本發(fā)明涉及心電分析技術(shù)領(lǐng)域，特別涉及一種心電信號分類方法及裝置。

背景技術(shù)：

心率失常是人群中的常見現(xiàn)象，嚴(yán)重的心率失常會(huì)立即威脅人類的生命，因此及時(shí)的檢測出心律失常，對預(yù)防心臟病和心臟猝死的發(fā)生具有重大的意義。在心電信息中P波(心電圖檢查時(shí)，左右心房除極時(shí)產(chǎn)生的波形)、QPS波(正常心電圖中幅度最大的波群)與T波(上個(gè)波群暫停之后出現(xiàn)的波，代表著心室的復(fù)極以備下一次心室的除極)是心電信號的重要特征波，他們的特征變化信息是心臟病理分析和診斷的重要依據(jù)。因此準(zhǔn)確提取QRS波群的特征信息是心電分析的重要基礎(chǔ)。

目前，國內(nèi)外已經(jīng)有很多心電信號心律失常分類算法，例如：

李坤陽等運(yùn)用數(shù)學(xué)形態(tài)學(xué)和小波變換算法檢測心電波形的QRS波形態(tài)特征，包括RR間期、QRS波時(shí)限等參數(shù)，結(jié)合醫(yī)生識(shí)讀心電圖的判別依據(jù)，將心拍進(jìn)行四分類主導(dǎo)性心拍、室上性異常心拍、室性異常心拍和其他心拍，利用MIT-BIH(由美國麻省理工學(xué)院提供的研究心律失常的數(shù)據(jù)庫)心律失常數(shù)據(jù)庫檢驗(yàn)分類準(zhǔn)確率達(dá)到94.2％；

Philip de Chazal等基于心電波形的形態(tài)和間期提取了12個(gè)特征向量，構(gòu)造線性分類模型進(jìn)行訓(xùn)練和測試，將心拍分為5類，測試結(jié)果真陽性率為81.9％；

Guleral對心電信號進(jìn)行四個(gè)尺度的離散小波變換后,將小波系數(shù)的統(tǒng)計(jì)量作為心電特征參數(shù)，采用兩級組合的多層感知器網(wǎng)絡(luò)實(shí)現(xiàn)對四類心電信號的分類，正確識(shí)別率達(dá)到96.94％；

Osowski提出一種模糊混合神經(jīng)網(wǎng)絡(luò)分類器，即將模糊自組織層與MLP(Multi-layer Perceptron，多層感知器)網(wǎng)絡(luò)進(jìn)行級聯(lián)，對七類心電信號進(jìn)行分類，平均正確識(shí)別率達(dá)到了96％；

有文獻(xiàn)將基于高階統(tǒng)計(jì)量特征和SVM(Support Vector Machine，支持向量機(jī))的神經(jīng)網(wǎng)絡(luò)分類器，與基于Herrnite變換特征和SVM的神經(jīng)網(wǎng)絡(luò)分類器通過權(quán)重投票集成為一個(gè)專家系統(tǒng)，對13類心律失常信號進(jìn)行分類識(shí)別；

在國內(nèi)，曹玉珍在對心電圖進(jìn)行離散小波變換獲得特征空間的基礎(chǔ)上，對特征空問進(jìn)行搜索得到不同維數(shù)下的優(yōu)化特征組合，通過研究這些優(yōu)化特征組合的散度值隨維數(shù)的變化趨勢確定特征向量的構(gòu)成，最后運(yùn)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，對四類心電圖的分類正確率達(dá)到93.9％。

劉世雄提出對心電信號首先采用小波檢測算法精確定位QRS波，然后由每個(gè)QRS波群提取26個(gè)典型特征組成特征向量，最后采用加入法結(jié)合基于目標(biāo)函數(shù)的模糊聚類方法進(jìn)行分類；

駱德漢運(yùn)用多階前饋人工神經(jīng)網(wǎng)絡(luò)對6類心電圖進(jìn)行識(shí)別，其中二階神經(jīng)網(wǎng)絡(luò)的正確率達(dá)到90.57％。

綜上所述，現(xiàn)有的心電信號心律失常分類算法至少存在如下問題：基于形態(tài)的方法較為簡單和直觀，但是特征值較少，分類類型有限，且心電圖形態(tài)對噪聲非常敏感。而各種變換域和統(tǒng)計(jì)方法對心律失常類型的定義比較混亂，分類結(jié)果和效果也各不相同。而且，現(xiàn)有技術(shù)中還沒有通過深度學(xué)習(xí)進(jìn)行心電信號分類的方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供了一種心電信號分類方法及裝置，旨在解決現(xiàn)有的心電信號心律失常分類方法分類類型有限，對心律失常類型的定義混亂，且沒有通過深度學(xué)習(xí)進(jìn)行心電信號分類的技術(shù)問題。

