基于信号特征和密度连接卷积网络的心力衰竭识别方法

技术领域

本发明涉及与医疗有关的心电图异常检测技术领域，特别涉及基于信号特征和密度连接卷积网络的心力衰竭识别方法。

背景技术

随着社会经济的快速发展及人口老龄化的不断增长，心血管疾病患者人数急剧增长，且呈低龄化、多发性、低收入群体中增长更快等趋势，是威胁人类健康的首要杀手。根据美国心脏学会的报告，全球因心血管疾病死亡的人数，约占总死亡人数的三分之一，亦居全球死亡人数首位，到2015年全球已有超过4亿人被诊断为心血管疾病。近年来我国的心血管疾病患者病数量约2.66亿，其死亡人数占到疾病总死亡人数的40％以上，为各种疾病死亡人数之首。而在众多的心血管疾病中，心力衰竭仍是目前心血管疾病中导致死亡最重要的原因，因此，如何对心力衰竭发病机理认识更深入，并建立简单快速、高效便捷的诊断方法十分必要，故此，我们提出了基于信号特征和密度连接卷积网络的心力衰竭识别方法。

发明内容

本发明的主要目的在于提供基于信号特征和密度连接卷积网络的心力衰竭识别方法，可以有效解决背景技术中的问题。

为实现上述目的，本发明采取的技术方案为：

基于信号特征和密度连接卷积网络的心力衰竭识别方法，包括以下步骤：

步骤一：数据预处理，先获取两个训练数据库，其中训练数据库1为已知心力衰竭的心电数据，训练库数据2为采集到的心电信号数据，再将数据集按照预设比例划分为训练集和测试集；

步骤二：计算心拍分段的三阶累积量，得到相应的双谱图，利用高阶累积量特征能够更好的挖掘信号的非线性和动态本质。对所有输入模型的图片进行了去空白背景的预处理操作，再对所有图片进行resize操作，统一调整成大小相同的图片形成数据集；

步骤三：构建密集连接卷积网络模型结构；

步骤四：对密集连接卷积网络模型进行训练，设置批处理数量和初始学习率；

步骤五：心力衰竭识别，将待分类检测的心电图数据输入步骤三获得的训练好的密集连接卷积网络模型，模型输出心电图分类结果。

优选的，所述心力衰竭的心电数据为异常数据，所述心电信号数据为混合数据，异常数据和混合数据的预处理方法如下：

S1：去噪和归一化，将采集后的心电数据补齐至统一长度进行归一化，对每个导联心电图信号进行小波变换的预处理，以滤除基线漂移、工频干扰等噪音；

S2：心拍分段，利用Pan-Tompkins算法对心电信号R点进行检测，选择 R点前P个采样点，R点后Q个采样点，共P+Q个采样点的波形片段作为一个完整的心拍单位，将正常组和心衰组的心电信号全部进行心拍分段处理；

S3：再将数据集按照预设比例进行划分。

优选的，所述步骤三中密集连接卷积网络模型结构依次顺序是：卷积层、池化层、DenseBlock1(稠密块)包含四个Bottleneck_Layer(瓶颈层)、 TansitionLayer1(过渡层)、DenseBlock2包含四个Bottleneck_Layer、TansitionLayer2、DenseBlock3包含六个Bottleneck_Layer、卷积层、池化层、全连接层。

优选的，所述步骤四中的批处理数量和初始学习率的设置方法如下：

S1：将经过步骤一预处理后得到的训练集对步骤二构建的密集连接卷积网络模型进行训练；

S2：通过步骤一得到的验证集对训练后的密集连接卷积网络模型进行验证，当验证集损失函数达到预设收敛条件则完成训练，获得训练好的密集连接卷积网络(DenseNet)模型；

S3：参数设置，在DenseNet网络中，层数采用121层，growthratek＝32，训练采用ReLu函数作为激活函数，利用Xavier对权重进行初始化；

其中，参数设置为：动量momentum＝0.9，Batch大小为32，学习率 learningrate＝0.001，选择L2正则化，权重衰减为5×10-4；

S4：利用十倍交叉验证，将训练集输入步骤二构建的DenseNet模型进行训练，每次迭代，通过前向传播算网络的输出和损失函数Loss，再经过反向传播计算网络梯度，根据学习率和学习方法对各层参数进行不断更新

与现有技术相比，本发明具有如下有益效果：

1、在本发明中，在提取信号非线性特征方面，由于心电信号的产生过程是非线性的、非平稳性特征，所以利用高阶累积量特征能够更好的挖掘信号的非线性和动态本质，从而能够更好的作为区分特征。

