基于滤波重构和卷积神经网络的心电信号分类.pdf
版权申诉
104 浏览量
2021-09-25
21:31:01
上传
评论
收藏 1.11MB PDF 举报
２０１９ 年第 ３２ 卷第 １１ 期
Ｅｌｅｃｔｒｏｎｉｃ Ｓｃｉ ＆ Ｔｅｃｈ / Ｎｏｖ １５ꎬ２０１９
http: //journal xidian edu cn
收稿日期:２０１８￣１１￣ ０６
基金项目:浙江省自然基金重点项目(ＬＺ１４Ｆ０２０００２)
Ｔｈｅ Ｋｅｙ Ｐｒｏｊｅｃｔ Ｓｕｐｐｏｒｔｅｄ ｂｙ Ｚｈｅｊｉａｎｇ Ｐｒｏｖｉｎｃｉａｌ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ
Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｃｈｉｎａ (ＬＺ１４Ｆ０２０００２)
作者简介:韦张跃昊(１９９４ － )ꎬ男ꎬ硕士研究生ꎮ 研究方向:信
号处理、深度学习ꎮ
基于滤波重构和卷积神经网络的心电信号分类
韦张跃昊ꎬ钱升谊
(杭州电子科技大学 电子信息学院ꎬ浙江 杭州 ３１００１８)
摘 要 计算机自动分类心电信号能够减轻医生工作压力并大幅提高诊断速度和准确率ꎮ 文中针对传统算法中特
征提取过程复杂及抗干扰能力弱的问题ꎬ提出了一种结合滤波重构和卷积神经网络的心电信号分类算法ꎮ 该算法首先
通过传统信号滤波和心拍序列重构去除原始心电信号中的噪声干扰ꎬ然后构建卷积神经网络来自动学习心电信号特征
并完成分类ꎮ 在 ＰｈｙｓｉｏＮｅｔ / ＣｉｎＣ Ｃｈａｌｌｅｎｇｅ ２０１７ 数据集上的分类实验结果表明ꎬ该方法的平均 Ｆ
１
(查准率、召回率的调和
平均)达到了 ０. ８４７１ꎬ优于人工特征提取和常规卷积网络方法ꎬ且具有很强的抗干扰能力ꎮ
关键词 卷积神经网络ꎻ心电信号ꎻ特征自动提取ꎻ序列重构ꎻ信号滤波ꎻ分类算法
中图分类号 ＴＰ３９１ 文献标识码 Ａ 文章编号 １００７ － ７８２０(２０１９)１１ － ００７ － ０５
ｄｏｉ:１０ １６１８０ / ｊ ｃｎｋｉ ｉｓｓｎ１００７ － ７８２０ ２０１９ １１ ００２
ＥＣＧ Ｓｉｇｎａｌ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ Ｂａｓｅｄ ｏｎ Ｆｉｌｔｅｒｉｎｇ － Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ａｎｄ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ
ＷＥＩ ＺｈａｎｇｙｕｅｈａｏꎬＱＩＡＮ Ｓｈｅｎｇｙｉ
(Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ ＩｎｆｏｒｍａｔｉｏｎꎬＨａｎｇｚｈｏｕ Ｄｉａｎｚｉ Ｕｎｉｖｅｒｓｉｔｙꎬ Ｈａｎｇｚｈｏｕ ３１００１８ꎬＣｈｉｎａ)
Ａｂｓｔｒａｃｔ Ａｕｔｏｍａｔｉｃ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ＥＣＧ ｓｉｇｎａｌｓ ｂｙ ｃｏｍｐｕｔｅｒｓ ｃａｎ ｒｅｌｉｅｖｅ ｗｏｒｋ ｐｒｅｓｓｕｒｅ ｏｆ ｄｏｃｔｏｒｓ ａｎｄ ｇｒｅａｔｌｙ
ｉｍｐｒｏｖｅ ｄｉａｇｎｏｓｉｓ ｓｐｅｅｄ ａｎｄ ａｃｃｕｒａｃｙ. Ａｉｍｉｎｇ ａｔ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｃｏｍｐｌｅｘ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｐｒｏｃｅｓｓ ａｎｄ ｗｅａｋ ａｎｔｉ －
ｉｎｔｅｒｆｅｒｅｎｃｅ ａｂｉｌｉｔｙ ｉｎ ｔｒａｄｉｔｉｏｎａｌ ａｌｇｏｒｉｔｈｍｓꎬ ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａｎ ＥＣＧ ｓｉｇｎａｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｃｏｍｂｉｎｅｄ ｗｉｔｈ
ｆｉｌｔｅｒｉｎｇ － ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ａｎｄ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ. Ｆｉｒｓｔｌｙꎬ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｓｉｇｎａｌ ｆｉｌｔｅｒｉｎｇ ａｎｄ ｈｅａｒｔｂｅａｔ ｓｅ￣
ｑｕｅｎｃｅ ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ ｗｅｒｅ ｕｓｅｄ ｔｏ ｒｅｍｏｖｅ ｔｈｅ ｎｏｉｓｅ ｉｎｔｅｒｆｅｒｅｎｃｅ ｉｎ ｔｈｅ ｏｒｉｇｉｎａｌ ＥＣＧ ｓｉｇｎａｌꎬ ａｎｄ ｔｈｅｎ ｔｈｅ ｃｏｎｖｏｌｕ￣
ｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗａｓ ｃｏｎｓｔｒｕｃｔｅｄ ｔｏ ａｕｔｏｍａｔｉｃａｌｌｙ ｌｅａｒｎ ｔｈｅ ＥＣＧ ｓｉｇｎａｌ ｆｅａｔｕｒｅ ａｎｄ ｃｏｍｐｌｅｔｅｄ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ.
