[发明专利]一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法

说明书

本发明涉及人工智能技术领域，更具体而言，涉及一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法。包括以下步骤：S1、数据集构建；S2、数据去噪；S3、数据分段；S4、数据集划分；S5、模型构建；S6、模型训练；S7、标签处理。本发明网络融合CNN、InceptionNet、GRU三种网络结构的优势，使用融合型深度学习网络对心电信号(ECG)进行分析，得到心率正常/失常的分类。本发明主要应用于智能心率识别方面。

技术领域

本发明涉及人工智能技术领域，更具体而言，涉及一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法。

背景技术

现有心率识别技术多基于人工特征工程的方式构建识别算法，而心率失常包扩多种心电异常信号，如房颤、早搏、室颤等，人工特征工程无法全面的对各种心率异常下的特征进行特征选择与提取，导致算法泛化能力差，无法满足现实需求。而人工识别的方式容易受到诊断医师主观因素的影响，且对特征较弱的心电信号进行分析时容易漏检误检。

现有技术存在的问题或者缺陷：人工识别方式误检率高，现有的心率识别技术对心电信号分析不全面，无法对多种情况下的心率失常信号进行有效的识别，导致识别准确率较低。

发明内容

为克服上述现有技术中存在的不足，本发明提供了一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法，该方法基于深度学习技术，对心电信号进行分析，完成心率失常/正常的分类工作。

为解决上述技术问题，本发明采取的技术方案为：

一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法，包括以下步骤：

S1、数据集构建：基于标准数据集构建带有心率正常/失常二分类标签的数据集，将其保存为读取快速的NPY数据，将正常心电信号标签重构为0，将15类心率失常信号标签重构为1；

S2、数据去噪：使用高通滤波器与低通滤波器对NPY数据进行处理，降低噪声对NPY数据识别造成的影响，提高识别准确率；

S3、数据分段：以500时间步为一段，对NPY数据进行分段，基于其对应标签建立分段后数据标签；

S4、数据集划分：按照7：3的比例将数据集随机划分为训练集与测试集；

S5、模型构建：通过三种网络融合构建模型，利用所述三种网络对数据进行不同尺度与结构的特征提取，充分分析数据特征，对数据进行高精度的分类；

S6、模型训练：将训练集数据输入模型，对模型进行循环迭代训练，直到模型损失不再下降，准确率不再提升，停止训练，保存模型；

S7、标签处理：经模型识别后得到的输出结果为(0，1)范围内的概率数据，对标签进行处理，得到二分类结果。

所述步骤S1中，所使用数据集基于MIT-BIH心率失常标准数据集构建，数据内容为心电信号数据，该数据集由正常心电信号与15类心率失常信号构成。

所述步骤S2中，心电信号频率一般处于1-45Hz内，先对数据进行0.9Hz的高通滤波，去除零点漂移干扰，之后使用46Hz的低通滤波器对数据进行滤波，排除肌电干扰。

所述步骤S5中，模型由1DCNN、InceptionNet、GRU、FC四层依次连接构成。

所述1DCNN层由2层1D卷积层构成，卷积核大小为5，步长为2，每层后使用Relu作为激活函数，所述ReLu激活函数为f(x)＝max(0,x)，f(x)为ReLu函数激活后输出的数据，x为输入数据。

所述InceptionNet层由三个大小为1、3、5的卷积核进行SAME卷积，其中卷积核为5的卷积层之前额外使用一个卷积核大小为1的卷积层。