一种基于卷积神经网络和长短期记忆网络的心电图分类方法，通过多导联心电图数据和卷积神经网络和长短期记忆网络（CNN‑LSTM）组合模型实现心律失常自动分类的方法。一方面多导联心电图较单导联心电图蕴含更多信息，另一方面CNN‑LSTM组合模型结合CNN和LSTM的优点，在学习空间数据结构和时间序列结构方面有着独特优势，利用多导联心电图数据训练CNN‑LSTM能够提高网络的学习效率和心电图识别的精度。
1.一种基于卷积神经网络和长短期记忆网络的心电图分类方法，其特征在于，包括如下步骤：a)计算机从MIT-BIH心律失常数据库中获取心电数据，根据心电数据中导联记录内容，选择upper信号为Ⅱ导联信号以及选择lower信号为胸部Ⅰ导联信号作为实验数据；
b)使用基于双尺度小波变换法对实验数据进行降噪处理，并且定位实验数据中的QRS波群；
c)通过QRS波群位置获取心电信号中的P波和T波的位置，获取一个心拍数据；
d)使用X表示一个样本，该样本代表Ⅱ导联信号数据及胸部Ⅰ导联信号数据，其展开形式为X＝{x1,x2,....,xi,....,xLen}计算样本数据X，将每个样本的Ⅱ导联信号数据与Ⅰ导联信号数据整理到一个一维矩阵中，其中xi为第i个点位对应的电压值，Len为矩阵长度；
e)将N个样本数据整合成N*Len的矩阵，通过公式 对MIT-BIH心律失常数据库的数据值在-5毫伏到5毫伏之间进行归一化处理；
f)进行CNN-LSTM组合模型训练，根据公式 计算进入卷积神经网络第一个卷积层的矩阵尺寸W1，式中F为卷积核的大小，S为卷积核的移动幅度，P为零填充边界宽度；
g)使用Batch Normalization算法对N*W1进行规范化计算；
h)使用ReLU激活函数对规范化的计算结果进行线性修正；
i)进入卷积神经网络的池化层，通过公式 计算进行降维的矩阵大小W2，式中M为池化层核尺寸；
j)进入卷积神经网络的第二个卷积层，使用Batch Normalization算法和池化层对第二个卷积层结果进行归一化处理并利用池化层降维，得到第二个卷积层计算输出结果W3；
k)进入卷积神经网络的全连接层对N*W3进行矩阵乘法运算，计算结果用A表示，展开式为A＝{a1,a2,...ai,...,aw3}，其中ai为第i个点的数据；
l)通过公式ft＝σ(Wifat+bif+Whfht-1+bhf)计算t时刻的忘记门忘记内容ft，通过公式it＝σ(Wiiat+bii+Whiht-1+bhi)计算t时刻的输入门保留内容，通过公式gt＝tanh(Wigat+big+Whght-1+bhg)计算t时刻的更新内容，式中at为t时刻输入数据，ht-1为t-1时刻隐藏层数据，Wif为输入层和忘记门的权值，Whf为隐藏层和忘记门的权值，Wii是输入层和输入门的权值，Whi为隐藏层和输入门的权值，Wig为输入层和保留信息门的权值，Whg为输入层和保留信息门的权值，bif为输入层和忘记门的偏倚，bhf为隐藏层和忘记门的偏移，bii为输入层和输入门的偏倚，bhi为隐藏层和输入门的偏倚，big为输入层和信息保留门的偏倚，bhg为隐藏层和保留信息门的偏倚，σ为sigmoid激活函数；
m)通过公式ct＝ftct-1+itgt计算t时刻的细胞状态ct，式中ct-1是t-1时刻细胞状态，根据公式ot＝σ(Wioat+bio+Whoht-1+bho)计算t时刻的输出数据ot，式中Wio为输入层和输出层的权值，Who是隐藏层和输入层的权值，bio为输入层和输出层的偏倚，bho为隐藏层和输出层的偏倚；
n)通过公式ht＝ot*tanh(ct)计算t时刻的的隐藏层的数据ht，判断当前时刻t和LSTM网络设定长度隐藏层长度hidden_size的关系，如果t＞hidden_size则跳转至步骤o)；
o)通过公式 计算通过softmax激活函数计算的最终结果，
式中Zj为LSTM网络输出结果的第j个位置的数据；
