一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法

技术领域

本发明涉及ECG信号的分类领域，尤其涉及一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法。

背景技术

近年来，心血管疾病发生率不断提升。不仅仅是中老年人，甚至有不少的青壮年都不幸患病，然而还低年龄段人群中却还没有引起足够的重视，这就需要我们增强技术手段，在心脏出现异常时可以做出准确的检测。心电图作为诊断心脏病和评估心脏功能的基础，记录着心脏的心理活动，准确的识别信号所显示的心脏生理活动有利于心脏病的诊断。如何提高分类的准确率，一直以来都是医学领域以及计算机领域的研究热点。

传统的ECG信号分类技术有很多，主要包括支持向量机、线性判别分析、贝叶斯、K最近邻算法等等，主要思想是通过PCA、小波变换、高阶统计量、模糊c均值聚类等特征处理技术与分类算法进行结合，以达到准确分类的目的。传统时间序列的分类方法理论成熟，学习时间相对较短。但是随着数据量的增多，传统算法也存在明显的缺陷，例如不能很好地处理非线性拟合的问题，需要人工处理特征等。并且随着计算机算力的不断提高，基于深度学习的方法逐渐成为了ECG信号分类领域的研究热点。

深度学习包括卷积神经网络(CNN)、循环神经网络(RNN)和生成对抗网络(GAN)；其中卷积神经网络经过多领域的认证其对特征提取具有非常好的效果，目前卷积神经网络应用到导联心电信号的分类中已经有大量的研究。但因为ECG信号的特殊性，不同的提取人群之间、不同的心拍之间以及每个心拍所包含的不同的特征之间，特征尺度相差都很大，而且特征与特征之间的存在的时间、尺度等关联性对ECG信号的分类也会差生极大的影响，这就容易造成对某些类别的漏学习，进而导致模型对ECG信号的识别分类产生错误。

CN111666865A，多导联心电信号卷积神经网络分类模型及其使用方法，该方法使用一个卷积层一个池化层构成若干个串联的特征提取模块，在特征提取模块之后分出与样本类别数量相同的通道个数，形成并联的输出模块，每个输出模块包括一个全连接层和一个输出层。使用新型损失函数判别网络的收敛程度，训练网络参数，以达到最优的网络模型，该方法提取的特征不够丰富，参数过多，特征之间的时间相关性没有得到很好地利用。

发明内容

根据现有技术存在的问题，本发明公开了一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法，包括以下步骤：

S1：获取MIT-BIH数据集中的ECG时间序列数据，并对该ECG时间序列数据进行预处理，得到预处理后ECG时间序列数据，对预处理后的ECG时间序列数据按照比例划分训练集数据和测试集数据；

S2：构建用于提取ECG时间序列特征信息的ECG信息提取模块、用于提取多个尺度ECG时间序列特征信息的多尺度特征提取模块、用于增加描述ECG时间序列的特征数量的维度空间提取模块以及用于分类的BiLSTM与全连接层结合的分类模块，基于ECG信息提取模块、多尺度特征提取模块、维度空间提取模块及BiLSTM与全连接层结合的分类模块构建基于BiLSTM与串并多尺度CNN网络结合的轻量化网络模型；

S3:将训练集数据批次输入到BiLSTM与串并多尺度CNN结合的轻量化网络模型中对轻量化网络模型进行训练，得到训练好的轻量化ECG分类网络模型；

S4:将测试集数据输入到训练好的轻量化ECG分类网络模型里对测试集数据进行正常搏动、室上异位搏动、室性异位搏动、融合搏动四分类，并将分类结果与该测试集标签进行比较，得到分类的准确率，完成对此轻量化ECG网络模型分类性能的测试。

进一步地，所述对ECG时间序列进行预处理包括以下步骤：

S1-1：获取MIT-BIH心电信号数据，并对该数据采用9尺度小波变换对信号进行去噪处理，得到去噪后的心电信号；

S1-2：将去噪后的心电信号的每一个R峰位为基准点，取每一个R峰的前0.4s到后0.5s从去噪后的心电信号中提取一个心拍样本，得到含有100672个心拍样本的数据集；

S1-3:按照AAMI标准将含有100672个心拍样本的的数据集划分为正常搏动、室上异位搏动、室性异位搏动、融合搏动四个类别，并对四个类别进行one-hot编码；

S1-4:采用交叉验证公式将one-hot编码之后的数据集划分为训练集与测试集。

进一步地，其特征还在于：所述基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类模型的构建方法，步骤如下：

