-BIH心律失常库作为数据库,使用该数据库中的导联Ⅱ信号作为实验所需的数据; b)利用计算机对原始的ECG信号用宽度为200ms的中值滤波器去除原始的ECG信号中的P波、QRS波,利用宽度为600ms的中值滤波器去除原始的ECG信号中的T波,利用原始的ECG信号减去利用中值滤波器已经去除的P波、QRS波和T波后所剩的ECG信号,得到去除基线漂移后的ECG信号; c)计算机对去除基线漂移后的ECG信号使用截止频率为35HZ的低通滤波器进行处理,去除信号中所含有的高频噪声,得到实验所需要的ECG信号数据; d)计算机读取MIT-BIH心律失常库中的R峰值,得到N个R峰,去除第一个R峰和第N个R峰,中间的N-2个R峰中每一个R峰的前一个相邻的R峰与其后一个相邻的R峰值之间距离的1/2作为一个心?#27169;?#24471;到N-2个心?#27169;?#23545;N-2个心拍进行降采样处理; e)计算机计算N-2个R峰中每一个R峰与前一个相邻的R峰之间的距离pre-RR,计算N-2个R峰中每一个R峰与后一个相邻的R峰之间的距离post-RR,计算在10s内通过滑动R峰窗口得到的所有R峰中每两个相邻的R峰间隔的平均值local-RR,计算在5min内通过滑动R峰窗口得到的所有R峰中每两个相邻的R峰间隔的平均值global-RR,将pre-RR、post-RR、local-RR及global-RR拼接成54维的矩阵输入模型; f)以矩阵[N,Len]的形式传入矩阵输入模型,N表示样本数据个数,Len为每个样本数据的维度,根据公式计算第一层卷积层的矩阵尺寸W1,F为卷积核的大小,s为卷积核的移动幅度,P为零填充边界宽度; g)计算机使用Batch Normalization算法对N*W1进行规范化计算; h)进入卷积网络的池化层,通过公式计算降维后的矩阵大小W2,其中M为池化层核尺寸; i)进入第二个卷积层,使用Batch Normalization算法和池化层对第二个卷积层结果进行归一化处理,归一化处理后利用池化层降维,得到第二个卷积层计算输出结果W3; j)进入神经网络的GRU层,通过公式rt=σ(Wrxt+Urht-1)计算重置门rt,式中xt为t时刻隐藏层输入的ECG信号,ht-1为时刻t的前一个时间点输出的ECG信号,Wr为reset门的权值,Ur为t时刻的前一时刻隐藏层reset门的权值,通过公式zt=σ(Wzxt+Uzht-1)计算更新门zt,其中Wz为update门的权值,Uz为t时刻的前一个时间点隐藏层update门的权值,通过公式计算最终输出结果ht,其中式中U为t时刻前一个时间点隐藏层的权重,W为候选隐藏层的权值,完成ECG信号编码; k)在ECG信号解码时采用卷积神经网络处理,采用两层卷积层,两层UpSampling1D层对编码的ECG信号进行解码; l)在卷积神经网络中添加一个Dense层,使用softmax激活函数对解码后的ECG信号进行分类; m)使用categorical_crossentropy多分类交叉熵函数计算损失; n)使用Adam优化函数优化GRU模型?#38382;?o)保存模型?#38382;?#36816;行结束。 2.根据权利要求1所述的基于自编码模式的CNN与GRU结合的心电信号分类方法,其特征在于:步骤d)中利用插值法对N-2个心拍进行降采样处理,降成50维。 3.根据权利要求1所述的基于自编码模式的CNN与GRU结合的心电信号分类方法,其特征在于:步骤g)中对N*W1进行规范化计算时采用ReLU激活函数。 4.根据权利要求1所述的基于自编码模式的CNN与GRU结合的心电信号分类方法,其特征在于:步骤j)中GRU层所使用的激活函数是ReLU。 5.根据权利要求1所述的基于自编码模式的CNN与GRU结合的心电信号分类方法,其特征在于:步骤l)中ECG信号分成五类。

