具体实施方式

下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。

还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。

本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。

实施例1

利用非线性模运算和尺度算子级联小波变换构建具有深度卷积网络的小波散射网络，小波散射变换在时频域具有非常高的分辨率，并且具有计算平移不变性，对于形变能够保持较高的稳定性，可以保留高频信息。另外，小波散射网络在提取数据特征时具有深度学习架构的特性：多尺度收缩、层次对称的线性化和系数表征。小波散射网络保持了传统方法的优势，同时融入了深度学习网络的特性，在图形识别，音频分析，信号处理等领域具有较高的特性。因此，小波散射网络对于混入多种复杂噪声的心电质量评估工作具有非常大的优势。

因此，本实施例1提供一种基于小波散射网络的穿戴式动态心电信号分类系统及方法。

首先，本实施例1中提供的穿戴式动态心电信号分类系统，包括：

获取模块，用于获取待分类的原始心电信号；

提取模块，用于利用预先构建的小波散射网络提取待分类的心电信号的小波散射系数，利用小波散射系数计算散射特征矩阵，并转化为散射特征图；

分类模块，用于利用预先训练好的分类模型对散射特征图进行处理，得到心电信号的分类结果；其中，所述预先训练好的分类模型由训练集训练得到，所述训练集包括多个心电信号以及标注心电信号的类别的标签。

利用上述的穿戴式动态心电信号分类系统，实现了穿戴式动态心电信号分类方法，包括：

获取待分类的原始心电信号；

利用预先构建的小波散射网络提取待分类的心电信号的小波散射系数，利用小波散射系数计算散射特征矩阵，并转化为散射特征图；

利用预先训练好的分类模型对散射特征图进行处理，得到心电信号的分类结果；其中，所述预先训练好的分类模型由训练集训练得到，所述训练集包括多个心电信号以及标注心电信号的类别的标签。

在本实施例1中，基于尺度函数和小波函数构建了三层小波散射网络，生成0阶散射系数、1阶散射系数和2阶散射系数。

具体的，待分类的心电信号与尺度函数卷积，获得0阶小波散射系数；待分类的心电信号与一阶小波函数卷积，并经过非线性模运算生成一阶散射传播算子；一阶散射传播算子与尺度函数卷积获得一阶小波散射系数；一阶散射传播算子与二阶小波函数卷积，并经过非线性模运算生成二阶散射传播算子；二阶散射传播算子与尺度函数卷积获得二阶小波散射系数。

在构建小波散射网络时，基于信号的长度与采样频率，确定尺度函数保持平移不变性的最大尺度因子，即时间支持度。

本实施例1中，训练分类模型所使用的基础网络为长短期记忆神经网络。

其中，所述训练集来自于质量评估数据库，所述质量评估数据库中包括人工标注完成的多条心电信号，其中，心电信号的类别包括可用于疾病检测和诊断的干净信号、可用于心率提取的轻度污染信号、需要剔除的噪声污染严重信号。对长时动态穿戴式动态心电信号利用10s滑动窗进行分割，并通过添加噪声的方式弥补数据不均衡问题。

对质量评估数据库中所有的数据首先进行预处理，包括：数据标准化处理、导联脱落判断以及纯噪声判断。

分割后的10s信号首先进行是否导联脱落的判断，如果为导联脱落信号，直接剔除，程序结束，可以节省计算成本；然后进行纯高斯噪声的判断，如果为纯高斯噪声信号，直接剔除，程序结束，可以节省计算成本。

实施例2

由于身体移动、环境噪声、电磁干扰等，穿戴式动态心电信号质量复杂多变难以控制，为医生诊断带来很大的干扰，如何对穿戴式心电信号质量评估，去粗留精、去伪存真，是提高心血管早期检测和诊断效率的亟待解决的关键问题。本发明实施例2中，提出了一种穿戴式动态心电信号的分类方法，充分利用小波散射网络的优势，提取穿戴式动态心电信号的散射特征，构建散射特征矩阵，利用长短期记忆网络(LSTM，Long Short-Term Memory)对信号进行分类，基于分类结果踢除噪声污染严重的信号，并将保留信号分为仅用于心率提取的轻度污染信号和可用于疾病分类的干净信号，为心血管疾病的实时精准检测提供更有力的数据。

本实施例2所述的穿戴式动态心电信号的分类方法，需要建立干净信号、轻度污染信号和严重污染信号数据库，并需要构建合适的小波散射网络，从而准确获取数据库中各类数据的散射特征矩阵特征，同时需要确定三类数据的质量分类效果的评估指标，测评模型的分类效果。

