一种不平衡单导联心电数据分类方法及系统

技术领域

本发明涉及信号分类领域，尤其涉及一种不平衡单导联心电数据分类方法及系统。

背景技术

当前，深度学习方法在目标检测、医学图像异常检测和心电图智能诊断等诸多领域已取得巨大成功，但是这类方法大多都是基于平衡数据构建的，当面对真实的不平衡数据时，它们的方法将会收到严重桎梏，尤其是在医学领域中，例如基于深度学习的心电图智能辅助诊断中，随着可穿戴设备和物联网的发展，使患者能够随时的采集心电信号，而面对如此庞大的心电数据库，当正常心电信号与异常心电信号的数量比例严重失衡时，容易导致心电图智能辅助算法错误分类，容易将少数类的异常心电信号错误分类为正常的心电信号。

发明内容

为了解决上述技术问题，本发明的目的是提供一种不平衡单导联心电数据分类方法及系统，将卷积神经网络和合成少数过采样技术结合，对不平衡心电数据集分类，提高模型分类效果。

本发明所采用的第一技术方案是：一种不平衡单导联心电数据分类方法，包括以下步骤：

获取原始心电信号并对原始心电信号进行预处理，得到预处理后的心电信号；

对预处理后的心电信号进行深度特征提取并对深度特征降维，得到多数类特征和少数类特征；

基于SMOTE算法对少数类特征进行合成，得到少数类特征合成样本；

根据多数类特征和少数类特征合成样本对原始心电信号进行SVM分类，得到分类结果。

进一步，所述获取原始心电信号并对原始心电信号进行预处理，得到预处理后的心电信号这一步骤，其具体包括：

获取原始心电信号；

基于离散小波变换对原始心电信号进行六层分解，得到对应层的高频分量和低频分量；

将第一层高频分量、第二层高频分量和第六层低频分量舍弃，并将剩余的高频分量和低频分量进行重构，得到重构后的心电信号；

对重构后的心电信号进行裁剪和补零处理，将重构后的心电信号数据长度控制为30s，得到预处理后的心电信号。

进一步，所述对预处理后的心电信号进行深度特征提取并对深度特征降维，得到多数类特征和少数类特征这一步骤，其具体包括：

基于预构建的卷积神经网络对预处理后的心电信号进行深度特征提取，得到多数类样本和少数类样本对应的64维特征；

基于PCA降维算法对多数类样本和少数类样本对应的64维特征进行降维处理，得到41维的多数类特征和少数类特征。

进一步，所述预构建的卷积神经网络包括四个卷积层、三个最大池化层和三个全连接层。

进一步，所述基于SMOTE算法对少数类特征进行合成，得到少数类特征合成样本这一步骤，其具体包括：

对于每一个41维的少数类特征X，以欧氏距离为标准计算X到其它所有特征的距离，得到对应的k近邻；

根据多数类特征和少数类特征不平衡的比例，设置采样比例并确定采样倍数N；

对于每一个少数类特征X，根据采样倍数N从对应的k个近邻中随机选择若干个特征，选取近邻Xn；

对选取的近邻Xn重新构建样本，得到少数类特征合成样本。

进一步，所述对选取的近邻Xn重新构建样本的公式如下：

上式中，rand(0,1)表示从0～1随机选取一个数组，X表示少数类特征，

本发明所采用的第二技术方案是：一种不平衡单导联心电数据分类系统，包括：

预处理模块，用于获取原始心电信号并对原始心电信号进行预处理，得到预处理后的心电信号；

特征提取模块，用于对预处理后的心电信号进行深度特征提取并对深度特征降维，得到多数类特征和少数类特征；

样本合成模块，用于基于SMOTE算法对少数类特征进行合成，得到少数类特征合成样本；

分类模块，用于根据多数类特征和少数类特征合成样本对原始心电信号进行SVM分类，得到分类结果。

本发明方法及系统的有益效果是：本发明将基于卷积神经网络架构的深度特征计算与用于少数类样本生成SMOTE算法结合，对能够深度挖掘ECG信息的深度特征进行样本生成，以提高模型的分类准确度。