说明书


一种基于自编码模式的CNN与GRU结合的心电信号分类方法
技术领域


本发明涉及ECG信号分类技术领域,具体涉及一种基于自编码模式的CNN与GRU 结
合的心电信号分类方法。


背景技术


心电(ECG)信号是一种广泛用于反?#22478;?#22312;心脏状况的无创检测方法。心电信号是
医生对病人心脏状况做出评价的最基?#23616;?#26631;,但由于生理信号受到个体内部变化 的影响,
例如,电极位置和噪声都会影响信号的波形,而且即使是健康受试者的 心电信号,在不同
的情况下,QRS复合体、P波和R-R间隔的形状在不同的节拍 之间也不会是相同?#27169;?#21516;类型的
心律失常在相同患者的不同阶段之间的心电信号 很可能有明显变化,不同患者同种类型
的心律失常在心电信号上的差异更大,这 对于人工判断来说是一项很大的挑?#20581;?br>

传统的心电信号分类方法,需要一定的信号先验知识或经常需要专家输入。这些
限制了方法的应用,在对?#29575;?#35797;者心电信号进行分类时,可能会遇到较大的变化, 使它们
的准确性和效率往往差异很大。


发明内容


本发明为了克服以上技术的不足,提供了一种节省空间、易于计算、提高训练效
率的基于自编码模式的CNN与GRU结合的心电信号分类方法。


本发明克服其技术问题所采用的技术方案是:


一种基于自编码模式的CNN与GRU结合的心电信号分类方法,包括如下步骤:


a)选择MIT-BIH心律失常库作为数据库,使用该数据库中的导联Ⅱ信号作为实验
所需的数据;


b)利用计算机对原始的ECG信号用宽度为200ms的中值滤波器去除原始的ECG 信
号中的P波、QRS波,利用宽度为600ms的中值滤波器去除原始的ECG信号中 的T波,利用原始
的ECG信号减去利用中值滤波器已经去除的P波、QRS波和T 波后所剩的ECG信号,得到去除
基线漂移后的ECG信号;


c)计算机对去除基线漂移后的ECG信号使用截止频率为35HZ的低通滤波器进行
处理,去除信号中所含有的高频噪声,得到实验所需要的ECG信号数据;


d)计算机读取MIT-BIH心律失常库中的R峰值,得到N个R峰,去除第一个R 峰和第N
个R峰,中间的N-2个R峰中每一个R峰的前一个相邻的R峰与其后一 个相邻的R峰之间距离
的1/2作为一个心?#27169;?#24471;到N-2个心?#27169;?#23545;N-2个心拍进 行降采样处理;


e)计算机计算N-2个R峰中每一个R峰与前一个相邻的R峰之间的距离pre-RR, 计
算N-2个R峰中每一个R峰与后一个相邻的R峰之间的距离post-RR,计算在 10s内通过滑动R
峰窗口得到的所有R峰中每两个相邻的R峰间隔的平均值 local-RR,计算在5min内通过滑
动R峰窗口得到的所有R峰中每两个相邻的R 峰间隔的平均值global-RR,将pre-RR、post-
RR、local-RR及global-RR拼接 成54维的矩阵输入模型;


f)以矩阵[N,Len]的形式传入矩阵输入模型,N表示样本数据个数,Len为每个 样
本数据的维度,根据公式
计算第一层卷积层的矩阵 尺寸W
1,F为
卷积核的大小,s为卷积核的移动幅度,P为零填充边界宽度;


g)计算机使用Batch Normalization算法对N*W
1进行规范化计算;


h)进入卷积网络的池化层,通过公式
计算降维后的矩阵大小W
2,其中M 为
池化层核尺寸;


