【技術實現步驟摘要】
本專利技術涉及心電信號提取的，尤其涉及一種基于多尺度深度學習的心電信號提取方法及系統。
技術介紹
1、在實際應用中，心電信號的采集過程往往受到多種噪聲的影響，這些噪聲往往來源于采集環境和采集設備，比如：由于電極與皮膚接觸過程中的摩擦所引起的摩擦噪聲；由于用戶的呼吸、肌肉活動引起的噪聲干擾。噪聲的存在會掩蓋心電信號中的重要特征。因此，去除噪聲影響，提取心電信號非常有必要。
2、傳統的心電圖技術是最常用的心電信號提取方法，該方法雖然簡單易行，但信號質量無法保證。心電信號存在個體差異性，不同年齡、性別、病史、地區的個體的心電信號存在顯著差異；基于數字濾波的心電信號提取方法雖然在一定程度上提高了信號質量，但無法很好地適配不同個體的心電信號。
技術實現思路
1、基于深度學習的心電信號提取方法可以自動學習和提取心電信號的特征，因此，本專利技術采用深度學習方法進行心電信號的提取，同時考慮到心電信號的個體差異性，在多個尺度上全面描述心電信號的特征，尋找最具代表性的特征，以提高對于心電信號的分類準確率和疾病診斷準確率。
2、本專利技術提出的技術方案為一種基于多尺度深度學習的心電信號提取方法，包括以下步驟：
3、s1：采集心電信號并進行多尺度小波變換，獲得多尺度時頻圖序列；
4、s2：對多尺度時頻圖序列中的每張時頻圖，在時間和頻率維度去噪，得到平滑時頻圖序列；
5、s3：采用孤立森林對平滑時頻圖序列中的每張平滑時頻圖進行評分，得到具有最佳尺度
6、s4：對最佳尺度的平滑時頻圖提取多尺度卷積特征并進行融合，得到最優的卷積融合特征；
7、s5：基于最優的卷積融合特征，對心電信號進行分類。
8、可選地，所述步驟s1中，采集心電信號并進行多尺度小波變換，獲得多尺度時頻圖序列，包括：
9、采集心電信號，對心電信號進行小波變換，得到時頻圖：
10、；
11、其中，表示時頻圖，表示小波變換的尺度，表示時間，表示小波變換的位置，表示隨時間變化的心電信號，表示哈爾小波母函數，表示對信號在采集時間內求積分；
12、小波變換的尺度取值變化，得到不同尺度下的時頻圖，組成多尺度時頻圖序列。
13、可選地，所述步驟s2中，對多尺度時頻圖序列中的每張時頻圖，在時間和頻率維度去噪，得到平滑時頻圖序列，包括：
14、對多尺度時頻圖序列中的每張時頻圖，利用時間維度二階導數抑制時頻圖中的尖波噪聲：
15、；
16、其中，表示利用時間維度二階導數抑制尖波噪聲后的時頻圖，表示調節參數，表示時頻圖在時間維上的二階導數；
17、對多尺度時頻圖序列中的時頻圖，利用頻率維度二階導數抑制時頻圖中的尖波噪聲：
18、；
19、其中，表示利用頻率維度二階導數抑制尖波噪聲后的時頻圖，表示調節參數，表示頻率，表示時頻圖在頻率維上的二階導數；
20、平滑時頻圖為：
21、；
22、將不同尺度下的平滑時頻圖，組成平滑時頻圖序列。
23、可選地，所述步驟s3中，采用孤立森林對平滑時頻圖序列中的每張平滑時頻圖進行評分，得到具有最佳尺度的平滑時頻圖，包括：
24、s31：對平滑時頻圖序列中的每張平滑時頻圖提取第一層卷積特征；
25、基于第一層卷積特征將平滑時頻圖序列劃分為兩個子集，每個子集用一個葉子節點表示；
26、s32：判斷每個已有子集中的元素個數；
27、如果元素個數大于1，那么對該子集中的平滑時頻圖提取下一層卷積特征；
28、基于下一層卷積特征將該子集進一步劃分為新的子集，每個新的子集用一個葉子節點表示；
29、如果元素個數等于1，不對該子集進行處理；
30、s33：重復步驟s32，直到每個子集中的元素個數都為1；
31、每張平滑時頻圖的隔離路徑長度等于從根節點到包含平滑時頻圖的子集所在的葉節點的最長路徑長度；
32、選擇具有最長隔離路徑長度的平滑時頻圖作為最佳尺度的平滑時頻圖。
33、可選地，所述步驟s4中，對最佳尺度的平滑時頻圖提取多尺度卷積特征并進行融合，得到最優的卷積融合特征，包括：