S2-1:在串并多尺度CNN网络中的并行方向搭建三个串行通道，分别为串行通道1、串行通道2、串行通道3，其中串行通道1又分为串行通道1.1串行通道1.2，在串并多尺度CNN网络的每个串行通道上引入多个卷积层与最大池化层结合的ECG信息提取模块，在串并多尺度CNN网络的串行以及并行两个方向上每个卷积层中卷积核的大小皆以等差递增的形式依次增加以获取不同尺度相关性的特征信息，并使ECG信息提取模块与最大池化层进行残差连接搭建多尺度信息提取模块；

在串并多尺度CNN网络中共使用了四个ECG信息提取模块，每个模块有两个卷积层，一个最大池化层，串行通道1有两个ECG信息提取模块，从上到下为ECG信息提取模块1以及串行通道1.2中的ECG信息提取模块2、串行通道2有ECG信息提取模块3、串行通道3有ECG信息提取模块4，每一层中卷积核的大小皆以等差数列递增公式进行递增；

S2-2:串并多尺度CNN网络的串行通道1是在引入了多尺度信息提取模块之后连接了维度空间提取模块；

由串并多尺度CNN网络的串行通道1.1中的最大池化层和以及串行通道1.2中的ECG信息提取模块通过concat融合的方式搭建第一个维度空间提取模块；

S2-3:串并多尺度CNN网络的串行通道2是在多尺度信息提取模块之后引入一个残差模块来增加串行通道2中卷积核提取特征的感受野，进行对ECG时间序列特征的多级提取；

通过对卷积核大小为8的卷积层进行残差连接完成残差模块的搭建；

S2-4:串并多尺度CNN的串行通道3中只引入一个多尺度信息提取模块；

S2-5:串并多尺度CNN网络结构还分别在串行通道1、2、3的多尺度特征提取块之前引入不同大小卷积核的卷积层来保证输入不同尺度的特征；随着串行通道1、2、3的通道数不断增加，各个通道中卷积层的数量也是不断减小来避免由卷积核大小的递增所导致提取特征的感受野过大，最后将串并多尺度CNN的串行通道1、2、3通过concat融合的方式搭建第二个维度空间提取模块，用于增加描述ECG时间序列的特征的提取数量并构建成完整的串并多尺度CNN，第二个维度空间提取模块即完整的串并行多尺度CNN网络；

S2-6:在串并多尺度CNN之后，搭建以BiLSTM为主的分类模块，使用多个BiLSTM与全连接层结合的方式构建分类模块，该模块与串并多尺度CNN网络结合，引入了串并多尺度CNN网络提取的特征之间具有前后相关性的优势实现对ECG时间序列心拍样本的四分类。

进一步地，所述BiLSTM与串并多尺度CNN结合的轻量化网络模型训练过程如下：

S3-1:将训练数据集中的心拍样本批次输入到BiLSTM与串并多尺度CNN结合的轻量化网络模型中提取ECG心电信号的时间序列特征并针对提取的特征完成正常搏动、室上异位搏动、室性异位搏动、融合搏动四个类别分类，将分类的结果与训练集心拍样本的对应标签进行对比，得到分类的准确率。

S3-2:采用与one-hot编码相匹配的交叉熵损失函数计算整个ECG分类网络模型的损失并使用rmsprop进行反向传播以更新整个ECG分类网络模型的参数，直至ECG网络的损失收敛至0.02以下或者达到最高的训练次数，训练结束；保存训练过程中分类准确率最高的一次分类模型，作为最优网络模型。

进一步地，所述BiLSTM与串并多尺度CNN结合的轻量化网络模型测试过程如下:

将测试集的心拍样本输入到训练好的最优网络模型，通过对测试集数据进行正常搏动、室上异位搏动、室性异位搏动、融合搏动四分类，并将分类结果与该测试集中心拍样本对应的标签进行对比，完成对此轻量化网络模型分类性能的测试，得到分类准确率。

由于采用了上述技术方案，本发明提供的一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法，通过串并结合的思维，首先是构建多层卷积核以等差数列的方式递增的卷积层与池化层结合搭建ECG信息提取模块；在ECG信息提取模块的基础上与最大池化层进行残差连接或者concat融合构建多尺度特征提取模块或者维度空间提取模块；使用多个串行通道并行输入的方式构建维度空间提取模块；串行通道一是在多尺度特征提取模块下方连接的维度空间特征提取模块；串行通道二是在多尺度特征提取模块下方接残差模块；串行通道三只保留多尺度特征提取模块。随着串行通道1、2、3通道数的增加各个卷积层中卷积核大小等差递增、卷积层数等差递减，通过这种思想可以提取更为丰富的ECG时间序列的特征，并保持卷积核进行提取特征时感受野的平衡，从而形成完整的串并行多尺度网络；使用多个双向长短时记忆网路(BiLSTM)与全连接层结合构架分类模块；最终形成完整的一种基于BiLSTM与串并多尺度CNN网络结合的轻量化ECG分类模型；整个网络只有84392个参数，远远低于现有的ECG分类网络模型的参数量，实现了在保证ECG分类网络轻量化的前提下从单个特征所含信息量、时序特征的数量多方面来丰富所提取的特征、从而使得本ECG分类网络模型可以达到99.6％以上的准确率，与现有的AAMI标准四分类技术相比也有了较大的提升。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明所述ECG时间序列分类方法的整体设计流程图；