i)进入第二个卷积层,使用Batch Normalization算法和池化层对第二个卷积 层
结果进行归一化处理,归一化处理后利用池化层降维,得到第二个卷积层计算 输出结果
W
3;


j)进入神经网络的GRU层,通过公式r
t=σ(W
rx
t+U
rh
t-1)计算重置门r
t, 式中x
t为t
时刻隐藏层输入的ECG信号,h
t-1为时刻t的前一个时间点输出的ECG 信号,W
r为reset门的
权值,U
r为t时刻的前一时刻隐藏层reset门的权值, 通过公式z
t=σ(W
zx
t+U
zh
t-1)计算更新
门z
t,其中W
z为update 门的权值,U
z为t时刻的前一个时间点隐藏层update门的权值,通过
公式
计算最终输出结果h
t,其中

式中U为t时刻前一个时间点隐藏层的权 重,W为候选隐
藏层的权值,完成ECG信号编码;


k)在ECG信号解码时采用卷积神经网络处理,采用两层卷积层,两层
UpSampling1D层对编码的ECG信号进行解码;


l)在卷积神经网络中添加一个Dense层,使用softmax激活函数对解码后的ECG 信
号进行分类;


m)使用categorical_crossentropy多分类交叉熵函数计算损失;


n)使用Adam优化函数优化GRU模型?#38382;?br>

o)保存模型?#38382;?#36816;行结束。


进一步?#27169;?#27493;骤d)中利用插值法对N-2个心拍进行降采样处理,降成50维。


进一步?#27169;?#27493;骤g)中对N*W
1进行规范化计算时采用ReLU激活函数。


进一步?#27169;?#27493;骤j)中GRU层所使用的激活函数是ReLU。


进一步?#27169;?#27493;骤l)中ECG信号分成五类。


本发明的有益效果是?#21644;?#36807;提取出原始信号中最具有代表性的特征,运用 CNN+
GRU进行特征提取,节省了空间,节省了很多训练空间,其中采用的GRU(门 控循环单元)一
方面解决了由于RNN训练时出现的梯度消失和梯度爆炸的问题, 另一方面它比LSTM少一个
门,更易于计算,能够提高训练效率,GRU优点在于 当训?#36153;?#26412;少时,可以使用防?#26500;?#25311;合,
当训?#36153;?#26412;多时,也可以节省很多的训 练时间,能够提高网络的学习效率和心电信号识别
的精度。


具体实施方式


下面对本发明做进一步说明。


一种基于自编码模式的CNN与GRU结合的心电信号分类方法,包括如下步骤:


a)选择MIT-BIH心律失常库作为数据库,使用该数据库中的导联Ⅱ信号作为实验
所需的数据;


b)利用计算机对原始的ECG信号用宽度为200ms的中值滤波器去除原始的ECG 信
号中的P波、QRS波,利用宽度为600ms的中值滤波器去除原始的ECG信号中 的T波,利用原始
的ECG信号减去利用中值滤波器已经去除的P波、QRS波和T 波后所剩的ECG信号,得到去除
基线漂移后的ECG信号;


c)计算机对去除基线漂移后的ECG信号使用截止频率为35HZ的低通滤波器进行
处理,去除信号中所含有的高频噪声,得到实验所需要的ECG信号数据;


d)计算机读取MIT-BIH心律失常库中的R峰值,得到N个R峰,去除第一个R 峰和第N
个R峰,中间的N-2个R峰中每一个R峰的前一个相邻的R峰与其后一 个相邻的R峰之间距离
的1/2作为一个心?#27169;?#24471;到N-2个心?#27169;?#23545;N-2个心拍进 行降采样处理;


e)计算机计算N-2个R峰中每一个R峰与前一个相邻的R峰之间的距离pre-RR, 计
算N-2个R峰中每一个R峰与后一个相邻的R峰之间的距离post-RR,计算在 10s内通过滑动R
峰窗口得到的所有R峰中每两个相邻的R峰间隔的平均值 local-RR,计算在5min内通过滑
动R峰窗口得到的所有R峰中每两个相邻的R 峰间隔的平均值global-RR,将pre-RR、post-
RR、local-RR及global-RR拼接 成54维的矩阵输入模型;