p)使用交叉熵损失函数计算损失，如果损失小于阀值Threshold则跳转至步骤r)，如果损失大于阀值Threshold则执行步骤q)；
q)使用Adam优化法优化CNN-LSTM模型参数，如果模型已经收敛则跳转至步骤r)，如果模型没有收敛，则跳转至步骤a)；
2.根据权利要求1所述的基于卷积神经网络和长短期记忆网络的心电图分类方法，其特征在于：步骤c)中心拍数据为在心电数据中截取1秒时间内360个点的固定长度数据。
3.根据权利要求1所述的基于卷积神经网络和长短期记忆网络的心电图分类方法，其特征在于：步骤d)中Len＝720。
4.根据权利要求1所述的基于卷积神经网络和长短期记忆网络的心电图分类方法，其特征在于：步骤e)中N＝40000。
5.根据权利要求1所述的基于卷积神经网络和长短期记忆网络的心电图分类方法，其特征在于：步骤p)中Threshold＝0.1。
基于卷积神经网络和长短期记忆网络的心电图分类方法
技术领域
[0001] 本发明涉及心电图分类技术领域，具体涉及一种基于卷积神经网络和长短期记忆网络的心电图分类方法。
背景技术
[0002] 心电图检查在医院已成为常见检验项目，心电图是医生判断病人心脏状况最基本的指标。心电图信号是由心脏的电活动引起的非平稳周期性生物信号，蕴含大量复杂的心脏活动信息，只有经过专业培训的医生才能准确解读。因为心脏结构复杂和心脏活动规律较多，所以心律失常类型分类较多。同类型的心律失常在相同患者的不同阶段之间的心电图很可能有明显变化，不同患者同种类型的心律失常在心电图上的差异更大，这就在客观方面给心律失常的自动分类造成很大难题。
发明内容
[0003] 本发明为了克服以上技术的不足，提供了一种提高网络的学习效率和心电图识别精度的基于卷积神经网络和长短期记忆网络的心电图分类方法。
[0004] 本发明克服其技术问题所采用的技术方案是：
[0005] 一种基于卷积神经网络和长短期记忆网络的心电图分类方法，包括如下步骤：
[0006] a)计算机从MIT-BIH心律失常数据库中获取心电数据，根据心电数据中导联记录内容，选择upper信号为Ⅱ导联信号以及选择lower信号为胸部Ⅰ导联信号作为实验数据；
[0007] b)使用基于双尺度小波变换法对实验数据进行降噪处理，并且定位实验数据中的QRS波群；
[0008] c)通过QRS波群位置获取心电信号中的P波和T波的位置，获取一个心拍数据；
[0009] d)使用X表示一个样本，该样本代表Ⅱ导联信号数据及胸部Ⅰ导联信号数据，其展开形式为X＝{x1,x2,....,xi,....,xLen}计算样本数据X，将每个样本的Ⅱ导联信号数据与Ⅰ导联信号数据整理到一个一维矩阵中，其中xi为第i个点位对应的电压值，Len为矩阵长度；
[0010] e)将N个样本数据整合成N*Len的矩阵，通过公式 对MIT-BIH心律失常数据库的数据值在-5毫伏到5毫伏之间进行归一化处理；
[0011] f)进行CNN-LSTM组合模型训练，根据公式 计算进入卷积神经网络第一个卷积层的矩阵尺寸W1，式中F为卷积核的大小，S为卷积核的移动幅度，P为零填充边界宽度；
[0012] g)使用Batch Normalization算法对N*W1进行规范化计算；
[0013] h)使用ReLU激活函数对规范化的计算结果进行线性修正；
[0014] i)进入卷积神经网络的池化层，通过公式 计算进行降维的矩阵大小W2，式中M为池化层核尺寸；
[0015] j)进入卷积神经网络的第二个卷积层，使用Batch Normalization算法和池化层对第二个卷积层结果进行归一化处理并利用池化层降维，得到第二个卷积层计算输出结果W3；
[0016] k)进入卷积神经网络的全连接层对N*W3进行矩阵乘法运算，计算结果用A表示，展开式为A＝{a1,a2,...ai,...,aw3}，其中ai为第i个点的数据；
