[发明专利]基于信号特征和密度连接卷积网络的心力衰竭识别方法

说明书

本发明公开了基于信号特征和密度连接卷积网络的心力衰竭识别方法，包括以下步骤：数据预处理，先获取两个训练数据库，再将数据集按照预设比例划分为训练集和测试集；计算心拍分段的三阶累积量，得到相应的双谱图；构建密集连接卷积网络模型结构；对密集连接卷积网络模型进行训练，设置批处理数量和初始学习率；心力衰竭识别。本发明所述的基于信号特征和密度连接卷积网络的心力衰竭识别方法，结合信号特征的心力衰竭识别方法，利用更能表征心电信号非线性特征的高阶累积量方法，提取出心电信号的三界累积量谱图，转换为更适合深度卷积神经网络的输入形式，输入到DenseNet模型中进行训练，实现心力衰竭的辅助判断，准确率得到有效提升。

技术领域

本发明涉及与医疗有关的心电图异常检测技术领域，特别涉及基于信号特征和密度连接卷积网络的心力衰竭识别方法。

背景技术

随着社会经济的快速发展及人口老龄化的不断增长，心血管疾病患者人数急剧增长，且呈低龄化、多发性、低收入群体中增长更快等趋势，是威胁人类健康的首要杀手。根据美国心脏学会的报告，全球因心血管疾病死亡的人数，约占总死亡人数的三分之一，亦居全球死亡人数首位，到2015年全球已有超过4亿人被诊断为心血管疾病。近年来我国的心血管疾病患者病数量约2.66亿，其死亡人数占到疾病总死亡人数的40％以上，为各种疾病死亡人数之首。而在众多的心血管疾病中，心力衰竭仍是目前心血管疾病中导致死亡最重要的原因，因此，如何对心力衰竭发病机理认识更深入，并建立简单快速、高效便捷的诊断方法十分必要，故此，我们提出了基于信号特征和密度连接卷积网络的心力衰竭识别方法。

发明内容

本发明的主要目的在于提供基于信号特征和密度连接卷积网络的心力衰竭识别方法，可以有效解决背景技术中的问题。

为实现上述目的，本发明采取的技术方案为：

基于信号特征和密度连接卷积网络的心力衰竭识别方法，包括以下步骤：

步骤一：数据预处理，先获取两个训练数据库，其中训练数据库1为已知心力衰竭的心电数据，训练库数据2为采集到的心电信号数据，再将数据集按照预设比例划分为训练集和测试集；

步骤二：计算心拍分段的三阶累积量，得到相应的双谱图，利用高阶累积量特征能够更好的挖掘信号的非线性和动态本质。对所有输入模型的图片进行了去空白背景的预处理操作，再对所有图片进行resize操作，统一调整成大小相同的图片形成数据集；

步骤三：构建密集连接卷积网络模型结构；

步骤四：对密集连接卷积网络模型进行训练，设置批处理数量和初始学习率；

步骤五：心力衰竭识别，将待分类检测的心电图数据输入步骤三获得的训练好的密集连接卷积网络模型，模型输出心电图分类结果。

优选的，所述心力衰竭的心电数据为异常数据，所述心电信号数据为混合数据，异常数据和混合数据的预处理方法如下：

S1：去噪和归一化，将采集后的心电数据补齐至统一长度进行归一化，对每个导联心电图信号进行小波变换的预处理，以滤除基线漂移、工频干扰等噪音；

S2：心拍分段，利用Pan-Tompkins算法对心电信号R点进行检测，选择 R点前P个采样点，R点后Q个采样点，共P+Q个采样点的波形片段作为一个完整的心拍单位，将正常组和心衰组的心电信号全部进行心拍分段处理；

S3：再将数据集按照预设比例进行划分。

优选的，所述步骤三中密集连接卷积网络模型结构依次顺序是：卷积层、池化层、DenseBlock1(稠密块)包含四个Bottleneck_Layer(瓶颈层)、 TansitionLayer1(过渡层)、DenseBlock2包含四个Bottleneck_Layer、TansitionLayer2、DenseBlock3包含六个Bottleneck_Layer、卷积层、池化层、全连接层。