為了解決上述問題，本發(fā)明提供了如下技術(shù)方案：

一種心電信號分類方法，包括：

步驟a：對心電信號進(jìn)行分割，分別得到訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)；

步驟b：通過深度學(xué)習(xí)對所述訓(xùn)練集數(shù)據(jù)進(jìn)行模型訓(xùn)練，構(gòu)建預(yù)測分類模型；

步驟c：通過所述預(yù)測分類模型對所述測試集數(shù)據(jù)進(jìn)行心電信號分類。

本發(fā)明實(shí)施例采取的技術(shù)方案還包括：所述步驟a中在對心電信號進(jìn)行分割步驟之前還包括：對所述心電信號進(jìn)行去噪處理；所述對心電信號進(jìn)行去噪處理具體為：通過小波變換對心電信號進(jìn)行去噪處理。

本發(fā)明實(shí)施例采取的技術(shù)方案還包括：所述通過小波變換對心電信號進(jìn)行去噪具體包括：

步驟a1：對心電信號進(jìn)行提升小波分解，使所含噪聲分布在不同的分解子帶上；

步驟a2：根據(jù)不同分解子帶上的心電信號及其噪聲特點(diǎn)，設(shè)定每一層小波系數(shù)的加權(quán)系數(shù)閾值，對不同分解子帶上的心電信號進(jìn)行權(quán)重處理設(shè)定每一層小波系數(shù)；

步驟a3：對權(quán)重處理后的心電信號進(jìn)行重構(gòu)，得到干凈的心電信號。

本發(fā)明實(shí)施例采取的技術(shù)方案還包括：在所述步驟a中，所述對心電信號進(jìn)行分割的分割方式為：以R波峰為中心波峰，選取每個(gè)心電信號RR間期具有數(shù)據(jù)特征的采樣點(diǎn)的采樣頻率和時(shí)間長度對心電信號進(jìn)行分割。

本發(fā)明實(shí)施例采取的技術(shù)方案還包括：在所述步驟b中，所述構(gòu)建預(yù)測分類模型具體為構(gòu)建基于深度信念網(wǎng)絡(luò)的預(yù)測分類模型的最優(yōu)結(jié)構(gòu)：當(dāng)基于深度信念網(wǎng)絡(luò)的預(yù)測分類模型的隱含層個(gè)數(shù)為1時(shí)，在輸入層中，將輸入結(jié)點(diǎn)的個(gè)數(shù)設(shè)置為10個(gè)不同值，將隱含層的結(jié)點(diǎn)個(gè)數(shù)設(shè)置為五個(gè)不同的值；在對所述測試集數(shù)據(jù)的分類結(jié)果中，尋找出準(zhǔn)確率最高時(shí)對應(yīng)的輸入層點(diǎn)個(gè)數(shù)和隱含層結(jié)點(diǎn)個(gè)數(shù)，之后再增加新的隱含層，判斷新的隱含層中結(jié)點(diǎn)個(gè)數(shù)的變化對分類結(jié)果的影響，確定最佳隱含層結(jié)點(diǎn)個(gè)數(shù)，同時(shí)確定隱含層層數(shù)，最終確定所述基于深度信念網(wǎng)絡(luò)的預(yù)測分類模型的最優(yōu)結(jié)構(gòu)。

本發(fā)明實(shí)施例采取的另一技術(shù)方案為：一種心電信號分類裝置，包括：

數(shù)據(jù)分割模塊：用于對心電信號進(jìn)行分割，分別得到訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)；

模型訓(xùn)練模塊：用于通過深度學(xué)習(xí)對所述訓(xùn)練集數(shù)據(jù)進(jìn)行模型訓(xùn)練，構(gòu)建預(yù)測分類模型；

信號分類模塊：用于通過所述預(yù)測分類模型對所述測試集數(shù)據(jù)進(jìn)行心電信號分類。

本發(fā)明實(shí)施例采取的技術(shù)方案還包括數(shù)據(jù)預(yù)處理模塊，所述數(shù)據(jù)預(yù)處理模塊用于對所述心電信號進(jìn)行去噪處理；所述對心電信號進(jìn)行去噪處理具體為：通過小波變換對心電信號進(jìn)行去噪處理。

本發(fā)明實(shí)施例采取的技術(shù)方案還包括：所述通過小波變換對心電信號進(jìn)行去噪具體包括：對心電信號進(jìn)行提升小波分解，使所含噪聲分布在不同的分解子帶上；根據(jù)不同分解子帶上的心電信號及其噪聲特點(diǎn)，設(shè)定每一層小波系數(shù)的加權(quán)系數(shù)閾值，對不同分解子帶上的心電信號進(jìn)行權(quán)重處理；對權(quán)重處理后的心電信號進(jìn)行重構(gòu)，得到干凈的心電信號。