本实施例2中，利用Gabor小波函数和尺度算子搭建了包含41个1阶小波函数和7个2阶小波函数的小波散射网络，利用小波散射网络提取0阶、1阶和2阶的小波散射系数，利用散射系数构建81×20维的散射特征矩阵，最后利用深度学习LSTM方法提取散射特征图中的特征并分类，将穿戴式动态信号分为三类，一类是需要剔除的噪声污染严重信号，一类是可用于心率提取的轻度污染信号，一类是可用于疾病检测和诊断的比较干净的信号。

小波散射具有平移不变性，特征稳定性以及信息丰富性等特点，这些特点让它对于穿戴式动态心电信号的形变具有较高的辨别性。本实施例2中，构建三层小波散射网络主要包括以下步骤：

选择时间支持度为I(Invariance scale)的尺度函数φ_I和Morlet小波函数ψ构建三层小波散射网络，生成0阶、1阶和2阶散射系数，该网络可以覆盖信号的整个频域范围。网络搭建步骤如下：

(1)X(t)代表需要分析的心电信号，X(t)与尺度函数φ_I卷积，获得0阶小波散射系数S₀：S₀X(t)＝X(t)*φ_I；

(2)心电信号X(t)与一阶小波函数卷积，并经过非线性模运算生成一阶散射传播算子

(3)一阶传播算子与尺度函数卷积获得一阶小波散射系数S₁：

(4)一阶散射传播算子与二阶小波函数卷积，并经过非线性模运算生成二阶散射传播算子

(5)二阶散射传播算子与尺度函数卷积获得二阶小波散射系数S₂：

为了实现三类质量数据精准分类，本实施例2中，构建了数据库，并对数据库中的的数据进行了预处理：对长时动态穿戴式动态心电信号利用10s滑动窗进行分割，并通过添加噪声的方式弥补数据不均衡问题。分割后的10s信号首先进行是否导联脱落的判断，如果为导联脱落信号，直接剔除，程序结束，可以节省计算成本；然后进行纯高斯噪声的判断，如果为纯高斯噪声信号，直接剔除，程序结束，可以节省计算成本。

通过以上两种判断的信号输入构建的三层小波散射网络计算小波散射特征矩阵。首先需要确定尺度函数的时间支持度I，即保持平移不变性的最大尺度因子,基于信号的长度与采样频率Fs确定合适的I值，实验证明I一般取值为2*Fs～10*Fs。计算0阶、1阶和2阶散射系数，将三层小波网络的散射系数提取构建散射特征矩阵，并转化为散射特征图。

将训练数据小波散射网络提取的散射特征矩阵输入长短期记忆神经网络LSTM，求解器采用Adam算法，确定合适的梯度阈值、最大轮数、小批量数等参数。序列输入层的维度为81×20，经过双向LSTM层，指定隐藏节点，输出最后一个分类值，然后进入全连接层，指出输出类别，后面是softmax层，输出各个类别分类的概率，最后经过分类层输出最后的分类结果。

本实施例2中，提供的基于小波散射网络的穿戴式动态心电质量评估方法，将穿戴式动态信号分为A、B、C三类，A类是可用于疾病检测和诊断的比较干净的信号，B类是仅可用于心率提取的轻度污染信号，C类是噪声污染严重的需要剔除的信号。利用Gabor小波函数和尺度算子搭建了0阶、1阶和2阶的小波散射网络，利用小波散射网络提取3层小波散射系数，利用散射系数构建散射特征矩阵，最后利用深度学习LSTM方法提取散射矩阵的特征并分类。

目前关于穿戴式动态心电质量评估的研究大部分将数据质量等级划分为两类，本实施例2中将信号分类三类，并构建质量评估数据库，数据库共有数据31111条10s信号，干净信号11709条，轻度污染信号7860条，严重污染信号11542条。其中，提出的导联脱落和纯噪声的判断准则，大大降低计算成本。利用小波散射这一信号分析的利器，对A、B、C三类信号提取散射特征矩阵，然后利用机器学习方法LSTM提取散射矩阵的特征并进行分类，从而实现了穿戴式动态心电数据自动分类。现有数据库中的31111个数据进行训练和测试，正确率在95％左右。

