[发明专利]一种基于模型融合的生理信号分类方法

说明书

本发明涉及一种基于模型融合的生理信号分类方法。所述方法包括：首先对采集得到的生理信号进行去噪、重采样、分割等预处理得到一维信号片段，将信号片段作为输入，建立一维神经网络模型进行训练；同时对预处理后的一维信号片段进行时频变换，将时频图作为输入，建立二维神经网络模型进行训练。在分类预测阶段，分别将预处理后的一维信号片段和其对应的二维时频图像输入训练好的一维和二维网络模型中，将不同模型在决策层进行融合得到最终分类结果。本方法将神经网络和集成学习思想相结合，通过模型融合技术提高分类准确率，可以应用于不同类型的生理信号分类场景中，在信号处理领域和疾病研究领域均有一定的应用价值。

技术领域

本发明涉及一种基于模型融合的生理信号分类方法。

背景技术

心血管疾病是导致人类死亡的首要原因，由于社会老龄化和城市化进程加快，以及不健康生活方式的普遍，患病人数仍在持续增加，心血管疾病的诊疗已成为我国国民健康稳定发展的重要课题。心律失常是最常见的心血管疾病，它可以单独发作，或者是和其他心血管疾病一起发作，危害人体健康。动态连续的生理信号监测有利于捕获此类疾病信息，减少疾病的漏检。但是，动态连续的生理信号会产生大量的数据，这些海量数据给医生诊断带来负担，利用计算机辅助人工诊断是当前的一个研究热点。针对动态连续的生理信号进行分类从而自动检测疾病的算法近年来受到了广泛的关注。

随着大数据时代的来临，基于神经网络的研究受到越来越多的关注，神经网络可以自动学习信号中的特征，对研究者的先验知识依赖较小，可以实现端对端的分类，算法效率也比较高，在很多场景中都表现出优越的性能，目前在图像分类、语音识别以及自然语言处理等领域中已得到广泛应用。

基于神经网络进行生理信号分类是一个重要的研究方向，如何对算法进行优化，得到准确率高、泛化能力强的分类模型，使其满足实际应用需求，具有重要的研究意义。此外，在神经网络建模的过程中，为了使结果最优，通常会对多种算法进行探索（如使用不同结构的模型或者提取不同特征等），同时建立多个模型进行对比，最终选出性能最优的模型用于分类。但是这种做法有两个缺点，一方面，神经网络训练通常需要花费大量的时间，最终只选用单个模型，浪费了用于训练其他模型的时间；另一方面，在当前测试集上分类效果较好的模型，未必在更多新样本上性能也最优，舍弃其他模型而可能会错失其中泛化能力最强的模型。

发明内容

本发明的目的在于提出一种基于模型融合的生理信号分类方法。本发明方法将神经网络和集成学习思想相结合，通过模型融合技术提高分类准确率。将原始数据的多个特征分别输入多个神经网络模型中进行训练，得到不同模型的输出结果，然后在决策层进行综合性考量。

本发明提出的一种基于模型融合的生理信号分类方法，具体步骤如下：

（1）采集生物个体的生理信号，并对生理信号进行预处理，所述预处理包括片段分割、重采样、噪声滤除和幅值归一化等操作，得到一维信号片段，将预处理后的一维信号片段按照标签分成若干种不同的类别；

（2）针对步骤（1）得到的一维信号片段，选用合适的时频变换方法，确定时频变换的各项参数，将一维信号片段转变为带灰度信息的二维时频幅度矩阵，该二维时频幅度矩阵类似于图像，对该图像进行归一化等操作，得到归一化后的二维时频矩阵；

（3）将经步骤（1）和（2）处理后得到的全部数据划分成训练集和测试集：

针对步骤（1）得到的一维信号片段，按照一定比例划分（如，9:1、8:2或7:3）得到训练集和测试集；将步骤（2）得到的二维时频矩阵也按照同样比例划分得到训练集和测试集；其中：在一维信号片段的训练集中出现的样本，其对应的二维时频矩阵样本也被划分入同一个训练集中；在一维信号片段的测试集中出现的样本，其对应的二维时频矩阵样本也被划分入同一个测试集中；

（4）将一维信号片段作为输入，构建一维神经网络模型进行分类，将步骤（3）得到的一维信号片段的训练集数据输入到该一维神经网络模型中进行网络训练，直至一维神经网络模型收敛或者达到预设训练次数，得到分类模型1；