[0017] l)通过公式ft＝σ(Wifat+bif+Whfht-1+bhf)计算t时刻的忘记门忘记内容ft，通过公式it＝σ(Wiiat+bii+Whiht-1+bhi)计算t时刻的输入门
[0018] 保留内容，通过公式gt＝tanh(Wigat+big+Whght-1+bhg)计算t时刻的更新内容，式中at为t时刻输入数据，ht-1为t-1时刻隐藏层数据，Wif为输入层和忘记门的权值，Whf为隐藏层和忘记门的权值，Wii是输入层和输入门的权值，Whi为隐藏层和输入门的权值，Wig为输入层和保留信息门的权值，Whg为输入层和保留信息门的权值，bif为输入层和忘记门的偏倚，bhf为隐藏层和忘记门的偏移，bii为输入层和输入门的偏倚，bhi为隐藏层和输入门的偏倚，big为输入层和信息保留门的偏倚，bhg为隐藏层和保留信息门的偏倚，σ为sigmoid激活函数；
[0019] m)通过公式ct＝ftct-1+itgt计算t时刻的细胞状态ct，式中ct-1是t-1时刻细胞状态，根据公式ot＝σ(Wioat+bio+Whoht-1+bho)计算t时刻的输出数据ot，式中Wio为输入层和输出层的权值，Who是隐藏层和输入层的权值，bio为输入层和输出层的偏倚，bho为隐藏层和输出层的偏倚；
[0020] n)通过公式ht＝ot*tanh(ct)计算t时刻的的隐藏层的数据ht，判断当前时刻t和LSTM网络设定长度隐藏层长度hidden_size的关系，如果t＞hidden_size则跳转至步骤o)；
[0021] o)通过公式 计算通过softmax激活函数计算的最终结果，式中Zj为LSTM网络输出结果的第j个位置的数据；
[0022] p)使用交叉熵损失函数计算损失，如果损失小于阀值Threshold则跳转至步骤r)，如果损失大于阀值Threshold则执行步骤q)；
[0023] q)使用Adam优化法优化CNN-LSTM模型参数，如果模型已经收敛则跳转至步骤r)，如果模型没有收敛，则跳转至步骤a)；
[0024] r)保存模型参数，运行结束。
[0025] 优选的，心拍数据为在心电数据中截取1秒时间内360个点的固定长度数据。优选的，步骤d)中Len＝720。
[0026] 优选的，步骤e)中N＝40000。
[0027] 优选的，步骤p)中Threshold＝0.1。
[0028] 本发明的有益效果是：通过多导联心电图数据和卷积神经网络和长短期记忆网络(CNN-LSTM)组合模型实现心律失常自动分类的方法。一方面多导联心电图较单导联心电图蕴含更多信息，另一方面CNN-LSTM组合模型结合CNN和LSTM的优点，在学习空间数据结构和时间序列结构方面有着独特优势，利用多导联心电图数据训练CNN-LSTM能够提高网络的学习效率和心电图识别的精度。
附图说明
[0029] 图1为本发明的流程图。
具体实施方式
[0030] 下面结合附图1对本发明做进一步说明。
[0031] 一种基于卷积神经网络和长短期记忆网络的心电图分类方法，包括如下步骤：
[0032] a)计算机从MIT-BIH心律失常数据库中获取心电数据，根据心电数据中导联记录内容，选择upper信号为Ⅱ导联信号以及选择lower信号为胸部Ⅰ导联信号作为实验数据；
[0033] b)使用基于双尺度小波变换法对实验数据进行降噪处理，并且定位实验数据中的QRS波群；
[0034] c)通过QRS波群位置获取心电信号中的P波和T波的位置，获取一个心拍数据；
[0035] d)使用X表示一个样本，该样本代表Ⅱ导联信号数据及胸部Ⅰ导联信号数据，其展开形式为X＝{x1,x2,....,xi,....,xLen}计算样本数据X，将每个样本的Ⅱ导联信号数据与Ⅰ导联信号数据整理到一个一维矩阵中，其中xi为第i个点位对应的电压值，Len为矩阵长度；