f)以矩阵[N,Len]的形式传入矩阵输入模型,在编码阶段进行CNN-GRU组合的模
型训练,N表示样本数据个数,Len为每个样本数据的维度,根据公式

计算第一层卷积层的矩阵尺寸W
1,F为卷积核的大小, s为卷积核
的移动幅度,P为零填充边界宽度;


g)计算机使用Batch Normalization算法对N*W
1进行规范化计算;


h)进入卷积网络的池化层,通过公式
计算降维后的矩阵大小W
2,其中M 为
池化层核尺寸;


i)进入第二个卷积层,使用Batch Normalization算法和池化层对第二个卷积 层
结果进行归一化处理,归一化处理后利用池化层降维,得到第二个卷积层计算 输出结果
W
3;


j)进入神经网络的GRU层,GRU层分别有更新门和重置门两个门,通过公式 r
t=σ
(W
rx
t+U
rh
t-1)计算重置门r
t,r
t用来计算候选隐藏层即当前时 刻
中保留了多少前一时刻
隐藏层h
t-1的信息,式中x
t为t时刻隐藏层输入的 ECG信号,h
t-1为时刻t的前一个时间点输
出的ECG信号,W
r为reset门的 权值,U
r为t时刻的前一时刻隐藏层reset门的权值,通过公式
z
t=σ(W
zx
t+U
zh
t-1)计算更新门z
t,z
t用来决定前一个时间点隐藏层 h
t-1忘记多少信息,并且
加入多少信息是属于候选隐藏层
?#27169;?#20854;中W
z为 update门的权值,U
z为t时刻的前一个时间
点隐藏层update门的权值,通过 公式
计算最终输出结果
h
t,其中
式中U为t时刻前一个时间点隐藏层的权重,W 为候选
隐藏层的权值,完成ECG信号编码;


k)在ECG信号解码时采用卷积神经网络处理,采用两层卷积层,两层
UpSampling1D层对编码的ECG信号进行解码;


l)在卷积神经网络中添加一个Dense层,使用softmax激活函数对解码后的ECG 信
号进行分类;


m)使用categorical_crossentropy多分类交叉熵函数计算损失;


n)使用Adam优化函数优化GRU模型?#38382;?br>

o)保存模型?#38382;?#36816;行结束。


通过提取出原始信号中最具有代表性的特征,运用CNN+GRU进行特征提取,节省
了空间,节省了很多训练空间,其中采用的GRU(门控循环单元)一方面解决了 由于RNN训练
时出现的梯度消失和梯度爆炸的问题,另一方面它比LSTM少一个 门,更易于计算,能够提
高训练效率,GRU优点在于当训?#36153;?#26412;少时,可以使用 防?#26500;?#25311;合,当训?#36153;?#26412;多时,也可
以节省很多的训练时间,能够提高网络的学 习效率和心电信号识别的精度。


步骤d)中利用插值法对N-2个心拍进行降采样处理,降成50维。


步骤g)中对N*W
1进行规范化计算时采用ReLU激活函数。


步骤j)中GRU层所使用的激活函数是ReLU。


步骤l)中ECG信号分成五类。


关于本文
本文标题:一种基于自编码模式的CNN与GRU结合的心电信号分类方法.pdf
链接地址:http://www.pqiex.tw/p-6151932.html
关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

[email protected] 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备17046363号-1 
 


收起
展开
平码五不中公式规律 胡立阳炒股100招 2019上证指数最高点 股票分析师微信头像 短线股票推荐免费 股票涨跌原因 大白话 今日股票推荐股 股票行情今天查询大盘 股票配资送免费体验金 2018股票分析报告范文 股票涨跌幅和收益