34、s41：對最佳尺度的平滑時頻圖提取多尺度卷積特征，建立多尺度卷積特征集合：
35、；
36、其中，表示來源于最佳尺度的平滑時頻圖的多尺度卷積特征集合，表示第層卷積特征，表示提取卷積特征的最高層數；
37、s42：選取集合中的特征進行融合，得到最優的卷積融合特征。
38、可選地，所述步驟s42中，選取集合中的特征進行融合，得到最優的卷積融合特征，包括：
39、s421：構建多尺度卷積特征子集，初始化多尺度卷積特征子集為空集；
40、s422：依次選擇集合中的每一個元素，放入多尺度卷積特征子集，計算多尺度卷積特征子集的評估指標；
41、s423：選擇使多尺度卷積特征子集評估指標最大的元素，將該元素保留在多尺度卷積特征子集，并將該元素從集合中刪除；
42、s424：重復步驟s422和步驟s423，直到多尺度卷積特征子集的評估指標不再提升；
43、此時，將多尺度卷積特征子集中的特征進行拼接，得到最優的卷積融合特征。
44、本專利技術還提供了一種基于多尺度深度學習的心電信號提取系統，包括：
45、多尺度小波變換模塊：采集心電信號，對心電信號進行多尺度小波變換，得到多尺度時頻圖序列；
46、去噪模塊：利用時間維度二階導數抑制尖波噪聲，利用頻率維度二階導數抑制尖波噪聲，得到平滑時頻圖，組成平滑時頻圖序列；
47、評分模塊：提取第一層卷積特征，將平滑視頻圖序列劃分為兩個子集，用葉子節點表示子集，判斷子集中的元素個數，計算每張平滑時頻圖的隔離路徑長度，選擇具有最長隔離路徑長度的平滑時頻圖作為最佳尺度的平滑時頻圖；
48、特征融合模塊：提取多尺度卷積特征，建立多尺度卷積特征集合，選取特征進行融合，得到最優的卷積融合特征；
49、心電信號分類模塊：基于最優的卷積融合特征，對心電信號進行分類。
50、有益效果：
51、本專利技術采用深度學習方法，基于心電信號的特征對心電信號進行分類，提高分類準確性；采用多尺度小波變換，得到的多尺度時頻圖序列有利于全面描述心電信號的特征，不受個體差異性的影響；基于孤立森林對小波變換尺度進行評價，有利于適配個體特征，獲得心電信號的最佳尺度時頻變換；基于時頻圖的多尺度卷積特征提取及遞歸式融合，保證該特征組合具有最好的評估指標；有利于尋找最具代表性的特征，提高對于心電信號的分類準確率和疾病診斷準確率。
52、本專利技術對每張時頻圖，利用時間維度二階導數和頻率維度二階導數，可以更好地找到時頻圖本文檔來自技高網...
【技術保護點】
1.一種基于多尺度深度學習的心電信號提取方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于多尺度深度學習的心電信號提取方法，其特征在于，所述步驟S1包括：
3.根據權利要求2所述的基于多尺度深度學習的心電信號提取方法，其特征在于，所述步驟S2包括：
4.根據權利要求3所述的基于多尺度深度學習的心電信號提取方法，其特征在于，所述步驟S3包括：
5.根據權利要求4所述的基于多尺度深度學習的心電信號提取方法，其特征在于，所述步驟S4包括：
6.根據權利要求5所述的基于多尺度深度學習的心電信號提取方法，其特征在于，所述步驟S42包括：
7.一種基于多尺度深度學習的心電信號提取系統，其特征在于，包括：
【技術特征摘要】
1.一種基于多尺度深度學習的心電信號提取方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于多尺度深度學習的心電信號提取方法，其特征在于，所述步驟s1包括：
3.根據權利要求2所述的基于多尺度深度學習的心電信號提取方法，其特征在于，所述步驟s2包括：
4.根據權利要求3所述的基于多尺度深度學習的...
【專利技術屬性】
技術研發人員：劉哲，陳賢祥，唐聰能，卿文彬，鄭其昌，袁再鑫，秦遠迎，
申請(專利權)人：湖南萬脈醫療科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。