本發(fā)明實(shí)施例采取的技術(shù)方案還包括：所述數(shù)據(jù)預(yù)處理模塊對心電信號進(jìn)行分割具體為：以R波峰為中心波峰，選取每個(gè)心電信號RR間期具有數(shù)據(jù)特征的采樣點(diǎn)的采樣頻率和時(shí)間長度對心電信號進(jìn)行分割。

本發(fā)明實(shí)施例采取的技術(shù)方案還包括：所述模型訓(xùn)練模塊還用于構(gòu)建基于深度信念網(wǎng)絡(luò)的預(yù)測分類模型的最優(yōu)結(jié)構(gòu)：當(dāng)基于深度信念網(wǎng)絡(luò)的預(yù)測分類模型的隱含層個(gè)數(shù)為1時(shí)，在輸入層中，將輸入結(jié)點(diǎn)的個(gè)數(shù)設(shè)置為10個(gè)不同值，將隱含層的結(jié)點(diǎn)個(gè)數(shù)設(shè)置為五個(gè)不同的值；在對所述測試集數(shù)據(jù)的分類結(jié)果中，尋找出準(zhǔn)確率最高時(shí)對應(yīng)的輸入層點(diǎn)個(gè)數(shù)和隱含層結(jié)點(diǎn)個(gè)數(shù)，之后再增加新的隱含層，判斷新的隱含層中結(jié)點(diǎn)個(gè)數(shù)的變化對分類結(jié)果的影響，確定最佳隱含層結(jié)點(diǎn)個(gè)數(shù)，同時(shí)確定隱含層層數(shù)，最終確定所述基于深度信念網(wǎng)絡(luò)的預(yù)測分類模型的最優(yōu)結(jié)構(gòu)。

相對于現(xiàn)有技術(shù)，本發(fā)明實(shí)施例產(chǎn)生的有益效果在于：本發(fā)明實(shí)施例的心電信號分類方法通過對心電信號進(jìn)行分割后，得到訓(xùn)練集和測試集，通過深度學(xué)習(xí)對訓(xùn)練集進(jìn)行模型訓(xùn)練，得到預(yù)測分類模型，通過預(yù)測分類模型進(jìn)行心電信號分類；本發(fā)明通過深度學(xué)習(xí)構(gòu)建預(yù)測分類模型，減少了人為設(shè)計(jì)特征造成的不完備性，提高了心電信號分類的準(zhǔn)確率，同時(shí)可以對更多類型的心率變異進(jìn)行分類。

附圖說明

圖1是本發(fā)明實(shí)施例的心電信號分類方法的流程圖；

圖2是本發(fā)明實(shí)施例的心電信號分類系統(tǒng)的結(jié)構(gòu)示意圖；

圖3是DBN模型和BP神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率對比圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

請參閱圖1，是本發(fā)明實(shí)施例的心電信號分類方法的流程圖。本發(fā)明實(shí)施例的心電信號分類方法包括以下步驟：

步驟100：通過樣本數(shù)據(jù)庫選擇心電信號的數(shù)據(jù)樣本，并對選擇的數(shù)據(jù)樣本進(jìn)行去噪處理；

在步驟100中，本發(fā)明實(shí)施例采用MIT-BIH心律失常數(shù)據(jù)庫作為樣本數(shù)據(jù)庫選擇心電信號的數(shù)據(jù)樣本，MIT-BIH心律失常數(shù)據(jù)庫是由美國麻省理工學(xué)院和Beth Israel醫(yī)院合作建立的，該數(shù)據(jù)庫一共包含48條心電信號，約有109500拍，其中約70％的心拍為正常心拍，其余的為異常心拍，共有15種異常心拍，每個(gè)心拍都是經(jīng)過至少兩個(gè)以上的心電圖專家手工獨(dú)立標(biāo)注。該48條心電信號取自47個(gè)個(gè)體，包括年齡從32歲到89歲的25個(gè)男性個(gè)體和年齡從23歲到89歲的22個(gè)女性個(gè)體,其中數(shù)據(jù)記錄號201和202來自同一個(gè)體，數(shù)據(jù)記錄號100到124之間的23個(gè)數(shù)據(jù)是從Holter上述數(shù)據(jù)集中隨機(jī)選取的，是具有代表意義的各種變化的波形和偽跡記錄號；200到234之間的25個(gè)數(shù)據(jù)包含并不常見但有非常重要臨床現(xiàn)象的數(shù)據(jù)，包括一些復(fù)雜的室性、結(jié)性、室上性心律失常和傳導(dǎo)異常。數(shù)據(jù)庫中每一條心電信號記錄分別包含三個(gè)文件,分別是頭文件擴(kuò)展名為.hea、數(shù)據(jù)文件擴(kuò)展名為.dat、注釋文件擴(kuò)展名為.air。頭文件用來說明與它關(guān)聯(lián)的數(shù)據(jù)文件的名字及屬性，存儲(chǔ)方式為ASCII碼字符，其中保存了包括信號的格式、采樣頻率、長度以及此記錄患者的相關(guān)信息，例如采集地、患者病情、用藥情況等。數(shù)據(jù)文件是以“212”格式進(jìn)行存儲(chǔ)的信號原始數(shù)據(jù)，“212”格式是針對兩個(gè)信號的數(shù)據(jù)庫記錄，這兩個(gè)信號的數(shù)據(jù)交替存儲(chǔ)，每三個(gè)字節(jié)存儲(chǔ)兩個(gè)數(shù)據(jù)，在頭文件中已經(jīng)進(jìn)行了說明。注釋文件是記錄心電診斷專家對心電信號分析的結(jié)果，主要包括心跳、節(jié)律和信號質(zhì)量等信息，以二進(jìn)制進(jìn)行存儲(chǔ)。

