一种心电图异常信号中的房颤信号自动检测方法
阅读说明：本技术 一种心电图异常信号中的房颤信号自动检测方法 (Automatic atrial fibrillation signal detection method in electrocardiogram abnormal signals ) 是由 王英龙 石京京 舒明雷 刘辉 陈超 于 2020-12-23 设计创作，主要内容包括：一种心电图异常信号中的房颤信号自动检测方法,通将一维的心电信号经过短时傅里叶变换转变为二维形式,适用于深度残差收缩网络对输入信号的要求。使用注意力机制同时改进残差深度网络和Relu激活函数,通过注意力机制注意到不重要的特征,通过软阈值函数将它们设置为零,可以加强深度神经网络提取有用特征的能力,提高房颤信号的检测精度。同时通过注意力机制对Relu激活函数进行改进,可以提高DRSN模型对房颤信号识别的准确率。通过注意力机制的ReLu,可以提高DRSN模型识别的准确率。(An automatic detection method for atrial fibrillation signals in abnormal electrocardiogram signals is characterized in that one-dimensional electrocardiogram signals are converted into a two-dimensional form through short-time Fourier transform, and the method is suitable for requirements of a deep residual contraction network on input signals. The residual depth network and the Relu activation function are improved simultaneously by using an attention mechanism, unimportant features are noticed by the attention mechanism, and the unimportant features are set to be zero by a soft threshold function, so that the capability of the depth neural network for extracting useful features can be enhanced, and the detection accuracy of atrial fibrillation signals is improved. Meanwhile, the Relu activation function is improved through an attention mechanism, and the accuracy of the DRSN model in atrial fibrillation signal identification can be improved. By means of the ReLu of the attention mechanism, the accuracy of DRSN model identification can be improved.)
技术领域
本发明涉及深度学习和信号处理技术领域，具体涉及一种心电图异常信号中的房颤信号自动检测方法。
背景技术
心房颤动(AF)是典型的持续性心律失常，对心房颤动的精准识别具有重要意义。ECG信号中心房颤动(AF)的表现的特征在于P波的消失或RR间期的绝对不规则性。如今所使用的房颤异常检测方法主要为基于波形特征的房颤异常检测方法，但是由于波形特征需要进行手工提取并且P波不易检测等原因，使得房颤检测准确率一般、效率低下。同时，基于波形特征的房颤异常检测方法需要足够的节律信息，这就需要采集比较长时间的心电图信号，实际上很难满足实时的房颤检测需求。
研究人员已经尝试使用深度神经网络来对房颤信号进行识别和检测，研究表明，心电图房颤异常识别的准确率与深度神经网络的层数之间具有很强的关联性。由于常见的方法是基于静息数据建模，测试数据少，难以适用于动态心电信号；更重要的是在短时心电信号中节律信息有限，从短时心电信号中检测出房颤异常仍然是一个挑战。
发明内容
本发明为了克服以上技术的不足，提供了一种使用短时傅里叶变换和深度残差收缩网络对心电图异常信号中的心房颤动(房颤)信号进行检测和分类的方法。本发明克服其技术问题所采用的技术方案是：
一种心电图异常信号中的房颤信号自动检测方法，包括如下步骤：