实施例3

本实施例3中，提供了一种基于小波散射网络的穿戴式设备获取的动态心电信号的分类方法，如图1所示，主要步骤，共分为四个步骤。第一步构建穿戴式动态心电质量评估数据库，将根据专家标注的信息将长时的动态心电划分为长度为10s的信号，并确定每条信号的标签；第二步对数据进行预处理，首先是标准化处理，然后剔除导联脱落的信号和纯高斯噪声信号，用于降低计算成本；第三步将剩余的信号输入构建好的小波散射网络，生成散射特征矩阵；第四步利用数据库70％的数据作为训练数据训练LSTM网络，30％的数据作为测试数据，测试模型的分类效果。

本实施例3中，构建穿戴式动态心电质量评估数据库包括：

现有穿戴式动态心电信号18组，每组数据长度约为24小时，数据来自于15个测试人员(男6人，女9人)，年龄分布为21-83岁，利用穿戴式心电设备记录了测试者日常生活环境下心电信号，信号的采样频率为1000Hz。为降低计算成本，本实施例中，将信号降采样频率为250Hz，根据专家标注的质量标注信息将长时的动态信号划分为长度为10s信号，如表1所示，并确定每条信号的质量标签。信号质量等级划分为三类：A类可用于疾病检测和诊断的比较干净的信号11709组，B类为可用以心率提取的轻度污染信号7860组，C类为需要剔除的噪声污染严重信号2687组。

由于噪声数据量较小，将B类信号随机分为6组，添加六种噪声(极限偏移2组，肌电噪声2组，电极移动噪声2组)，另外从A类数据中随机选取1000条数据添加高斯噪声，添加噪声的数据与原始的2687条噪声数据共同构成噪声数据11542条。三类数据共31111条，构成信号质量评估数据库，如图2所示，N1-N6是来自B类轻度污染的6条信号，M1-6是该6条信号添加6种噪声后的变成的C类严重污染信号，N7是来自于A类的干净信号，M7是该条信号添加高斯噪声后变成的严重污染信号。

表1.数据库三类信号

对质量评估数据库中所有的数据首先进行预处理，数据预处理阶段分为三个部分。约定一组ECG信号S＝{s₁,s₂,...,s_n-1,s_n}共有n个样本数量，该信号的一阶差分diff(S)＝{s₂-s₁,s₃-s₂,...,s_n-s_n-1}。

数据标准化处理：

为了消除不同种类噪声之间的影响，首先需要进行数据标准化处理，利用min-max标准化方法，对原始数据线性变换映射到[0-1]之间，公式如下：

导联脱落判断：

标准化之后的10s信号进行导联脱落的判断，如果为导联脱落信号直接剔除，程序结束，可以节省计算成本。对于一条信号如果相邻两个样本幅值相等的样本数量大于总样本数量的60％，该信号认为是导联脱落信号，计算公式如下：

对于样本s_i：

纯噪声判断：

第三步进行纯噪声的判断，如果为纯噪声信号直接剔除，程序结束，可以节省计算成本。基于心电信号频谱范围为0-40Hz，如果信号在0-40Hz范围内的功率谱能量占总能量的比值小于30％，说明该信号主要成分不是心电信号，属于噪声信号，可直接舍弃。计算公式如下：

本实施例3中，构建小波散射网络计算小波散射特征矩阵包括：

通过以上两种判断的信号输入构建的三层小波散射网络计算小波散射特征矩阵。首先需要确定尺度函数的时间支持度I，即保持平移不变性的最大尺度因子,基于信号的长度与采样频率Fs，确定合适的I值，实验证明I一般取值为2*Fs～10*Fs。计算0阶、1阶和2阶散射系数，将三层小波网络的散射系数提取构建散射特征矩阵。网络搭建步骤如下：

(1)X(t)代表需要分析的心电信号，X(t)与尺度函数φ_I卷积，获得0阶小波散射系数S₀：S₀X(t)＝X(t)*φ_I；

(2)心电信号X(t)与一阶小波函数卷积，并经过非线性模运算生成一阶散射传播算子

(3)一阶传播算子与尺度函数卷积获得一阶小波散射系数S₁：

(4)一阶散射传播算子与二阶小波函数卷积，并经过非线性模运算生成二阶散射传播算子

(5)二阶散射传播算子与尺度函数卷积获得二阶小波散射系数S₂：

本实施例3中，利用机器学习长短期记忆网络LSTM建立分类模型包括：

将训练数据小波散射网络提取的散射特征矩阵输入LSTM，求解器采用Adam算法，确定合适的梯度阈值、最大轮数、小批量数等参数。序列输入层的维度为81×20，经过双向LSTM层，指定隐藏节点，输出最后一个分类值，然后进入全连接层，指出输出类别，后面是softmax层，输出各个类别分类的概率，最后经过分类层输出最后的分类结果。