图2是本发明所述ECG时间序列分类方法的ECG信息提取模型结构图；

图3是本发明所述ECG时间序列分类方法的多尺度信息提取模块结构图；

图4是本发明所述ECG时间序列分类方法的第一个维度空间提取模块结构图；

图5是本发明所述ECG时间序列分类方法的串并多尺度CNN中串行通道2的残差模块结构图；

图6是本发明所述ECG时间序列分类方法的分类模块结构图；

图7是本发明所述ECG时间序列分类方法的完整的轻量化ECG分类网络模型图；

图8是本发明混淆矩阵图。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

图1是本发明所述ECG时间序列分类方法的整体设计流程图；一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类方法，包括以下步骤：

S1：获取MIT-BIH数据集中的ECG时间序列数据，并对该ECG时间序列数据进行预处理，得到预处理后ECG时间序列数据，对预处理后的ECG时间序列数据按照比例划分训练集数据和测试数据；

S2：搭建用于提取ECG时间序列特征信息的ECG信息提取模块、用于提取多个尺度ECG时间序列特征信息的多尺度特征提取模块、用于增加描述ECG时间序列的特征数量的维度空间提取模块以及用于分类的BiLSTM与全连接层结合的分类模块，基于ECG信息提取模块、多尺度特征提取模块、维度空间提取模块及BiLSTM与全连接层结合的分类模块构建基于BiLSTM与串并多尺度CNN网络结合的轻量化网络模型；

S3:将训练集数据批次输入到BiLSTM与串并多尺度CNN结合的轻量化网络模型中对轻量化网络模型进行训练，得到训练好的轻量化ECG分类网络模型；

S4:将测试集数据输入到训练好的轻量化ECG分类网络模型里对测试集数据进行正常搏动、室上异位搏动、室性异位搏动、融合搏动四分类，并将分类结果与该测试集标签进行对比，得到分类的准确率，完成对此轻量化ECG网络模型分类性能的测试。

进一步地：所述对ECG时间序列数据进行预处理的过程如下：

S1-1：获取MIT-BIH心电信号数据，并对该数据采用9尺度小波变换对信号进行去噪处理，得到去噪后的心电信号；

S1-2：对于去噪后的心电信号，以该去噪后的心电信号的每一个R峰位为基准点，取每一个R峰的前0.4s到后0.5s从去噪后的心电信号中提取一个心拍样本，最后得到一个含有100672个心拍样本的数据集；

S1-3：按照AAMI标准将上述获得的数据集划分为正常搏动(N)，室上异位搏动(S)，室性异位搏动(V)，融合搏动(F)和未知搏动(Q)五类，由于第五类Q包含许多未知搏动类，故本实验只进行N、S、V、F四分类验证,并对数据集的N、S、V、F四种类别进行one-hot编码；

S1-4:将one-hot编码之后的数据集采用的交叉验证的方式将其划分为训练集与测试集，交叉验证的划分公式如下；

m

其中：n为样本总数，k为交叉验证折数，m

进一步地，所述一种基于BiLSTM与串并多尺度CNN结合的轻量化ECG分类模型的构建方法，步骤如下：

S2-1：在串并多尺度CNN网络中的并行方向共搭建三个串行通道，分别为串行通道1、串行通道2、串行通道3，其中串行通道1又分为串行通道1.1串行通道1.2，在串并多尺度CNN网络的每个串行通道上引入多个卷积层与最大池化层结合的ECG信息提取模块，在串并多尺度CNN网络的串行以及并行两个方向上每个卷积层中卷积核的大小皆以等差递增的形式依次增加以获取不同尺度相关性的特征信息；并使ECG信息提取模块与最大池化层进行残差连接搭建多尺度信息提取模块，通过这种模块搭建的思想以提取更为丰富的多尺度特征信息；