本發(fā)明實(shí)施例通過小波變換對心電信號的數(shù)據(jù)樣本進(jìn)行去噪處理，小波變換是傅里葉變換的一個(gè)新發(fā)展，在保留傅里葉變換分析特點(diǎn)的同時(shí)也彌補(bǔ)了傅里葉變換在非平穩(wěn)信號中的一些缺陷，使在信號的分析中更具有靈活、有效的特性。在本發(fā)明實(shí)施例中，小波變換去噪方式具體包括以下步驟：

步驟101：對心電信號數(shù)據(jù)樣本進(jìn)行提升小波分解，使所含噪聲分布在不同的分解子帶上；

在步驟101中，心電信號屬于體表生物電信號，信息主要分布在0.7Hz～45Hz之間，微弱多變，易受噪聲干擾；噪聲主要源自：工頻干擾，基線漂移和肌電干擾。而正確的選擇小波基函數(shù)、小波分解的尺度、閾值及其處理方式在小波閾值去噪算法的實(shí)際應(yīng)用中發(fā)揮關(guān)鍵作用。本發(fā)明實(shí)施例在分析心電信號及噪聲頻帶分布的基礎(chǔ)上，對心電信號數(shù)據(jù)樣本進(jìn)行基于db4小波的8尺度的提升分解，使所含噪聲分布在不同的分解子帶上；其中，心電信號主要分布在第3～8層小波系數(shù)中，肌電干擾主要分布在第1～5層小波系數(shù)中，工頻干擾主要存在于第2層高頻系數(shù)中，基線漂移主要存在于第8層低頻系數(shù)中。

步驟102：根據(jù)不同分解子帶上的心電信號及其噪聲的特點(diǎn)，設(shè)定每一層小波系數(shù)的加權(quán)系數(shù)閾值，對不同分解子帶上的心電信號進(jìn)行權(quán)重處理；

在步驟102中，考慮到P、T波信息主要存在于第5層高頻系數(shù)中，由于P、T波幅度較小，在心電信號去噪過程中易丟失相應(yīng)特征信息，因此，本發(fā)明實(shí)施例中將第5層的加權(quán)系數(shù)設(shè)為0.5，并將第1、2層高頻系數(shù)和第8層低頻系數(shù)置零，從而消除工頻干擾、基線漂移及高頻部分的肌電干擾。

步驟103：對權(quán)重處理后的心電信號進(jìn)行重構(gòu)，得到干凈的心電信號數(shù)據(jù)樣本。

在步驟100中，心電信號去噪還可以為帶通濾波等去噪方法，通過對心電信號數(shù)據(jù)樣本進(jìn)行去噪處理，實(shí)現(xiàn)了一定程度上的數(shù)據(jù)樣本壓縮，提高了程序的運(yùn)行效率。

步驟200：選取每個(gè)心電信號RR間期(RR間期是用來算心室率的,是兩個(gè)QRS波中R波之間的時(shí)間)具有數(shù)據(jù)特征的一定數(shù)量的采樣點(diǎn)的數(shù)據(jù)窗口對心電信號數(shù)據(jù)樣本進(jìn)行分割，分別得到訓(xùn)練集和測試集數(shù)據(jù)；

