[发明专利]一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法

权利要求书

1.一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法，其特征在于：具体包括以下步骤：

步骤1：多导联心电信号数据样本的预处理；

步骤1.1、心电信号采集：临床上获取测量时间在8秒以上的正常多导联心电信号和N类心博异常的多导联心电信号；将获取到的正常多导联心电信号作为训练数据库1，N类心博异常的多导联心电信号作为训练数据库2；

步骤1.2、心电信号去噪处理：对获取到的每个导联心电图信号进行预处理，以滤除基线漂移、工频干扰的噪音；

步骤1.3、心电信号归一化处理：将去噪后的心电图信号分割成心拍，并将心拍对应的幅度值归一化，得到心拍形态学特征，包括：以R波波峰为中心在360Hz下采样得到234个样本点，再通过下采样操作压缩至97 个样本点，最后将心拍样本点对应的幅度值归一化至[0，1]区间作为心拍形态学特征；

步骤1.4、多导联的心电信号样本的生成：根据上一步获取的心拍信号，将每个导联的每个心拍的相同时刻R波顶点每个导联所截取心电信号的W个点进行第二维度拼接，此时心电信号由1*W维扩增为12*W 维；

步骤2：利用CycleGAN（循环生成对抗网络) 对预处理后的训练数据库2进行数据扩充，使用CycleGAN网络学习训练样本的特征，包括两个判别器D_X和D_Y和两个生成器G和F；

步骤2.1、生成新异常心电图数据：首先利用卷积神经网络提取预处理后的训练数据库2的心电信号特征，具体包括输入具体的心电信号图片的心拍形态学特征，与心拍位置提取与RR间期和QRS复合波形态相关的节律特征，将心拍信号形态学特征和节律特征进行融合，作为心拍的融合特征向量；

其中节律特征包含当前心拍的QRS时长；当前心拍的RR间期 RR0；上一心拍的RR间期RR1；下一心拍的RR间期RR2；Ratio1＝RR0/RR1；Ratio2＝RR0/RR2； Ratio3＝RR0/MeanRR；Ratio1、Ratio2和Ratio3的均值Mratio；归一化后当前心拍与上一心拍的QRS复合波互相关函数的最大值Corr1；归一化后当前心拍与下一心拍的QRS复合波互相关函数的最大值Corr2，其中MeanRR是心电信号所有RR间期的均值；其次，通过组合图像的不相近特征，将图像在D_X域中的特征向量转换为D_Y域中的特征向量；然后，利用反卷积层（decovolution）完成从特征向量中还原出低级特征的工作，最后得到生成的异常类别的心电图数据；

步骤2.2、判别新图片过程：将一张心电信号图像作为原始图像x输入，并尝试预测其为原始图像或是生成器的输出图像y，该过程需要从图像中提取特征，再通过添加产生一维输出的卷积层来确定提取的特征是否属于特定类别；

步骤2.3、训练判别器和生成器过程：CycleGAN共享两个生成器，并各自带一个判别器，即共有两个判别器D_X和D_Y和两个生成器G和F，其中生成器都在试图欺骗判别器，希望生成的图片不能被判别器识别，所以根据判别器的反馈优化图像，最大化D_Y(G(x))和D_X(F(y))，就是从图像x生成图像y’，再从图像y’生成回图像x’，使得x’ 接近x，如此循环往复，也就是优化1-D_Y(G(x))和1-D_X(F(y))，即优化输出的图像；

步骤2.4、重复进行步骤2.1和2.2，直至判别过程和生成过程达到纳什均衡状态；

步骤3：心博异常检测：利用步骤2生成的新的心电图数据扩充原有的心电图样本数据库，并在此基础上利用BiLSTM神经网络训练心电信号的分类；

步骤3.1、构建BiLSTM神经网络：基于BiLSTM神经网络包括BiLSTM神经网络层以及输出层；其中BiLSTM神经网络层包括输入层、前向传播层、后向传播层；先设定基BiLSTM神经网络的输入层、前向传播层、后向传播层以及输出层的节点个数，并随机设定相邻层各节点之间的权重；

步骤3.2、BiLSTM神经网络的训练过程：首先将预处理后的训练后训练数据库1和训练数据库2以及步骤2生成的新的心博异常心电信号混合在一起，进行随机划分；将训练集输入到BiLSTM神经网络神经网络的输入端，并通过最小化心电图预测值与真实值的距离，学习不同神经网络层的各个参数；最后将测试集输入到BiLSTM神经网络中，进行分类预测与评估；

步骤3.3、分类评估： 使用四个统计指标：准确度(Acc)、灵敏度(Sen)，精确度(Ppr)，特异性(Spe)和综合指标(F1)。