[发明专利]一种心电信号分类方法及系统

说明书

本公开提供了一种基于LRF‑ELM和BLSTM的心电信号分类方法，获取心电信号数据并进行预处理，得到数据集，以数据集中的心电信号数据为神经网络的输入数据；以LRF‑ELM网络为特征提取器，学习心电信号数据中的空间信息，通过三个堆叠的随机卷积和池化过程，提取心电信号数据中不同维度的特征数据；将提取到的特征数据经过融合后作为序列学习阶段的输入，采用深度BLSTM网络进行序列学习，并最终输出心电信号分类结果；本公开同时考虑了心电信号的时间信息和空间信息，既能够高效快速的提取信号特征，又保证了良好的分类识别性能。

技术领域

本公开涉及心电信号分类技术领域，特别涉及一种心电信号分类方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

心电图是医院利用心电图机连接体表测量人体心脏跳动所产生的电活动并在图像上反映出来的一项技术。一次完整的心跳活动主要包括P波、QRS波和T波。由于心肌细胞膜内外具有电位差，当心肌细胞从心内膜向心外膜顺序除极时，阳离子由膜外进入膜内，使膜内电位由负变正，即产生P波和心室的QRS波；在复极过程中，阳离子又由膜内进入膜外，使膜内电位由正变负，此时产生T波。心电图可以精确地捕捉到人体心脏活动所产生地电信号，因此对能够通过心电图诊断出部分心脏疾病，如心律失常等。近些年来，心电图已经成为临床医生诊断心血管疾病和分析病理不可缺少的工具。因此，对心电信号的识别分类研究无论在计算机领域还是生物医学领域都受到了极大的关注。

在近年来的文献中，对心电信号的识别分类研究主要分为两个方面。第一个分支是首先手工提取心电信号的特征，如统计学特征、形态学特征、时域特征和基于频率的特征等，并以提取的特征向量作为分类器的输入；随着深度学习的快速发展，也有很多专家学者提出了利用深度学习对心电图进行识别的新方法，凭借着其卓越的学习及泛化能力，深度学习已经迅速发展成为心电图智能诊断领域的另一重要分支。

本公开发明人发现，目前对心电信号的识别研究存在如下问题：(1)手工提取特征需要一定的经验知识，人为干预多，容易造成数据丢失等问题；(2)心电数据集往往数据量大，使用单一的深度学习算法内存消耗大，对计算机的硬件配置要求高；(3)基于计算密集型的深度学习方法，计算复杂，运算量大；(4)大多深度学习算法需要通过迭代对参数进行调优，不合适的参数选择会影响提取特征的准确性，进而影响分类效果。因此，利用深度学习进行特征提取时往往需要很长的训练时间。

发明内容

为了解决现有技术的不足，本公开提供了一种心电信号分类方法及系统，同时考虑了心电信号的时间信息和空间信息，既能够高效快速的提取信号特征，又保证了良好的分类识别性能。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种心电信号分类方法。

一种基于LRF-ELM(局部感受野的超限学习机)和BLSTM(双向长短期记忆网络)的心电信号分类方法，步骤如下，

获取心电信号数据并进行预处理，得到数据集，以数据集中的心电信号数据为神经网络的输入数据；

以LRF-ELM网络为特征提取器，学习心电信号数据中的空间信息，通过三个堆叠的随机卷积和池化过程，提取心电信号数据中不同维度的特征数据；

将提取到的特征数据经过融合后作为序列学习阶段的输入，采用深度BLSTM网络进行序列学习，并最终输出心电信号分类结果。

作为可能的一些实现方式，所述心电信号数据的预处理方法为进行归一化处理，具体为：

其中，x表示输入样本点，x_max和x_min分别表示样本数据的最大值和最小值。