在步驟200中，正常人的一間期在0.12s一0.20s之間，而QRS波的寬度一般在0.06s-0.10s之間，應(yīng),0.11s。因此，在心電信號處理中，希望選取最能表現(xiàn)心拍特征的QRS波而不被P波和ST波干擾，因此本發(fā)明實(shí)施例中以R波峰為中心波峰，選取每個(gè)心電信號數(shù)據(jù)樣本RR間期具有數(shù)據(jù)特征的300個(gè)采樣點(diǎn)的采樣頻率和時(shí)間長度對心電信號進(jìn)行分割，進(jìn)一步實(shí)現(xiàn)了數(shù)據(jù)的壓縮，提高了程序的運(yùn)行效率。其中，100個(gè)采樣點(diǎn)在ECG(心電圖)峰值R以前，200個(gè)采樣點(diǎn)在ECG峰值R以后。MIT-BIH心律失常數(shù)據(jù)庫中每一條心電信號的注釋中都記錄了心電信號的基本信息和心電診斷專家對信號分析的結(jié)果，例如信號時(shí)長、導(dǎo)聯(lián)、心率、信號質(zhì)量、發(fā)生心律失常心拍的位置、個(gè)數(shù)和心率失常類型等，根據(jù)MIT-BIH數(shù)據(jù)庫中這些已經(jīng)標(biāo)注好的心拍和心律失常類型信息，選取需要的心拍，并按照心拍類型分別集合成訓(xùn)練集和測試集，構(gòu)成心律失常分類樣本；由于MIT-BIH心律失常數(shù)據(jù)庫中的心電信號都是采用兩導(dǎo)聯(lián)(MLII導(dǎo)聯(lián)和V5導(dǎo)聯(lián))測量，本發(fā)明實(shí)施例中選取其中的MLII導(dǎo)聯(lián)的心電圖構(gòu)成心律失常分類樣本；樣本類型、編號和數(shù)目如下表1所示:

表1心律失常分類樣本

步驟300：通過深度學(xué)習(xí)對訓(xùn)練集進(jìn)行模型訓(xùn)練，構(gòu)建預(yù)測分類模型；

在步驟300中，深度學(xué)習(xí)的目的就是通過構(gòu)建模型模仿人類大腦中的神經(jīng)元連接結(jié)構(gòu)，在處理圖片、音頻以及文字等信號的時(shí)候，通過神經(jīng)網(wǎng)絡(luò)的不同層級的對上述數(shù)據(jù)進(jìn)行特征描述，最后給出數(shù)據(jù)的解釋。在本發(fā)明實(shí)施例中，通過深度學(xué)習(xí)構(gòu)建的預(yù)測分類模型為基于DBN(深度信念網(wǎng)絡(luò))的預(yù)測分類模型。DBN模型的學(xué)習(xí)訓(xùn)練核心包括受限玻爾茲曼機(jī)的無監(jiān)督自主訓(xùn)練和BP(反向傳播)算法的有監(jiān)督訓(xùn)練。在DBN模型訓(xùn)練的時(shí)候，如果同時(shí)進(jìn)行整個(gè)網(wǎng)絡(luò)所有層的訓(xùn)練，會(huì)導(dǎo)致時(shí)間復(fù)雜度太高，而如果采用貪婪逐層無監(jiān)督學(xué)習(xí)算法就可以解決這個(gè)問題。貪婪逐層無監(jiān)督學(xué)習(xí)算法的基本思想是，將一個(gè)DBN網(wǎng)絡(luò)模型進(jìn)行分層學(xué)習(xí)，每一層都是無監(jiān)督的學(xué)習(xí)，所有網(wǎng)絡(luò)層學(xué)習(xí)完畢后，再對整個(gè)DBN網(wǎng)絡(luò)模型進(jìn)行有監(jiān)督學(xué)習(xí)的微調(diào)。

DBN模型中包含多個(gè)隱含層，它是生成型的神經(jīng)網(wǎng)絡(luò)模型。在數(shù)據(jù)關(guān)系比較復(fù)雜的模型構(gòu)建過程中，由于DBN模型包含多個(gè)隱含層，所以它能夠表現(xiàn)出更加強(qiáng)大的能力。因而，在模型性能優(yōu)化的方法上，就能夠采用改變隱含層個(gè)數(shù)和各個(gè)隱含層的結(jié)點(diǎn)個(gè)數(shù)方面進(jìn)行優(yōu)化，這就為模型構(gòu)建提供了方向。于是就可以根據(jù)不同的數(shù)據(jù)集、不同的應(yīng)用領(lǐng)域構(gòu)建出不同隱含層個(gè)數(shù)的DBN模型。然而，目前為止，還沒有能夠采用統(tǒng)一的方法來確定DBN模型的最優(yōu)結(jié)構(gòu)(例如確定結(jié)點(diǎn)個(gè)數(shù)和網(wǎng)絡(luò)層個(gè)數(shù)等)。