附图说明

图1是本发明一种不平衡单导联心电数据分类方法的步骤流程图；

图2是本发明具体实施例数据处理示意图；

图3是本发明一种不平衡单导联心电数据分类系统的结构框图；

图4是本发明具体实施例心电信号分解示意图；

图5是本发明具体实施例卷积神经网络的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

参照图1和图2，本发明提供了一种不平衡单导联心电数据分类方法，该方法包括以下步骤：

获取原始心电信号并对原始心电信号进行预处理，得到预处理后的心电信号；

对预处理后的心电信号进行深度特征提取并对深度特征降维，得到多数类特征和少数类特征；

基于SMOTE算法对少数类特征进行合成，得到少数类特征合成样本；

根据多数类特征和少数类特征合成样本对原始心电信号进行SVM分类，得到分类结果。

具体地，用SVM代替CNN中的SoftMax分类器，提高了训练模型的分类效果。

进一步作为本方法的优选实施例，所述获取原始心电信号并对原始心电信号进行预处理，得到预处理后的心电信号这一步骤，其具体包括：

获取原始心电信号；

基于离散小波变换对原始心电信号进行六层分解，得到对应层的高频分量和低频分量；

具体地，通过离散小波变换对原始心电信号进行多层分解，每一层包含一个高频分量和一个低频分量，而下一层的高频分量和低频分量是由上一层的低频分量分解而成，分解图参照图4。

将第一层高频分量、第二层高频分量和第六层低频分量舍弃，并将剩余的高频分量和低频分量进行重构，得到重构后的心电信号；

对重构后的心电信号进行裁剪和补零处理，将重构后的心电信号数据长度控制为30s，得到预处理后的心电信号。

具体地，考虑到卷积神经网络要求训练数据和预测数据的输入数据长度需要等长，对此需要对数据集中的ECG进行裁剪和补零，将时长大于30s的数据进行裁剪，只保留后30s数据，对时长小于30s的数据进行零补充，使数据长度为30s。通过裁剪与补零操作后，所有数据长度为30s。

进一步作为本方法的优选实施例，所述对预处理后的心电信号进行深度特征提取并对深度特征降维，得到多数类特征和少数类特征这一步骤，其具体包括：

基于预构建的卷积神经网络对预处理后的心电信号进行深度特征提取，得到多数类样本和少数类样本对应的64维特征；

基于PCA降维算法对多数类样本和少数类样本对应的64维特征进行降维处理，得到41维的多数类特征和少数类特征。

进一步作为本方法的优选实施例，所述预构建的卷积神经网络包括四个卷积层、三个最大池化层和三个全连接层。

具体地，预构建的卷积神经网络结构示意图参照图5。

进一步作为本方法优选实施例，所述基于SMOTE算法对少数类特征进行合成，得到少数类特征合成样本这一步骤，其具体包括：

对于每一个41维的少数类特征X，以欧氏距离为标准计算X到其它所有特征的距离，得到对应的k近邻；

根据多数类特征和少数类特征不平衡的比例，设置采样比例并确定采样倍数N；

对于每一个少数类特征X，根据采样倍数N从对应的k个近邻中随机选择若干个特征，选取近邻Xn；

对选取的近邻Xn重新构建样本，得到少数类特征合成样本。

进一步作为本方法优选实施例，所述对选取的近邻Xn重新构建样本的公式如下：

上式中，rand(0,1)表示从0～1随机选取一个数组，X表示少数类特征，

如图3所示，一种不平衡单导联心电数据分类系统，包括：

地质灾害位置图模块，用于获取地质灾害隐患点位置并绘制地质灾害位置图；

预处理模块，用于获取原始心电信号并对原始心电信号进行预处理，得到预处理后的心电信号；

特征提取模块，用于对预处理后的心电信号进行深度特征提取并对深度特征降维，得到多数类特征和少数类特征；

样本合成模块，用于基于SMOTE算法对少数类特征进行合成，得到少数类特征合成样本；

分类模块，用于根据多数类特征和少数类特征合成样本对原始心电信号进行SVM分类，得到分类结果。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。