[发明专利]基于卷积神经网络和长短期记忆网络的心电图分类方法

权利要求书

1.一种基于卷积神经网络和长短期记忆网络的心电图分类方法，其特征在于，包括如下步骤：

a)计算机从MIT-BIH心律失常数据库中获取心电数据，根据心电数据中导联记录内容，选择upper信号为Ⅱ导联信号以及选择lower信号为胸部Ⅰ导联信号作为实验数据；

b)使用基于双尺度小波变换法对实验数据进行降噪处理，并且定位实验数据中的QRS波群；

c)通过QRS波群位置获取心电信号中的P波和T波的位置，获取一个心拍数据；

d)使用X表示一个样本，该样本代表Ⅱ导联信号数据及胸部Ⅰ导联信号数据，其展开形式为X＝{x₁,x₂,....,x_i,....,x_Len}计算样本数据X，将每个样本的Ⅱ导联信号数据与Ⅰ导联信号数据整理到一个一维矩阵中，其中x_i为第i个点位对应的电压值，Len为矩阵长度；

e)将N个样本数据整合成N*Len的矩阵，通过公式对MIT-BIH心律失常数据库的数据值在-5毫伏到5毫伏之间进行归一化处理；

f)进行CNN-LSTM组合模型训练，根据公式计算进入卷积神经网络第一个卷积层的矩阵尺寸W₁，式中F为卷积核的大小，S为卷积核的移动幅度，P为零填充边界宽度；

g)使用Batch Normalization算法对N*W₁进行规范化计算；

h)使用ReLU激活函数对规范化的计算结果进行线性修正；

i)进入卷积神经网络的池化层，通过公式计算进行降维的矩阵大小W₂，式中M为池化层核尺寸；

j)进入卷积神经网络的第二个卷积层，使用Batch Normalization算法和池化层对第二个卷积层结果进行归一化处理并利用池化层降维，得到第二个卷积层计算输出结果W₃；

k)进入卷积神经网络的全连接层对N*W₃进行矩阵乘法运算，计算结果用A表示，展开式为A＝{a₁,a₂,...a_i,...,a_w3}，其中a_i为第i个点的数据；

l)通过公式f_t＝σ(W_ifa_t+b_if+W_hfh_t-1+b_hf)计算t时刻的忘记门忘记内容f_t，通过公式i_t＝σ(W_iia_t+b_ii+W_hih_t-1+b_hi)计算t时刻的输入门保留内容，通过公式g_t＝tanh(W_iga_t+b_ig+W_hgh_t-1+b_hg)计算t时刻的更新内容，式中a_t为t时刻输入数据，h_t-1为t-1时刻隐藏层数据，W_if为输入层和忘记门的权值，W_hf为隐藏层和忘记门的权值，W_ii是输入层和输入门的权值，W_hi为隐藏层和输入门的权值，W_ig为输入层和保留信息门的权值，W_hg为输入层和保留信息门的权值，b_if为输入层和忘记门的偏倚，b_hf为隐藏层和忘记门的偏移，b_ii为输入层和输入门的偏倚，b_hi为隐藏层和输入门的偏倚，b_ig为输入层和信息保留门的偏倚，b_hg为隐藏层和保留信息门的偏倚，σ为sigmoid激活函数；

m)通过公式c_t＝f_tc_t-1+i_tg_t计算t时刻的细胞状态c_t，式中c_t-1是t-1时刻细胞状态，根据公式o_t＝σ(W_ioa_t+b_io+W_hoh_t-1+b_ho)计算t时刻的输出数据o_t，式中W_io为输入层和输出层的权值，W_ho是隐藏层和输入层的权值，b_io为输入层和输出层的偏倚，b_ho为隐藏层和输出层的偏倚；

n)通过公式h_t＝o_t*tanh(c_t)计算t时刻的的隐藏层的数据h_t，判断当前时刻t和LSTM网络设定长度隐藏层长度hidden_size的关系，如果t＞hidden_size则跳转至步骤o)；

o)通过公式计算通过softmax激活函数计算的最终结果，式中Z_j为LSTM网络输出结果的第j个位置的数据；

p)使用交叉熵损失函数计算损失，如果损失小于阀值Threshold则跳转至步骤r)，如果损失大于阀值Threshold则执行步骤q)；

q)使用Adam优化法优化CNN-LSTM模型参数，如果模型已经收敛则跳转至步骤

r)，如果模型没有收敛，则跳转至步骤a)；

r)保存模型参数，运行结束。