本發(fā)明實(shí)施例中采用實(shí)驗(yàn)的方法來確定DBN模型的最優(yōu)結(jié)構(gòu)。具體確定方式為：當(dāng)DBN模型的隱含層個(gè)數(shù)為1時(shí)，在輸入層中，將輸入結(jié)點(diǎn)的個(gè)數(shù)設(shè)置為在1-10之間改變的10個(gè)不同值；將隱含層的結(jié)點(diǎn)個(gè)數(shù)設(shè)置為4、8、12、16及20五個(gè)不同的值。經(jīng)研究發(fā)現(xiàn)，相對與輸入結(jié)點(diǎn)的個(gè)數(shù)變化，網(wǎng)絡(luò)的預(yù)測效果對隱含層結(jié)點(diǎn)個(gè)數(shù)的改變更加敏感；在對測試集數(shù)據(jù)的分類結(jié)果中，尋找出準(zhǔn)確率最高時(shí)對應(yīng)的輸入層點(diǎn)個(gè)數(shù)和隱含層結(jié)點(diǎn)個(gè)數(shù)，之后再增加新的隱含層，判斷新的隱含層中結(jié)點(diǎn)個(gè)數(shù)的變化對預(yù)測效果的影響，從而確定最佳結(jié)點(diǎn)個(gè)數(shù)，同時(shí)也確定了隱含層的層數(shù)。最終確定出DBN模型的最優(yōu)結(jié)構(gòu)。本發(fā)明實(shí)施例通過深度學(xué)習(xí)構(gòu)建預(yù)測分類模型，減少了人為設(shè)計(jì)特征造成的不完備性，提高了心電信號分類的準(zhǔn)確率，同時(shí)可以對更多類型的心率變異進(jìn)行分類。在本發(fā)明其他實(shí)施例中，深度學(xué)習(xí)構(gòu)建的預(yù)測分類模型還可以是和積網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)或循環(huán)網(wǎng)絡(luò)等分類模型。

步驟400：將步驟200中的測試集數(shù)據(jù)輸入預(yù)測分類模型中進(jìn)行心電信號分類，并輸出心電信號分類類型；

在步驟400中，可將輸出的心電信號分類類型與設(shè)定的分類類型進(jìn)行比較，判斷輸出的心電信號分類類型是否與設(shè)定的分類類型吻合，從而計(jì)算DBN模型的準(zhǔn)確率。

請參閱圖2，是本發(fā)明實(shí)施例的心電信號分類裝置的結(jié)構(gòu)示意圖。本發(fā)明實(shí)施例的心電信號分類裝置包括數(shù)據(jù)選擇模塊、數(shù)據(jù)預(yù)處理模塊、數(shù)據(jù)分割模塊、模型訓(xùn)練模塊和信號分類模塊。

數(shù)據(jù)選擇模塊用于從樣本數(shù)據(jù)庫中選擇心電信號的數(shù)據(jù)樣本；其中，本發(fā)明實(shí)施例采用MIT-BIH心律失常數(shù)據(jù)庫作為樣本數(shù)據(jù)庫選擇心電信號的數(shù)據(jù)樣本，MIT-BIH心律失常數(shù)據(jù)庫是由美國麻省理工學(xué)院和Beth Israel醫(yī)院合作建立的，該數(shù)據(jù)庫一共包含48條心電信號，約有109500拍，其中約70％的心拍為正常心拍，其余的為異常心拍，共有15種異常心拍，每個(gè)心拍都是經(jīng)過至少兩個(gè)以上的心電圖專家手工獨(dú)立標(biāo)注。

數(shù)據(jù)預(yù)處理模塊用于對選擇的心電信號的數(shù)據(jù)樣本進(jìn)行去噪處理；其中，本發(fā)明實(shí)施例通過小波變換對心電信號的數(shù)據(jù)樣本進(jìn)行去噪處理；小波變換去噪方式具體為：

1、對心電信號數(shù)據(jù)樣本進(jìn)行提升小波分解，使所含噪聲分布在不同的分解子帶上；其中，心電信號屬于體表生物電信號，信息主要分布在0.7Hz～45Hz之間，微弱多變，易受噪聲干擾；噪聲主要源自：工頻干擾，基線漂移和肌電干擾。而正確的選擇小波基函數(shù)、小波分解的尺度、閾值及其處理方式在小波閾值去噪算法的實(shí)際應(yīng)用中發(fā)揮關(guān)鍵作用。本發(fā)明實(shí)施例在分析心電信號及噪聲頻帶分布的基礎(chǔ)上，對心電信號數(shù)據(jù)樣本進(jìn)行基于db4小波的8尺度的提升分解，使所含噪聲分布在不同的分解子帶上；其中，心電信號主要分布在第3～8層小波系數(shù)中，肌電干擾主要分布在第1～5層小波系數(shù)中，工頻干擾主要存在于第2層高頻系數(shù)中，基線漂移主要存在于第8層低頻系數(shù)中。

2、根據(jù)不同分解子帶上的心電信號及其噪聲的特點(diǎn)，設(shè)定每一層小波系數(shù)的加權(quán)系數(shù)閾值，對不同分解子帶上的心電信號進(jìn)行權(quán)重處理；其中，考慮到P、T波信息主要存在于第5層高頻系數(shù)中，由于P、T波幅度較小，在心電信號去噪過程中易丟失相應(yīng)特征信息，因此，本發(fā)明實(shí)施例中將第5層的加權(quán)系數(shù)設(shè)為0.5，并將第1、2層高頻系數(shù)和第8層低頻系數(shù)置零，從而消除工頻干擾、基線漂移及高頻部分的肌電干擾。

