一種基于卷積殘差網絡和遷移學習的短時心電信號房顫識別方法技術

一種基于卷積殘差網絡和遷移學習的短時心電信號房顫識別方法，該方法可實現識別短時心電信號中的房顫心律失常，所述處理方法包括以下步驟：(1)獲取帶標簽的短時心電數據片段作為訓練數據；(2)分別構建卷積神經網絡和殘差單元并組合成為卷積殘差網絡；(3)利用卷積殘差網絡構造四分類模型并進行訓練，提取最優訓練模型下的網絡參數；(4)利用遷移學習繼續優化模型，保存最優模型下的網絡參數；(5)將待測心電數據輸入步驟(4)得到的分類模型，得到判別結果。本發明專利技術的創造性在于，將卷積殘差網絡和遷移學習相結合，解決了由信號差異化所導致的房顫識別難的問題，提高了模型的泛化能力和魯棒性。

A Recognition Method of Short-term Atrial Fibrillation Based on Convolutional Residual Network and Migration Learning

A method for atrial fibrillation recognition of short-term ECG signals based on convolution residual network and migration learning is proposed. This method can recognize atrial fibrillation arrhythmia in short-term ECG signals. The processing method includes the following steps: (1) acquiring tagged short-term ECG data fragments as training data; (2) constructing convolution neural network and residual unit respectively and combining them into convolution residual network; (3) Four classification models are constructed by using convolutional residual network and trained to extract the network parameters under the optimal training model; (4) using transfer learning to continue to optimize the model and preserve the network parameters under the optimal model; (5) input the ECG data into the classification model obtained by step (4) and obtain the discriminant results. The invention combines convolution residual network with migration learning, solves the problem of atrial fibrillation identification caused by signal differentiation, and improves the generalization ability and robustness of the model.