Ｔｈｅ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｅｘｐｅｒｉｍｅｎｔｓ ｏｎ ｔｈｅ ＰｈｙｓｉｏＮｅｔ / ＣｉｎＣ Ｃｈａｌｌｅｎｇｅ ２０１７ ｄａｔａｓｅｔ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｉｓ ｍｅｔｈｏｄ ｈａｄ
ａｎ ａｖｅｒａｇｅ Ｆ
１
(ｔｈｅ ａｖｅｒａｇｅ ｏｆ ｔｈｅ ｐｒｅｃｉｓｉｏｎ ａｎｄ ｒｅｃａｌｌ ｒａｔｉｏ) ｏｆ ０. ８４７１ꎬ ｗｈｉｃｈ ｗａｓ ｂｅｔｔｅｒ ｔｈａｎ ｔｈｅ ｍｅｔｈｏｄｓ ｂａｓｅｄ ｏｎ ａｒ￣
ｔｉｆｉｃｉａｌ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｃｏｎｖｅｎｔｉｏｎａｌ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋꎬ ａｎｄ ｈａｄ ｓｔｒｏｎｇ ａｎｔｉ － ｉｎｔｅｒｆｅｒｅｎｃｅ ａｂｉｌｉｔｙ.
Ｋｅｙｗｏｒｄｓ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋꎻ ｅｌｅｃｔｒｏｃａｒｄｉｏｇｒａｍ ｓｉｇｎａｌꎻ ａｕｔｏｍａｔｉｃ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎꎻ ｓｅｑｕｅｎｃｅ ｒｅ￣
ｃｏｎｓｔｒｕｃｔｉｏｎꎻ ｓｉｇｎａｌ ｆｉｌｔｅｒｉｎｇꎻ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｌｇｏｒｉｔｈｍ
心电图(Ｅｌｅｃｔｒｏ Ｃａｒｄｉｏ Ｇｒａｍꎬ ＥＣＧ)是放置于皮肤
上的电极所记录下的人体心脏电生理活动的可视化结
果ꎬ通过心电图展现的心率、Ｓ － Ｔ 段、Ｐ 波、ＱＲＳ 波群
的形态及出现位置等特征能够对出窦性心动过速、窦
性心律不齐、室性早搏和心房颤动等心律失常
[１]
进行
诊断ꎮ 医务工作者在长期实践中积累了大量的 ＥＣＧ
诊断规则ꎬ但也正因为心电图分析中存在大量的规则
和经验知识的积累ꎬ心电图分析技能的学习相当耗时ꎬ
专业的心电图医生数量不足以应对海量的心电图ꎬ因
此需要计算机辅助诊断分类来提高诊断效率ꎮ
基于此需求ꎬ各种基于医学经验知识的心电图自
动分类算法被提出ꎬＴａｔｅｎｏ Ｋ 等人提出基于 Ｒ 峰间期
序列对心房颤动进行分析诊断
[２]
ꎻ宋莉、孟庆建等人基
于小波变换与 ＱＲＳ 心拍检测算法提取 ５ 个时域特征、
３２ 个小波域特征和 １８ 个高阶统计量特征并使用支持
向量机分类
[３]
ꎻＥｌｈａｊ Ｆ Ａ、Ｓａｌｉｍ Ｎ 等人在使用小波分
析和 ＱＲＳ 复合波群检测算法提取线性和非线性波形
特征后使用支持向量机和神经网络进行分类
[４]
ꎮ 然而
此类方法极度依赖提取特征的准确性ꎬ现有波形特征
识别算法在公开数据集上表现良好ꎬ但在临床数据上
性能并不能很好满足需求ꎮ 近年也有学者提出基于深
度神经网络的自动分类算法ꎬ如 Ａｃｈａｒｙａ Ｕ Ｒ、Ｆｕｊｉｔａ Ｈ
等人利用卷积神经网络在 ２ ~ ５ ｓ 的心电信号上进行
分类
[５]
ꎬ减少了医学先验知识需求ꎬ但是该方法处理的
７
资源评论