3、對權(quán)重處理后的心電信號進(jìn)行重構(gòu)，得到干凈的心電信號數(shù)據(jù)樣本；心電信號去噪方法還可以為帶通濾波等去噪方法，通過對心電信號數(shù)據(jù)樣本進(jìn)行去噪處理，實(shí)現(xiàn)了一定程度上的數(shù)據(jù)樣本壓縮，提高了程序的運(yùn)行效率。

數(shù)據(jù)分割模塊用于選取每個(gè)心電信號RR間期具有數(shù)據(jù)特征的一定數(shù)量的采樣點(diǎn)的數(shù)據(jù)窗口對心電信號數(shù)據(jù)樣本進(jìn)行分割，分別得到訓(xùn)練集和測試集數(shù)據(jù)；其中，正常人的一間期在0.12s一0.20s之間，而QRS波的寬度一般在0.06s-0.10s之間，應(yīng),0.11s。因此，在心電信號處理中，希望選取最能表現(xiàn)心拍特征的QRS波而不被P波和ST波干擾，因此本發(fā)明實(shí)施例中以R波峰為中心波峰，選取每個(gè)心電信號數(shù)據(jù)樣本RR間期具有數(shù)據(jù)特征的300個(gè)采樣點(diǎn)的采樣頻率和時(shí)間長度對心電信號進(jìn)行分割，進(jìn)一步實(shí)現(xiàn)了數(shù)據(jù)的壓縮，提高了程序的運(yùn)行效率。其中，100個(gè)采樣點(diǎn)在ECG(心電圖)峰值R以前，200個(gè)采樣點(diǎn)在ECG峰值R以后。MIT-BIH心律失常數(shù)據(jù)庫中每一條心電信號的注釋中都記錄了心電信號的基本信息和心電診斷專家對信號分析的結(jié)果，例如信號時(shí)長、導(dǎo)聯(lián)、心率、信號質(zhì)量、發(fā)生心律失常心拍的位置、個(gè)數(shù)和心率失常類型等，根據(jù)MIT-BIH數(shù)據(jù)庫中這些已經(jīng)標(biāo)注好的心拍和心律失常類型信息，選取需要的心拍，并按照心拍類型分別集合成訓(xùn)練集和測試集，構(gòu)成心律失常分類樣本；由于MIT-BIH心律失常數(shù)據(jù)庫中的心電信號都是采用兩導(dǎo)聯(lián)(MLII導(dǎo)聯(lián)和V5導(dǎo)聯(lián))測量，本發(fā)明實(shí)施例中選取其中的MLII導(dǎo)聯(lián)的心電圖構(gòu)成心律失常分類樣本；樣本類型、編號和數(shù)目如下表1所示:

表1心律失常分類樣本

模型訓(xùn)練模塊用于通過深度學(xué)習(xí)對訓(xùn)練集進(jìn)行模型訓(xùn)練，構(gòu)建預(yù)測分類模型；其中，通過深度學(xué)習(xí)構(gòu)建的預(yù)測分類模型為基于DBN(深度信念網(wǎng)絡(luò))的預(yù)測分類模型。DBN模型的學(xué)習(xí)訓(xùn)練核心包括受限玻爾茲曼機(jī)的無監(jiān)督自主訓(xùn)練和BP(反向傳播)算法的有監(jiān)督訓(xùn)練。在DBN模型訓(xùn)練的時(shí)候，如果同時(shí)進(jìn)行整個(gè)網(wǎng)絡(luò)所有層的訓(xùn)練，會(huì)導(dǎo)致時(shí)間復(fù)雜度太高，而如果采用貪婪逐層無監(jiān)督學(xué)習(xí)算法就可以解決這個(gè)問題。貪婪逐層無監(jiān)督學(xué)習(xí)算法的基本思想是，將一個(gè)DBN網(wǎng)絡(luò)模型進(jìn)行分層學(xué)習(xí)，每一層都是無監(jiān)督的學(xué)習(xí)，所有網(wǎng)絡(luò)層學(xué)習(xí)完畢后，再對整個(gè)DBN網(wǎng)絡(luò)模型進(jìn)行有監(jiān)督學(xué)習(xí)的微調(diào)。

