[发明专利]一种基于深度迁移学习的心律异常分类方法

说明书

本发明公开了一种基于深度迁移学习的心律异常分类方法，所述方法包括：将处理后的ECG信号通过1D‑CNN和LSTM的级联网络结构，将信号的空间特征和时间特征结合起来提取ECG信号特征；通过多尺度融合的连接方式，将小尺度特征上采样插值到与相邻特征图相等大小的尺度上进行特征融合；将源域和目标域数据的特征通过自适应层进行特征差异调整，源域数据从自适应层输出的特征通过全连接层和Softmax分类器计算分类损失，计算通过自适应层输出的源域和目标域特征间的MMD损失；最后结合分类损失和MMD损失共同调整网络参数。本发明提高了不同域ECG数据多种心律失常识别的准确率，满足了实际应用中的需要。

技术领域

本发明涉及模式识别领域，尤其涉及一种对不同域心电信号进行特征提取、特征融合、特征迁移、网络迁移并解决多种心律异常的分类方法。

背景技术

心律异常是人类心脏电信号节律或传导受到干扰而导致的心脏功能失常现象，如果患者没有及时地发现，会引发心脏衰竭甚至骤停死亡，因此心律异常诊断是十分重要的。目前，大多数医生采用观察心电图(electrocardiogram,ECG)的方式来诊断病人的心律状态，但是长时间观察心电图枯燥费时，容易引发人为错误。近年来，心律异常的计算机辅助诊断系统出现在学术研究和临床实验中，它能够高效且精准地定位异常问题，受到广大医护人员青睐。

临床应用的ECG识别系统分为三个部分：数据预处理、信号特征提取、以及信号分类。其中数据预处理和信号分类分别负责的是将传感器采集的ECG信号去噪和对信号进行区分，研究方法已较为成熟。而由于信号特征提取的效果直接决定了分类性能，且较为复杂，不同的学者从不同的角度提出了不同的解决方法，这些方法分时域分析法，统计学方法，信号变换法。

其中，时域分析主要用于提取ECG信号的形态学特征，如两个相邻波的R波峰间隔、QRS混合波^[1]、T波的持续时间等等。这种方式能直观快速地提取到波形的变化信息，但不能够提取到信号深层次的潜在细节特征。统计学方法，如高阶累计量等，能够抑制高斯噪声，常用于提取信号隐含的非线性特征。基于信号变换的方法，如短时傅里叶变换、小波变换、S变换等通过时空域及频域信息分析心电信号。

深度学习由于其强大的非线性拟合及逐层特征表征能力，也逐渐被用于心电信号分类领域。SayantanG等提出由玻尔兹曼机(RBM)组成的深度置信网络提取ECG特征。A.Rahhal等利用去噪自编码器(DAE)来提取特征，结合主动学习法来微调网、络。任晓霞探究Dropout深度卷积神经网络在心电信号ST波段的分类性能。

目前已有的ECG识别算法面临着两个挑战：特征提取中，传统方法对于多类别分类性能比较低，一些深度学习算法虽然加强了特征表示，但忽略了特征时序性和信息间的流通性。其次，由于测试病人的生理机能、运动状态、用药情况、测试环境的不同，心电信号难以保证是来自同一数据分布的。所以，临床场景下，大多数心电数据是来自不同域的，数据间存在着域差异使得模型训练和测试的效果不好，这是当今心律异常分类需要解决的问题。

发明内容

本发明提供了一种基于深度迁移学习的心律异常分类方法，本发明提高了不同域ECG数据多种心律失常识别的准确率，详见下文描述：

一种基于深度迁移学习的心律异常分类方法，所述方法包括：

将处理后的ECG信号通过1D-CNN和LSTM的级联网络结构，将信号的空间特征和时间特征结合起来提取ECG信号特征；

通过多尺度融合的连接方式，将小尺度特征上采样插值到与相邻特征图相等大小的尺度上进行特征融合；

将源域和目标域数据的特征通过自适应层进行特征差异调整，源域数据从自适应层输出的特征通过全连接层和Softmax分类器计算分类损失，计算通过自适应层输出的源域和目标域特征间的MMD损失；最后结合分类损失和MMD损失共同调整网络参数。