a)将原始心电信号f(t)进行切分，形成以Ns一段的n个数据x；
b)将心电信号表示为X＝{(x(0),y(0)),(x(1),y(1)),···,(x(m-1),y(m-1))}，集成数据以形成带有标签信号的数据集X，其中x(i)∈Rn，x(i)为第i个数据x，0≤i≤m-1，Rn为第n条切分后的数据，y(i)∈{0,1,2}为标签，y(i)＝0表述输入心电信号为正常信号，y(i)＝1表述输入心电信号为房颤信号，y(i)＝2表述输入心电信号为正常信号为其他异常信号或噪声信号；
c)对原始心电信号进行短时傅里叶变换操作，确定心电数据一定区域中的正弦波的频率和相位，之后进行频谱转换处理，将心电信号转换为图像；
d)将图像匹配相对应的数据标注信息，标注后的图像用作深度残差收缩网络的输入，将图像加载到深度残差收缩网络的卷积层，对图像进行卷积处理；
e)建立残差构建模块，该残差构建模块包括两个BN层、两个ReLU层、两个卷积层、恒等映射及一个子网络，所述子网络用于自适应地设置阈值，所述子网络中依次包括一个全局均值池化层、一个全连接层、一个ReLU层、一个全连接层及一个Sigmoid函数，对输入的图像的所有特征求绝对值，之后经过子网络的全局均值池化层后得到全局均值池化和平均的特征图，将全局均值池化和平均的特征图输入到两个全连接层中，获得尺度化参数，通过Sigmoid函数将尺度化参数规整到零和一之间，将规整后的尺度化参数乘以图像的绝对值的平均值作为阈值；
f)使用阈值对图像的各个特征通道进行软阈值化；
g)对经步骤f)处理后的图像进行标准化处理，将每个特征的值分布转化为均值为0和方差为1的标准正态分布，避免梯度消失；
h)将步骤g)处理后的图像加载到激励层，该激励层中使用的激活函数为改进的ReLU函数，该改进的ReLU函数为通过步骤e)Sigmoid函数规整后的尺度化参数a作为激活函数里负数的系数，即通过公式计算ReLU函数；
i)对步骤h)处理后的图像做全局均值池化，从图像的每个通道计算一个平均值；
j)将经步骤i)处理后的图像输入通过全连接层，经过预先设定的softmax分类器，计算最终结果。
进一步的，步骤a)中将原始心电信号以频率250Hz为标准进行切分，形成以5s一段的数据x，共1250个点。
进一步的，步骤c)中使用Hamming窗作为处理心电信号的移动窗函数，其窗口大小为128samples，通过公式对一维心电数据进行短时傅里叶变换操作，得到短时傅里叶变换Y(w,u)，通过公式E(w,u)＝|Y(w,u)|2计算得到短时傅里叶变换的能量频谱显示E(w,u)，式中g(t-u)为移动窗函数，t、u均为时间变量，0≤t≤5，w为信号频率，e为无理数，j为负变量。
进一步的，步骤d)中深度残差收缩网络包括一个输入层、一个卷积层、4个残差构建模块、一个批标准化、一个ReLU激活函数、一个全局均值池化层和一个全连接输出层，设置卷积层的内核大小为5*5，卷积层有16个隐藏单元，步长为2。进一步的，步骤g)中根据公式计算平均值u，n为输入数据总数，xi为第i个数据点，通过公式计算方差σ2，通过公式计算得到归一化后的结果ε为常数。
进一步的，步骤j)中图像的输入维度为256*1250，结果输出维度为4*1。
进一步的，步骤j)之后还包括如下步骤：
k)将步骤f)中软阈值化的值使用交叉熵损失函数计算误差，如果误差小于阈值y则执行l)，如果误差大于阈值y则执行深度残差收缩网络的反向传播并设置交叉熵损失阈值y＝0.05；
l)使用Adam优化法优化DRSN模型参数，如果模型已经收敛则执行步骤m)，如果模型没有收敛则执行步骤d)；
m)保存DRSN模型参数，运行结束。
本发明的有益效果是：通将一维的心电信号经过短时傅里叶变换转变为二维形式，适用于深度残差收缩网络对输入信号的要求。使用注意力机制同时改进残差深度网络和Relu激活函数，通过注意力机制注意到不重要的特征，通过软阈值函数将它们设置为零，可以加强深度神经网络提取有用特征的能力，提高房颤信号的检测精度。同时通过注意力机制对Relu激活函数进行改进，可以提高DRSN模型对房颤信号识别的准确率。通过注意力机制的ReLu，可以提高DRSN模型识别的准确率。
附图说明
图1为本发明的方法流程图；
图2为本发明的深度残差收缩网络流程图；
图中，1。
具体实施方式
下面结合附图1、附图2对本发明做进一步说明。
一种心电图异常信号中的房颤信号自动检测方法，包括如下步骤：
a)首先对数据进行切分，由于原始心电西信号长度不可控，难以满足数据加载需求，因此为了方便数据加载入模型，将原始心电信号f(t)进行切分，形成以Ns一段的n个数据x。