本实施例3中，数据库总数量为31111，随机挑选70％的数据作为训练数据，剩余30％作为测试数据。训练过程设置参数设定如下，采用Adam作为求解器，maxEpoch为1000，minBatchsize为1000，InitialLength为0.001，执行环境为单GPU。

表2给出测试结果的混淆矩阵。测试训练集共9333组数据，其中A类数据是3513组，B类数据是2352组，C类数据是3495组。

本实施例3中，用的评估指标有敏感度Sensitiviety(Se),精确度Precision(+P),三种质量等级的精确度和敏感度平衡综合性指标F₁测度：F_1A,F_1B,F_1C,以及准确率Accuracy(ACC)。

敏感度Se：被真实预测正确的某类样本占训练集中所有某类样本总数的比例，以A类样本为例：

精确度+P：被真实预测正确的某类样本占训练集中所有被预测某类样本总数的比例。以A类样本为例：

表2

精确度和敏感度平衡综合性指标F₁测度：

其中TN_A、TN_B、TN_C为分别被准确预测为A、B、C类信号的组数，N_A、N_B、N_C为训练集中被预测为A、B、C类信号的组数，T_A、T_B、T_C为训练集中为A、B、C类信号的组数。

准确率代表被真实预测正确的所有类样本占训练集中所有样本总数的比例，计算公式如下：

最终，三种质量等级信号的分类结果如表3所示。

表3

综上，本实施例3中，所提出的穿戴式心电信号分类方法，构建了一个包含三类质量等级的穿戴式动态心电质量评估数据库；确定导联脱落和纯噪声信号的判断标准；构建了适应于提取穿戴式动态心电散射矩阵的三层小波散射网络；确定适了用于三类质量等级心电信号特征提取的合理散射路径；确定了适用于三类质量等级心电信号分类效果的评估指标；最终利用机器学习方法LSTM提取A、B、C三个质量等级的动态心电散射矩阵的特征，实现穿戴式动态心电数据质量的三分类，分类准确率达到95.44％。剔除污染严重的数据，筛选适用于疾病诊断的干净信号，为医生节省诊断时间。

实施例4

本发明实施例4提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的穿戴式动态心电信号分类方法，该方法包括：

获取待分类的原始心电信号；

利用预先构建的小波散射网络提取待分类的心电信号的小波散射系数，利用小波散射系数计算散射特征矩阵，并转化为散射特征图；

利用预先训练好的分类模型对散射特征图进行处理，得到心电信号的分类结果；其中，所述预先训练好的分类模型由训练集训练得到，所述训练集包括多个心电信号以及标注心电信号的类别的标签。

实施例5

本发明实施例5提供一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的穿戴式动态心电信号分类方法，该方法包括：

获取待分类的原始心电信号；

利用预先构建的小波散射网络提取待分类的心电信号的小波散射系数，利用小波散射系数计算散射特征矩阵，并转化为散射特征图；

利用预先训练好的分类模型对散射特征图进行处理，得到心电信号的分类结果；其中，所述预先训练好的分类模型由训练集训练得到，所述训练集包括多个心电信号以及标注心电信号的类别的标签。

实施例6

本发明实施例6提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的穿戴式动态心电信号分类方法的指令，该方法包括：

获取待分类的原始心电信号；

利用预先构建的小波散射网络提取待分类的心电信号的小波散射系数，利用小波散射系数计算散射特征矩阵，并转化为散射特征图；

利用预先训练好的分类模型对散射特征图进行处理，得到心电信号的分类结果；其中，所述预先训练好的分类模型由训练集训练得到，所述训练集包括多个心电信号以及标注心电信号的类别的标签。

综上所述，本发明实施例所述的穿戴式动态心电信号分类方法及系统，充分利用小波散射网络的优势，提取了穿戴式动态心电信号的散射特征，构建散射特征矩阵，利用长短期记忆网络(LSTM，Long Short-Term Memory)对信号进行分类，基于分类结果踢除噪声污染严重的信号，并将保留信号分为仅用于心率提取的轻度污染信号和可用于疾病分类的干净信号，为心血管疾病的实时精准检测提供更有力的数据。此方法需要建立干净信号、轻度污染信号和严重污染信号数据库，并需要构建合适的小波散射网络，从而准确获取数据库中各类数据的散射特征矩阵特征，同时需要确定三类数据的质量分类效果的评估指标，测评模型的分类效果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。