图2是本发明所述ECG时间序列分类方法的ECG信息提取模块结构图，每个ECG信息提取模块有两个卷积层，一个最大池化层；在串并多尺度CNN网络中共使用了四个ECG信息提取模块，串行通道1有两个ECG信息提取模块，从上到下为ECG信息提取模块1以及串行通道1.2中的ECG信息提取模块2、串行通道2有ECG信息提取模块3、串行通道3有ECG信息提取模块4，每一层中卷积核的大小皆以等差数列递增；

卷积核大小的递增公式为：

m

m

其中，m

图3是本发明所述ECG时间序列分类方法的多尺度信息提取模块结构图，多尺度信息提取模块由ECG信息提取模块与最大池化层进行残差连接而成；

S2-2：在搭建完用来提取ECG时间序列更为丰富的多尺度特征信息的ECG信息提取模块以及多尺度信息提取模块之后，串并多尺度CNN的串行通道1首先引入一个多尺度信息提取模块，之后在多尺度信息提取模块下方连接的是维度空间模块，该维度空间提取模块用于增加描述ECG时间序列的特征提取数量；

图4是本发明所述ECG时间序列分类方法的第一个维度空间提取模块结构图，由串并多尺度CNN的串行通道1.1中的最大池化层和以及串行通道1.2中的ECG信息提取模块通过concat融合的方式搭建第一个维度空间提取模块。

S2-3:在第一个维度空间提取模块之后完成对串并多尺度CNN的串行通道1的设计，接下来串并多尺度CNN的串行通道2是在多尺度信息提取模块之后引入一个残差模块来增加串行通道2中卷积核进行特征提取的感受野，实现对ECG时间序列特征的多级提取；

图5是本发明所述ECG时间序列分类方法的串并多尺度CNN中串行通道2的残差模块结构图，只有一个卷积核大小为8的卷积层，通过对该卷积层进行残差连接完成残差模块的搭建；

S2-4:在残差模块之后完成对串并多尺度CNN的串行通道2的设计，而串并多尺度CNN的串行通道3中只引入一个多尺度信息提取模块。

S2-5:串并多尺度CNN网络的串行通道3完成之后，本串并多尺度CNN网络结构还分别在串行通道1、2、3的多尺度特征提取块之前引入不同大小的卷积层来保证输入不同尺度的特征；随着串行通道1、2、3的通道数不断增加，卷积层的数量也是不断减小避免由卷积核大小的递增所导致的卷积核进行特征提取的感受野过大，最后将串并多尺度CNN的串行通道1、2、3通过concat融合的方式搭建第二个维度空间提取模块，用于增加描述ECG时间序列的特征的提取数量并构建成完整的串并多尺度CNN，第二个维度空间提取模块即完整的串并行多尺度CNN网络；

S2-6:在串并多尺度CNN网络之后，搭建以BiLSTM为主的分类模块，使用多个BiLSTM与全连接层结合的方式构建分类模型，该模块与串并多尺度CNN网络结合，引入了串并多尺度CNN网络提取的特征之间具有前后相关性的优势实现对ECG时间序列心拍样本的四分类。

图6是本发明所述ECG时间序列分类方法的分类模块结构图，由两层BiLSTM与一层全连接层组成。

图7本发明所述ECG时间序列分类方法的完整的轻量化ECG分类网络模型图，由完整的串并多尺度CNN网络与分类模块结合而成。

进一步地，所述BiLSTM与串并多尺度CNN结合的轻量化网络模型训练过程如下：

S3-1:将训练集中的心拍样本输入到BiLSTM与串并多尺度CNN结合的轻量化网络模型提取ECG心电信号的时间序列特征并针对提取的特征完成N、S、V、F四分类，将分类的结果与训练集心拍样本的对应标签进行对比，得到分类的准确率；

S3-2:为了优化分类的准确率，本研究采用与one-hot编码相匹配的交叉熵损失函数计算整个ECG分类网络模型的损失并使用rmsprop进行反向传播以更新整个ECG分类网络模型的参数，直至此网络的损失收敛至0.02以下或者达到最高的训练次数，训练结束。保存训练过程中分类准确率最高的一次分类模型，作为我们的最优网络模型；

进一步地，所述BiLSTM与串并多尺度CNN结合的轻量化网络模型测试过程如下:

S4-1:将测试集的心拍样本输入到训练好的最优网络模型，通过对测试集数据进行N、S、V、F四分类，并将分类结果与该测试集中心拍样本对应的标签进行对比，完成对此轻量化网络模型分类性能的测试，得到最终的分类准确率。

本发明在遵循AAMI国际标准的规则之下，仅使用84392个少量参数实现了有与现有技术可比甚至更优的分类精度，图8是本发明混淆矩阵图，实验中敏感度、阳性预测值以及准确度相比现有技术皆有提升，准确度提高到99.6％。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。