b)将心电信号表示为X＝{(x(0),y(0)),(x(1),y(1)),···,(x(m-1),y(m-1))}，集成数据以形成带有标签信号的数据集X，其中x(i)∈Rn，x(i)为第i个数据x，0≤i≤m-1，Rn为第n条切分后的数据，y(i)∈{0,1,2}为标签，y(i)＝0表述输入心电信号为正常信号，y(i)＝1表述输入心电信号为房颤信号，y(i)＝2表述输入心电信号为正常信号为其他异常信号或噪声信号。最终集成数据以形成带有标签信号的数据集。
c)对原始心电信号进行短时傅里叶变换操作，确定心电数据一定区域中的正弦波的频率和相位，之后进行频谱转换处理，将心电信号转换为图像。短时傅里叶可以通过信号随时间变化的局部频率和相位将时域信息转换为二维时频表示，并显示出信号在窗函数内的频域变化。
d)将图像匹配相对应的数据标注信息，标注后的图像用作深度残差收缩网络的输入，将图像加载到深度残差收缩网络的卷积层，对图像进行卷积处理。
e)建立残差构建模块，该残差构建模块包括两个BN层(Batch Normalization)、两个ReLU层(Rectifier Linear Unit activation function)、两个卷积层(Convolutionallayer)、恒等映射(Identity)及一个子网络，所述子网络用于自适应地设置阈值，所述子网络中依次包括一个全局均值池化层、一个全连接层、一个ReLU层、一个全连接层及一个Sigmoid函数，对输入的图像的所有特征求绝对值，之后经过子网络的全局均值池化层后得到全局均值池化和平均的特征图，将全局均值池化和平均的特征图输入到两个全连接层中，获得尺度化参数，通过Sigmoid函数将尺度化参数规整到零和一之间，将规整后的尺度化参数乘以图像的绝对值的平均值作为阈值。
f)使用阈值对图像的各个特征通道进行软阈值化。
g)对经步骤f)处理后的图像进行标准化处理，将每个特征的值分布转化为均值为0和方差为1的标准正态分布，避免梯度消失；
h)将步骤g)处理后的图像加载到激励层，该激励层中使用的激活函数为改进的ReLU函数，该改进的ReLU函数为通过步骤e)Sigmoid函数规整后的尺度化参数a作为激活函数里负数的系数，即通过公式计算ReLU函数。选用改进版本的ReLU函数原因为函数本身为分段线性函数、收敛速度比Sigmoid和tanh快很多、计算量也小。
i)对步骤h)处理后的图像做全局均值池化，从图像的每个通道计算一个平均值。全局均值池化可以减少全连接输出层的权重数量，这样可有效减少因特征冗余产生过拟合的现象。
j)将经步骤i)处理后的图像输入通过全连接层，经过预先设定的softmax分类器，计算最终结果。
通将一维的心电信号经过短时傅里叶变换转变为二维形式，适用于深度残差收缩网络对输入信号的要求。使用注意力机制同时改进残差深度网络和Relu激活函数，通过注意力机制注意到不重要的特征，通过软阈值函数将它们设置为零，可以加强深度神经网络提取有用特征的能力，提高房颤信号的检测精度。同时通过注意力机制对Relu激活函数进行改进，可以提高DRSN模型对房颤信号识别的准确率。通过注意力机制的ReLu，可以提高DRSN模型识别的准确率。
进一步的，步骤a)中将原始心电信号以频率250Hz为标准进行切分，形成以5s一段的数据x，共1250个点。
进一步的，步骤c)中使用Hamming窗作为处理心电信号的移动窗函数，其窗口大小为128samples，通过公式对一维心电数据进行短时傅里叶变换操作，得到短时傅里叶变换Y(w,u)，通过公式E(w,u)＝|Y(w,u)|2计算得到短时傅里叶变换的能量频谱显示E(w,u)，式中g(t-u)为移动窗函数，t、u均为时间变量，0≤t≤5，w为信号频率，e为无理数，j为负变量。通过移动窗函数与心电信号g(t-u)相乘，可实现在u附近的加窗口和平移等操作。
进一步的，步骤d)中深度残差收缩网络包括一个输入层、一个卷积层、4个残差构建模块、一个批标准化、一个ReLU激活函数、一个全局均值池化层和一个全连接输出层，设置卷积层的内核大小为5*5，卷积层有16个隐藏单元，步长为2。进一步的，步骤g)中根据公式计算平均值u，n为输入数据总数，xi为第i个数据点，通过公式计算方差σ2，通过公式计算得到归一化后的结果ε为常数。
进一步的，步骤j)中图像的输入维度为256*1250，结果输出维度为4*1。
进一步的，步骤j)之后还包括如下步骤：
k)将步骤f)中软阈值化的值使用交叉熵损失函数计算误差，如果误差小于阈值y则执行l)，如果误差大于阈值y则执行深度残差收缩网络的反向传播并设置交叉熵损失阈值y＝0.05；
l)使用Adam优化法优化DRSN模型参数，如果模型已经收敛则执行步骤m)，如果模型没有收敛则执行步骤d)；
m)保存DRSN模型参数，运行结束。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种采集动物脑电信号的装置