[0036] e)将N个样本数据整合成N*Len的矩阵，通过公式 对MIT-BIH心律失常数据库的数据值在-5毫伏到5毫伏之间进行归一化处理；
[0037] f)进行CNN-LSTM组合模型训练，根据公式 计算进入卷积神经网络第一个卷积层的矩阵尺寸W1，式中F为卷积核的大小，S为卷积核的移动幅度，P为零填充边界宽度；
[0038] g)使用Batch Normalization算法对N*W1进行规范化计算；
[0039] h)使用ReLU激活函数对规范化的计算结果进行线性修正；
[0040] i)进入卷积神经网络的池化层，通过公式 计算进行降维的矩阵大小W2，式中M为池化层核尺寸；
[0041] j)进入卷积神经网络的第二个卷积层，使用Batch Normalization算法和池化层对第二个卷积层结果进行归一化处理并利用池化层降维，得到第二个卷积层计算输出结果W3；
[0042] k)进入卷积神经网络的全连接层对N*W3进行矩阵乘法运算，计算结果用A表示，展开式为A＝{a1,a2,...ai,...,aw3}，其中ai为第i个点的数据；
[0043] l)通过公式ft＝σ(Wifat+bif+Whfht-1+bhf)计算t时刻的忘记门忘记内容ft，通过公式it＝σ(Wiiat+bii+Whiht-1+bhi)计算t时刻的输入门保留内容，通过公式gt＝tanh(Wigat+big+Whght-1+bhg)计算t时刻的更新内容，式中at为t时刻输入数据，ht-1为t-1时刻隐藏层数据，Wif为输入层和忘记门的权值，Whf为隐藏层和忘记门的权值，Wii是输入层和输入门的权值，Whi为隐藏层和输入门的权值，Wig为输入层和保留信息门的权值，Whg为输入层和保留信息门的权值，bif为输入层和忘记门的偏倚，bhf为隐藏层和忘记门的偏移，bii为输入层和输入门的偏倚，bhi为隐藏层和输入门的偏倚，big为输入层和信息保留门的偏倚，bhg为隐藏层和保留信息门的偏倚，σ为sigmoid激活函数；
[0044] m)通过公式ct＝ftct-1+itgt计算t时刻的细胞状态ct，式中ct-1是t-1时刻细胞状态，根据公式ot＝σ(Wioat+bio+Whoht-1+bho)计算t时刻的输出数据ot，式中Wio为输入层和输出层的权值，Who是隐藏层和输入层的权值，bio为输入层和输出层的偏倚，bho为隐藏层和输出层的偏倚；
[0045] n)通过公式ht＝ot*tanh(ct)计算t时刻的的隐藏层的数据ht，判断当前时刻t和LSTM网络设定长度隐藏层长度hidden_size的关系，如果t＞hidden_size则跳转至步骤o)；
[0046] o)通过公式 计算通过softmax激活函数计算的最终结果，式中Zj为LSTM网络输出结果的第j个位置的数据；
[0047] p)使用交叉熵损失函数计算损失，如果损失小于阀值Threshold则跳转至步骤r)，如果损失大于阀值Threshold则执行步骤q)；
[0048] q)使用Adam优化法优化CNN-LSTM模型参数，如果模型已经收敛则跳转至步骤r)，如果模型没有收敛，则跳转至步骤a)；
[0049] r)保存模型参数，运行结束。
[0050] 通过多导联心电图数据和卷积神经网络和长短期记忆网络(CNN-LSTM)组合模型实现心律失常自动分类的方法。一方面多导联心电图较单导联心电图蕴含更多信息，另一方面CNN-LSTM组合模型结合CNN和LSTM的优点，在学习空间数据结构和时间序列结构方面有着独特优势，利用多导联心电图数据训练CNN-LSTM能够提高网络的学习效率和心电图识别的精度。
[0051] 进一步的，心拍数据为在心电数据中截取1秒时间内360个点的固定长度数据。
[0052] 进一步的，步骤d)中Len＝720。
[0053] 进一步的，步骤e)中N＝40000。
[0054] 进一步的，步骤p)中Threshold＝0.1。