DBN模型中包含多個(gè)隱含層，它是生成型的神經(jīng)網(wǎng)絡(luò)模型。在數(shù)據(jù)關(guān)系比較復(fù)雜的模型構(gòu)建過程中，由于DBN模型包含多個(gè)隱含層，所以它能夠表現(xiàn)出更加強(qiáng)大的能力。因而，在模型性能優(yōu)化的方法上，就能夠采用改變隱含層個(gè)數(shù)和各個(gè)隱含層的結(jié)點(diǎn)個(gè)數(shù)方面進(jìn)行優(yōu)化，這就為模型構(gòu)建提供了方向。于是就可以根據(jù)不同的數(shù)據(jù)集、不同的應(yīng)用領(lǐng)域構(gòu)建出不同隱含層個(gè)數(shù)的DBN模型。然而，目前為止，還沒有能夠采用統(tǒng)一的方法來確定DBN模型的最優(yōu)結(jié)構(gòu)(例如確定結(jié)點(diǎn)個(gè)數(shù)和網(wǎng)絡(luò)層個(gè)數(shù)等)。

本發(fā)明實(shí)施例中采用實(shí)驗(yàn)的方法來確定DBN模型的最優(yōu)結(jié)構(gòu)。具體確定方式為：當(dāng)DBN模型的隱含層個(gè)數(shù)為1時(shí)，在輸入層中，將輸入結(jié)點(diǎn)的個(gè)數(shù)設(shè)置為在1-10之間改變的10個(gè)不同值；將隱含層的結(jié)點(diǎn)個(gè)數(shù)設(shè)置為4、8、12、16及20五個(gè)不同的值。經(jīng)研究發(fā)現(xiàn)，相對與輸入結(jié)點(diǎn)的個(gè)數(shù)變化，網(wǎng)絡(luò)的預(yù)測效果對隱含層結(jié)點(diǎn)個(gè)數(shù)的改變更加敏感；在對測試集數(shù)據(jù)的分類結(jié)果中，尋找出準(zhǔn)確率最高時(shí)對應(yīng)的輸入層點(diǎn)個(gè)數(shù)和隱含層結(jié)點(diǎn)個(gè)數(shù)，之后再增加新的隱含層，判斷新的隱含層中結(jié)點(diǎn)個(gè)數(shù)的變化對預(yù)測效果的影響，從而確定最佳結(jié)點(diǎn)個(gè)數(shù)，同時(shí)也確定了隱含層的層數(shù)。最終確定出DBN模型的最優(yōu)結(jié)構(gòu)。本發(fā)明實(shí)施例通過深度學(xué)習(xí)構(gòu)建預(yù)測分類模型，減少了人為設(shè)計(jì)特征造成的不完備性，提高了心電信號分類的準(zhǔn)確率，同時(shí)可以對更多類型的心率變異進(jìn)行分類。在本發(fā)明其他實(shí)施例中，深度學(xué)習(xí)構(gòu)建的預(yù)測分類模型還可以是和積網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)或循環(huán)網(wǎng)絡(luò)等分類模型。

信號分類模塊用于將測試集數(shù)據(jù)輸入預(yù)測分類模型中進(jìn)行心電信號分類，并輸出心電信號分類類型；其中，可將信號分類模塊輸出的心電信號分類類型與設(shè)定的分類類型進(jìn)行比較，判斷輸出的心電信號分類類型是否與設(shè)定的分類類型吻合，從而計(jì)算DBN模型的準(zhǔn)確率。

為了檢驗(yàn)本發(fā)明實(shí)施例所構(gòu)建的DBN模型的心電信號分類效果，本發(fā)明通過使用同一組測試數(shù)據(jù)對DBN模型與BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建和預(yù)測效果進(jìn)行了比較。兩個(gè)模型的預(yù)測效果對比結(jié)果如圖3所示，為DBN模型和BP神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率對比圖。從圖3中可以看出，同一組測試數(shù)據(jù)使用DBN模型比BP模型得到的心電信號分類的準(zhǔn)確率要高。

本發(fā)明實(shí)施例的心電信號分類方法首先對原始心電信號進(jìn)行去噪處理，然后選取每個(gè)心電信號RR間期具有數(shù)據(jù)特征的采樣點(diǎn)對心電信號進(jìn)行分割，得到訓(xùn)練集和測試集，通過深度學(xué)習(xí)對訓(xùn)練集進(jìn)行模型訓(xùn)練，得到預(yù)測分類模型，通過預(yù)測分類模型進(jìn)行心電信號分類；本發(fā)明通過深度學(xué)習(xí)構(gòu)建預(yù)測分類模型，減少了人為設(shè)計(jì)特征造成的不完備性，提高了心電信號分類的準(zhǔn)確率，同時(shí)可以對更多類型的心率變異進(jìn)行分類；通過對心電信號進(jìn)行去噪處理，以及選取每個(gè)心電信號RR間期具有數(shù)據(jù)特征的采樣點(diǎn)對心電信號進(jìn)行分割，實(shí)現(xiàn)了的數(shù)據(jù)樣本壓縮，提高了程序的運(yùn)行效率。

對所公開的實(shí)施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對這些實(shí)施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。