[发明专利]一种基于改进的EfficientNet的心律失常分类方法

说明书

本发明公开了一种基于改进的EfficientNet的心律失常分类方法，该方法为：从MIT‑BIH心律失常数据库中读取心电信号数据，得到心电信号图的数据集；建立基于EfficientNet‑B0网络模型的网络模型，将EfficientNet‑B0网络模型的MBConv6结构中X和Y特征的加法模块替换为可调整X和Y特征分配比例的注意力特征融合模块，得到改进的EfficientNet‑B0网络模型；采用改进的EfficientNet‑B0网络模型对心电信号图的数据集进行训练和验证，得到准确率最高的模型作为心律失常分类模型；采集待测病人的心电信号数据并转换成待检测心电信号图，输入到心律失常分类模型，输出待测病人心律失常类型。本发明的心律失常分类方法，解决了现有技术中对数据量较少的疾病分类准确度低的问题。

技术领域

本发明属于ECG分类技术领域，具体涉及一种基于改进的EfficientNet的心律失常分类方法。

背景技术

2020年中国心血管健康与疾病报告显示我国心血管疾病(Cardiovasculardiseases,CVD)的发病率一直在上升，且发病人群的年龄也越趋年轻化；城乡居民中因心血管疾病引起死亡率，农村为46.66％，城市为43.81％。心律失常是心血管疾病中重要的一组疾病，其早期检测对预防心血管疾病、及早介入治疗具有重要的意义。心律失常确诊大多要靠心电信号(ECG)，通过分析心电信号对心律失常进行分类成为研究热门。

传统的基于ECG的心律失常分类主要依靠特征提取。随着深度学习的快速发展，研究者们从人为的挑选特征转移到通过改变深度神经网络结构去实现特征的自动提取与分类。2018年，有人采用卷积的方法第一次将一维心电信号转化成二维图像，并融合了时域特征来进行分类，实现了五种心律失常类型的分类。2019年，也有人通过短时傅里叶变换将心电信号转换为时频谱图，利用二维卷积神经网络，实现了五种心律失常类型的分类，对比一维训练的准确率有了巨大提升，可以看出二维图片的训练效果好。2020年，有人基于时频谱熵提前心电信号特征，输入到卷积神经网络，实现了五种心律失常类型的分类；同年也有陈敏等人利用格拉姆角场变换将一维信号转换为二维信号，结合迁移卷积神经网络也实现了五种心律失常类型的分类。上述将一维ECG信号转为二维信号，并利用神经网络进行分类，取得了较好的效果，但是大多数卷积网络结构中需要人工调整参数，且迭代次数较多，整个过程复杂耗时，对设备要求也较高；此外，参与心律失常分类的类型较少。

发明内容

本发明的目的是为了提出了一种将一维心电信号转化成二维图像的预处理方法，并利用EfficientNet-B0网络具有迁移学习能力，训练速度快，效率高，且不需要人工调节网络参数等优势，将其进行改进，从而应用到心律失常分类中。

本发明的目的是通过以下技术方案实现的：

本发明的一种基于改进的EfficientNet的心律失常分类方法，该方法的具体步骤如下：

步骤1、从MIT-BIH心律失常数据库中读取心电信号数据，并对每份心电信号数据进行动态分割，得到心拍切片数据集；

步骤2、将每份心拍切片数据利用plot函数进行波形处理得到波形图，再利用腐蚀函数进行去噪处理得到去噪后的波形图，然后将去噪后的波形图转存为224×224的心电信号图；

步骤3、将所述步骤2得到的心电信号图的数据集分为训练集和验证集；

步骤4、建立基于EfficientNet-B0网络模型的网络模型，将EfficientNet-B0网络模型的MBConv6结构中X和Y特征的加法模块替换为可调整X和Y特征分配比例的注意力特征融合模块(AFF)，得到改进的EfficientNet-B0网络模型；