[发明专利]一种基于多模块神经网络的不平衡心拍分类方法

说明书

本发明公开了一种基于多模块神经网络的不平衡心拍分类方法，包括：心电信号预处理模块、不平衡数据处理模块、特征提取和分类模块。预处理模块对心电信号进行去噪和分段；不平衡数据处理是系统的核心，其结合心电信号本身特点和算法的特点，先后引入边界样本特征线性合成(BLSM)、上下文特征综合模块(CTFM)和二阶段训练(2PT)三种处理不平衡问题的方法；特征提取和分类模块获取各类别心拍的高阶特征并实现最终的心拍分类。本发明的优点是：针对目前没有得到很好解决的不平衡心拍分类问题，从采样、特征和算法多角度提出相应的解决方法，提升了分类的准确率。本发明适用于解决时序数据、图像等在分类中的不平衡问题，该发明具有普适性。

技术领域

本发明设计了一个心电心拍分类方法，针对不平衡的心拍数据对分类结果所造成的影响，提出了一套解决方案，属于工程应用与信息科学的交叉领域。

背景技术

心血管疾病(CVD)是一种全球死亡率最高的疾病，许多发展中国家每年死于CVD的人数都在增加，在特定年龄死于CVD的情况更为普遍。2015年，CVD致死人数达到1790万(32.1％)，超过了1990年的1230万人(25.8％)。心血管疾病包含冠心病、脑血管病、风湿性心脏病等疾病。心律失常是其中一种表现为心脏跳动过快、过慢或节奏不规则的心血管疾病。心跳过快，即成人每分钟超过100次，被称为心动过速；心率过慢，即每分钟低于60次，被称为心动过缓。广义上心律失常可分为两种，一种是会危及生命的，需要用除颤仪立即治疗的心室纤颤和心动过速；另一种占大多数的的心律失常，不会立刻危及生命但需要进一步预防和治疗。

我们通常用心电图来协助检测心脏问题，心电图(ECG)作为检查心脏组织和结构的主要诊断工具，反映了放置在皮肤上的电极所记录的一段时间内心脏的电活动，由代表着心机的极化或去极化的不同的波形组成。心电图包含了大量有关心脏结构和其电传导系统功能的信息，是对疾病进行诊断，心跳分类等的直接实验数据。

ECG的分析和分类任务主要应用于疾病分类，心拍类型检测，生物特征识别和情绪识别领域。本文旨在对心拍进行分类，这是确定心律失常的一个重要步骤。参照医学仪器进步协会(AAMI)提出的标准，非致命性心律失常可分为5个超类：N，S，V，F，Q。由于每种类别形态差异大，每个大类中又包含多个形态不同的子类，这给医生进行人工分析带来了很大的挑战。为了弥补视觉误差和人工解释的缺陷，研究人员开始开发计算机辅助诊断(CAD)系统来自动诊断心电图。

对心电信号进行全自动心拍分类包括如下四个步骤：心电信号的预处理、心拍分段、特征提取和分类。目前文献通过设计特征提取器先从原始数据中提取预测的特征，包括P-QRS-T 复合波特征、数据特征、形态特征、小波特征等，然后将其组织成最优的特征输入到传统的机器学习分类器，例如，人工神经网络(ANN)，决策树，支持向量机(SVM)，线性判别式分析， K近邻(KNN)，贝叶斯算法等中进行分类。然而这样的手工提取和组合特征的方法并不能精准的表示出信号中的最优特征，传统的机器学习方法也很容易导致模型过拟合。当处理大量数据的时候，会出现验证效果与训练相差甚远的情况。因此，精确有效的特征提取和分类方法对整个系统的最终诊断结果至关重要。

随着深度学习和神经网络在图像识别、语音识别、目标检测、自然语言处理等领域取得了巨大的成功，近年来逐渐被应用到ECG分析中。深度学习模型集特征提取和分类于一体，对从原始数据中自动学习到的高阶特征进行分类，许多文献都证实其在精度上超过了传统分类器与手工提取特征相结合的模型。近年来很多学者通过引入深度学习和神经网络模型，在心拍分类上实现了很好的效果，但他们并没有关注不同类别心拍数据量显著差异导致的不平衡问题对实验造成的影响。