[发明专利]一种基于深度卷积残差网络的心律失常分类方法

权利要求书

1.一种基于深度卷积残差网络的心律失常分类方法，其特征在于，具体按照以下步骤实施：

步骤1、选取MIT-BIH心律失常数据库的心电数据；

步骤2、对步骤1选取的心电数据进行预处理；

步骤3、对步骤2预处理后的心电数据进行分割；构建分类网络模型；

步骤4、利用步骤3分割的心电数据对网络模型进行训练；

步骤5、将待测试的心电数据片段输入所述训练好的深度卷积残差网络模型，最终输出心电信号片段的分类结果。

2.根据权利要求1所述的一种基于深度卷积残差网络的心律失常分类方法，其特征在于，所述步骤2具体按照以下实施：

步骤2.1、读取所选数据库中的原始心电数据；

步骤2.2、利用小波9级分级特性进行噪声抑制；在分析离散化非平稳心电信号时，任意信号f(t)可用多分辨率分析公式表示为：

式中右边第一项是f(t)在尺度空间的投影，是f(t)的平滑近似，第二项是f(t)在小波空间的投影，是对f(t)的细节补充；j是任意尺度的开始，通常称c_j，k为近似值或尺度系数，称d_j，k为细节或小波系数；展开系数计算如下：

使用Daubechies5(db5)小波基函数，对心电信号数据进行9尺度小波变换；然后使用软阈值函数对噪声进行抑除；其数学公式表示如下：

其中w为尺度分解后的信号值，阈值λ满足σ为噪声标准差，N为信号长度；

步骤2.3、心电信号的基线漂移情形采用零均值减法，就是将每一维滤波后的心电数据减去每一维的平均值即可得到干净的数据。

3.根据权利要求1所述的一种基于深度卷积残差网络的心律失常分类方法，其特征在于，所述步骤3中对步骤2预处理后的心电数据进行分割具体按照以下实施：

3.1.1、获取R波峰位置和对应的标签；

3.1.2、选取R波峰前144个采样点到后180个采样点作为一个节拍；

3.1.3、分割后每个节拍重采样到250，作为后续网络模型的输入。

4.根据权利要求1所述的一种基于深度卷积残差网络的心律失常分类方法，其特征在于，所述步骤3中构建分类网络模型具体按照以下实施：

步骤3.2.1、搭建基础的卷积神经网络；所述卷积神经网络与VGG网络的结构类似，由卷积结构和全连接层组成：

卷积结构由4个21×1卷积的重复应用组成，每个卷积后跟一个批量归一化和一个ReLU激活函数进行运算，步长为1；

所述后续的卷积结构由32个25×1卷积的重复应用组成，每个卷积层后跟一个批量归一化和一个ReLU激活函数进行运算，步长为1；

全连接层用于对上一层的神经元进行全部连接，实现特征的非线性组合，是针对5种类别的分类，因此参数设置5；

用激活函数softmax可将多分类的输出值转化为相对概率，这些值的累加和为1；

步骤3.2.2、在所述的卷积神经网络的卷积层后添加残差块1，形成跳跃连接结构；公式如下：

x_l+1＝x_l+F(x_l+W_l) (5)

其中，x_l+1为第l+1层卷积层的卷积结果，x_l为第l层卷积层的卷积结果，W_l为第l层卷积层的权重，F(x_l+W_l)为残差部分；将这种残差块添加在卷积网络中，形成跳跃连接结构；

步骤3.2.3、将残差块2添加至卷积神经网络中两层残差块1的后一层，再次形成跳跃连接结构，最终完成深度卷积残差网络的搭建。