【技術實現步驟摘要】
一種基于卷積殘差網絡和遷移學習的短時心電信號房顫識別方法
本專利技術涉及短時房顫心電信號識領域，特別涉及一種基于卷積殘差網絡和深度遷移學習的短時心電信號房顫識別方法。
技術介紹
科學研究表面，全世界每年有數千萬人死于心臟疾病，心臟疾病是在所有疾病中發病率最高、危害最大的疾病。心房顫動，簡稱房顫，是最常見的持續性心律失常心臟疾病。據統計，房顫的發病率為1％-2％，并且隨著年齡的增長房顫的患病率也逐漸增加。心臟本身的疾病如心臟衰竭、瓣膜疾病、心肌梗死等與房顫疾病顯著相關。房顫可使患者的卒中發生率增加5倍，是導致患者死亡及病殘的重要原因之一。因此，房顫等心臟疾病的及時診斷對改善人類健康、挽救人類生命具有重大意義。近幾年來，隨著便攜式智能移動醫療設備的研發，心電信號的測量和診斷走進了人們的生活。然而，心電信號的快速增長需要耗費大量的時間和經歷進行人工篩查，這增加人們的看病成本和診斷效率。伴隨著人工智能的發展，依靠機器學習技術進行機器自動診斷心臟疾病的科技變革成為了可能。
技術實現思路
針對現有技術存在的缺陷，本專利技術提供一種基于卷積殘差網絡和深度遷移學習的短時房顫心電信號識別方法，該方法首先利用深度學習中的卷積殘差網絡解決了傳統機器學習對短時房顫心電信號識別精度低的問題，然后利用遷移學習解決了便攜式移動設備所采集的短時房顫信號樣本不足的問題。為了解決上述技術問題，本專利技術提供如下的技術方案：一種基于卷積殘差網絡和遷移學習的短時心電信號房顫識別方法，包括以下步驟：(1)獲取帶標簽的短時心電數據片段作為訓練數據；(2)分別構建卷積神經網絡和殘差單元并組合成為卷積殘差網絡；(3)利用卷積殘差網絡構造四分類模型并進行訓練，提取最優訓練模型下的網絡參數；(4)利用遷移學習繼續優化模型，保存最優模型下的網絡參數；(5)將待測心電數據輸入步驟(4)得到的分類模型，得到判別結果。本專利技術可實現針對一段短時心電信號進行分析，并判斷其是否具有房顫的心律失常特征，進而給出正常信號、房顫信號、除房顫以外的其他疾病信號，以及噪聲信號這四類分類結果中的一種。進一步，所述步驟(1)中，訓練數據集來自已有心拍類型標簽的心電信號數據，可為自建心電信號數據庫、開源的心電信號數據庫，也可為包含多來源心電信號的數據庫；同時，數據庫中需至少包含正常信號、房顫信號、除房顫以外的其他疾病信號，以及噪聲信號這四類標簽，所述標簽需標注至每一短時心電數據片段，該步驟選取帶上述四類標簽的短時心電數據片段作為訓練數據，且需保證訓練數據中上述四類信號片段的數量相等。再進一步，所述步驟(4)中，重新初始化相同結構的網絡，并進行特征遷移，將提取到的最優參數賦值給新的遷移網絡，包括如下子步驟：(4-1)選取部分待測數據構建心電信號片段數據集，數據集包含正常信號、房顫信號、除房顫以外的其他疾病信號，以及噪聲信號這四類標簽；(4-2)構造和原卷積殘差網絡相同結構的多分類遷移網絡并進行特征遷移，即提取原卷積殘差網絡最優模型下的參數并賦值給新的遷移網絡；(4-3)利用步驟(4-1)所獲得的數據集，對遷移網絡的部分卷積殘差層繼續做優化訓練，調整參數；(4-4)重復步驟(4-3)，進行多次參數優化后，保存最優模型結構。進一步，所述步驟(4-3)的處理過程如下：(4-3-1)凍結遷移網絡中的前N1層參數，即固定前N1層的參數不做處理；(4-3-2)對剩余網絡中的前N2層參數進行微調，優化至最優參數；(4-3-3)重新初始化遷移網絡中最后N3層網絡，并重新訓練至最優參數。本專利技術的有益效果主要表現在：利用卷積神經網絡解決了短時心電信號分類難的問題，而卷積殘差網絡較普通卷積神經網絡更具優勢，算法精度更高；同時，遷移學習和卷積殘差網絡結合可以很好地解決由信號差異化所導致的房顫識別率低的問題，提高了模型的泛化能力和魯棒性。附圖說明圖1為本專利技術基于卷積殘差網絡和遷移學習的短時心電信號房顫識別方法流程圖。圖2為本專利技術實施例中構建的卷積殘差網絡示意圖。圖3為本專利技術實施例中構建的三種遷移網絡結構。具體實施方式下面結合說明書附圖對本專利技術具體實施過程做進一步描述。參照圖1～圖3，一種基于卷積殘差網絡和遷移學習的短時心電信號房顫識別方法，包括以下步驟：(1)獲取帶標簽的短時心電數據片段作為訓練數據；(2)分別構建卷積神經網絡和殘差單元并組合成為卷積殘差網絡；(3)利用卷積殘差網絡構造四分類模型并進行訓練，提取最優訓練模型下的網絡參數；(4)利用遷移學習繼續優化模型，保存最優模型下的網絡參數；(5)將待測心電數據輸入步驟(4)得到的分類模型，得到判別結果。參照圖1，本方法可實現針對一段短時心電信號進行分析，并判斷其是否具有房顫的心律失常特征，進而給出正常信號、房顫信號、除房顫以外的其他疾病信號，以及噪聲信號這四類分類結果中的一種。參照圖1，所述步驟(1)中，訓練數據集來自已有心拍類型標簽的心電信號數據，可為自建心電信號數據庫、開源的心電信號數據庫，也可為包含多來源心電信號的數據庫；同時，數據庫中需至少包含正常信號、房顫信號、除房顫以外的其他疾病信號，以及噪聲信號這四類標簽，所述標簽需標注至每一短時心電數據片段，該步驟選取帶上述四類標簽的短時心電數據片段作為訓練數據，且需保證訓練數據中上述四類信號片段的數量相等。參照圖1、圖2，在本實施例中，所述步驟(2)構建的卷積殘差網絡包含1個非殘差模塊和16個殘差模塊，其具體結構如下：非殘差模塊1結構：1)第一層：一維卷積層，卷積核尺寸為N，濾波器個數為M，步長為S；2)第二層：非線性ReLu激活函數層；3)第三層：批標準化層。殘差模塊1結構：1)第一層：一維卷積層，卷積核尺寸為N，濾波器個數為M，步長為S；2)第二層：批標準化層；3)第三層：非線性ReLu激活函數層；4)第四層：隨機丟棄層，丟棄概率為P；5)第五層：一維卷積層，卷積核尺寸為N，濾波器個數為M，步長為S；6)第六層：一維最大池化層，池化窗口尺寸為2，步長為2；7)殘差層：一維最大池化層，池化窗口尺寸為2，步長為2，殘差層的輸入來自上一模塊的最后一層，輸出與本模塊的最后一層進行線性疊加構成殘差模塊。殘差模塊2結構：1)第一層：批標準化層；2)第二層：非線性ReLu激活函數層；3)第三層：隨機丟棄層，丟棄概率為P；4)第四層：一維卷積層，卷積核尺寸為N，濾波器個數為M，步長為S；5)第五層：批標準化層；6)第六層：非線性ReLu激活函數層；7)第七層：隨機丟棄層，丟棄概率為P；8)第八層：一維卷積層，卷積核尺寸為N，濾波器個數為M，步長為S；9)殘差層：一維最大池化層，池化窗口尺寸為2，步長為2，殘差層的輸入來自上一模塊的最后一層，輸出與本模塊的最后一層進行線性疊加構成殘差模塊。殘差模塊3結構：1)第一層：批標準化層；2)第二層：非線性ReLu激活函數層；3)第三層：隨機丟棄層，丟棄概率為P；4)第四層：一維卷積層，卷積核尺寸為N，濾波器個數為M，步長為S；5)第五層：批標準化層；6)第六層：非線性ReLu激活函數層；7)第七層：隨機丟棄層，丟棄概率為P；8)第八層：一維卷積層，卷積核尺寸為N，濾波器個數為M，步長為S；9)第九層：一維最大池化層，池化窗口尺寸為2，步長為2；10)殘差層：一維最大池化層，池化窗本文檔來自技高網...