2、本发明使用了深度残差网络进行心力衰竭识别，解决了常规神经网络随着深度身价达到饱和使得准确率下降的问题。

3、本发明结合了信号特征，再利用深度残差网络进行心力衰竭识别，相比于深度学习无规则的自动特征选择，大大提高了诊断地准确率和效率。

附图说明

图1为本发明心力衰竭识别的整体流程示意图；

图2为本发明密集连接卷积网络(DenseNet)的整体结构模型示意图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

如图1-2所示，基于信号特征和密度连接卷积网络的心力衰竭识别方法，包括以下步骤：

步骤一：数据预处理，先获取两个训练数据库，其中训练数据库1为已知心力衰竭的心电数据，训练库数据2为采集到的心电信号数据，再将数据集按照预设比例划分为训练集和测试集；

步骤二：计算心拍分段的三阶累积量，得到相应的双谱图，利用高阶累积量特征能够更好的挖掘信号的非线性和动态本质，对所有输入模型的图片进行了去空白背景的预处理操作，再对所有图片进行resize操作，统一调整成大小相同的图片形成数据集；

步骤三：构建密集连接卷积网络模型结构；

步骤四：对密集连接卷积网络模型进行训练，设置批处理数量和初始学习率；

步骤五：心力衰竭识别，将待分类检测的心电图数据输入步骤三获得的训练好的密集连接卷积网络模型，模型输出心电图分类结果。

心力衰竭的心电数据为异常数据，所述心电信号数据为混合数据，异常数据和混合数据的预处理方法如下：

S1：去噪和归一化，将采集后的心电数据补齐至统一长度进行归一化，对每个导联心电图信号进行小波变换的预处理，以滤除基线漂移、工频干扰等噪音；

S2：心拍分段，利用Pan-Tompkins算法对心电信号R点进行检测。选择 R点前P个采样点，R点后Q个采样点，共P+Q个采样点的波形片段作为一个完整的心拍单位。将正常组和心衰组的心电信号全部进行心拍分段处理；

S3：再将数据集按照预设比例进行划分。

步骤三中密集连接卷积网络模型结构依次顺序是：卷积层、池化层、 DenseBlock1(稠密块)包含四个Bottleneck_Layer(瓶颈层)、TansitionLayer1(过渡层)、DenseBlock2包含四个Bottleneck_Layer、 TansitionLayer2、DenseBlock3包含六个Bottleneck_Layer、卷积层、池化层、全连接层。

Densenet相比于其他网络结构优势主要有：减轻了梯度消失问题；增强了特征信息向前传播，更有效地利用了特征；大大减少了参数量等。与以往的卷积神经网络的不同主要有DB层和Transition层组成；DB层：所有DB中各个层卷积之后都是输出个k特征图(且各个层的特征图大小一致)，即采用 k个卷积核进行特征提取，K在DenseNet称为growthrate，这是一个超参数， Transition层：它主要是连接两个相邻的DenseBlock层，并且降低特征图大小，Transition层包括一个1×1的卷积和2×2的AvgPooling，结构为： BN+ReLU+1×1Conv+2×2AvgPooling，Transition层可以起到压缩模型的作用。

所述步骤四中的批处理数量和初始学习率的设置方法如下：

S1：将经过步骤一预处理后得到的训练集对步骤二构建的密集连接卷积网络模型进行训练；

S2：通过步骤一得到的验证集对训练后的密集连接卷积网络模型进行验证，当验证集损失函数达到预设收敛条件则完成训练，获得训练好的密集连接卷积网络(DenseNet)模型；

S3：参数设置，在DenseNet网络中，层数采用121层，growthratek＝32，训练采用ReLu函数作为激活函数，利用Xavier对权重进行初始化；

其中，参数设置为：动量momentum＝0.9，Batch大小为32，学习率 learningrate＝0.001，选择L2正则化，权重衰减为5×10-4；

S4：利用十倍交叉验证，将训练集输入步骤二构建的DenseNet模型进行训练，每次迭代，通过前向传播算网络的输出和损失函数Loss，再经过反向传播计算网络梯度，根据学习率和学习方法对各层参数进行不断更新。

本发明通过结合心电信号的非线性特征，利用目前比较新的对图像处理识别具有强大能力的DenseNet网络模型，对提取心拍的高阶累积谱图进行训练。首先对心电信号进行预处理，然后对每个完整的心动周期进行高阶累积量谱图的计算，对获得的图片进行去背景操作，然后输入DenseNet网络模型进行训练，结合信号特征基于密集连接卷积网络(DenseNet)的心力衰竭识别问题，根据心电信号的非线性非平稳性的特征，采用高阶累积量方法提取三阶累积量普特征作为特征输入深度残差网络训练，同时利用高阶累积量工具将一维的心电信号转换成二维的双谱矩阵，更适合输入深度残差网络模型进行心力衰竭识别。

最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制, 尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。