【技術保護點】
1.一種基于卷積殘差網絡和遷移學習的短時心電信號房顫識別方法，其特征在于，所述方法包括以下步驟：(1)獲取帶標簽的短時心電數據片段作為訓練數據；(2)分別構建卷積神經網絡和殘差單元并組合成為卷積殘差網絡；(3)利用卷積殘差網絡構造四分類模型并進行訓練，提取最優訓練模型下的網絡參數；(4)利用遷移學習繼續優化模型，保存最優模型下的網絡參數；(5)將待測心電數據輸入步驟(4)得到的分類模型，得到判別結果。

【技術特征摘要】
1.一種基于卷積殘差網絡和遷移學習的短時心電信號房顫識別方法，其特征在于，所述方法包括以下步驟：(1)獲取帶標簽的短時心電數據片段作為訓練數據；(2)分別構建卷積神經網絡和殘差單元并組合成為卷積殘差網絡；(3)利用卷積殘差網絡構造四分類模型并進行訓練，提取最優訓練模型下的網絡參數；(4)利用遷移學習繼續優化模型，保存最優模型下的網絡參數；(5)將待測心電數據輸入步驟(4)得到的分類模型，得到判別結果。2.如權利要求1所述的一種基于卷積殘差網絡和遷移學習的短時心電信號房顫識別方法，其特征在于，所述步驟(1)中，訓練數據集來自已有心拍類型標簽的心電信號數據，可為自建心電信號數據庫、開源的心電信號數據庫，也可為包含多來源心電信號的數據庫；同時，數據庫中需至少包含正常信號、房顫信號、除房顫以外的其他疾病信號，以及噪聲信號這四類標簽，所述標簽需標注至每一短時心電數據片段，該步驟選取帶上述四類標簽的短時心電數據片段作為訓練數據，且需保證訓練數據中上述四類信號片段的數量相等。3.如權利要求1或2所述的一種基于卷積殘差網絡和...

【專利技術屬性】
技術研發人員：李昊奇，曹圻能，鐘一舟，
申請(專利權)人：杭州質子科技有限公司，
類型：發明
國別省市：浙江,33