基于改进深度残差收缩网络的心电信号分类算法.pdf
《基于改进深度残差收缩网络的心电信号分类算法.pdf》由会员分享,可在线阅读,更多相关《基于改进深度残差收缩网络的心电信号分类算法.pdf(12页珍藏版)》请在咨信网上搜索。
1、 应用数学和力学编委会,:基于改进深度残差收缩网络的心电信号分类算法龚玉晓,高淑萍(西安电子科技大学 数学与统计学院,西安)摘要:心电信号分类是医疗保健领域的重要研究内容 针对大多数方法不能很好地降低样本数量少的类别漏诊率,以及降低预处理操作的复杂性问题,提出了一种基于改进深度残差收缩网络()的心电信号分类算法(即 算法)首先,使用合成少数类过采样技术()扩充数量少的类别样本,从而解决了类不平衡问题;其次,利用改进深度残差收缩网络提取空间特征,其残差模块可以避免网络层加深造成的过拟合,压缩激励和软阈值化子网络可以提取重要局部特征并自动去除噪声;然后,通过长短期记忆网络()提取时间特征;最后,利
2、用全连接网络输出分类结果 在 心律失常数据集上的实验结果表明,该算法的分类性能优于、分类算法 关 键 词:心电信号;合成少数类过采样技术;深度残差收缩网络;压缩激励;长短期记忆网络中图分类号:;文献标志码:,(,):(),应用数学和力学 卷 期 年 月 ,收稿日期:;修订日期:基金项目:国家自然科学基金项目();高等学校学科创新引智计划(计划)()作者简介:龚玉晓(),女,硕士生(:);高淑萍(),女,教授,博士,硕士生导师(通讯作者:)引用格式:龚玉晓,高淑萍 基于改进深度残差收缩网络的心电信号分类算法 应用数学和力学,():;引 言根据世界卫生组织提供的资料显示,心血管疾病是危害人类生命最
3、严重的疾病之一,每年因心血管疾病死亡的人数约占世界死亡人数的 心电图(,)以其简单、无创的特点被广泛应用于诊断各种心脏异常、预测心血管发病率和死亡率 其诊断需要临床医生仔细检查和识别搏动间和搏动内的模式,这个过程既耗时又容易出错 因此,设计一种高准确率、低漏诊率的心电信号分类算法显得尤为重要 目前,国内外研究者们已提出了多种心电信号分类算法,可分为基于波形形态、波形特征和深度学习三类 基于波形形态的分类算法是利用心电图的 波、波以及 波群等特征进行分类 例如,李胜蓝等使用形态学方法对 波群进行描述,提取了有效特征信息,并使用模糊网络和神经网络对心律失常进行识别,在 类心律失常识别中达到了 的准
4、确率 但该分类算法对噪声敏感,准确率较低,不利于应用于实际 基于波形特征的分类算法是通过高阶统计特征、系数、小波变换等算法提取心电信号特征,再通过多层感知机或支持向量机(,)等算法进行分类 例如,等通过小波变换、局部二值模式和高阶统计特征进行特征提取,并使用 进行分类,在 类心电信号分类中达到了 的准确率 但此类分类算法需要较多的先验知识,且鲁棒性较差,也不利于广泛应用于实际 基于深度学习的分类算法是通过搭建端到端的神经网络进行分类,其具有较好的特征提取能力和泛化能力,越来越多的研究者将卷积神经网络(,)、残差网络(,)、长短期记忆网络(,)等应用在心电信号分类领域中 例如,陈鹏等提出了一种基
5、于 和 的心电信号分类算法(),该算法通过 生成高质量合成样本,实现了二维心电图的样本类别平衡,实验验证了样本类别平衡有助于提高分类性能 等提出了一种基于 和 的混合神经网络心律失常识别模型(),该模型可以自动提取信号的空间特征和时间特征,实验验证了其比单一 模型的分类性能好 提出了一种基于 和 的混合神经网络心电信号分类算法(),该算法在预处理阶段使用小波阈值变换和合成少数类过采样技术(,)进行去噪处理与样本类别平衡,并将注意力机制嵌入到 上为重要时间特征赋予较大权重,在 心律失常数据库上取得了较好的分类性能 郭炜伦等提出了一种基于 的心电信号识别算法,该算法将压缩激励(,)模块嵌入到 和
6、中进行心电信号的分类,在 心律失常数据库上取得了 的准确率 由于 在深层网络结构中需要训练大量可学习参数,且容易出现梯度消失和网络退化等现象,许多研究者也常使用 代替 进行空间特征提取,其可以减轻深度网络的训练难度 例如,等提出了一种多导联残差神经网络心电图识别模型(),其考虑了心电信号的多导联,提高了算法的泛化性能,在 数据库中取得了 的准确率 秦博等提出将残差结构和注意力机制结合进行心电图分类(),其使用注意力机制解决了 对任何位置特征相同处理的问题,大大提高了样本数量少的类别敏感性 上述基于深度学习的分类算法虽然取得了较好的分类结果,但仍存在一些不足之处:当以一维心电信号作为输入时,需要
7、在预处理阶段进行小波变换或其他去噪操作,其通常需要大量先验知识且去除噪声后可能会改变心电信号的含义 当以二维图像作为输入时,需要将一维心电信号数据转化为二维图像,并建立多个复杂的生成模型进行数据类别平衡,操作繁琐且模型复杂耗时,不利于应用于实际 对此,本文根据心电信号的特点对深度残差收缩网络(,)进行改进,使其可以在高噪声心电信号中提取重要局部特征并达到自动去除噪声的目的,并将改进深度残差收缩网络(,)与、结合,提出了一种基于改进深度残差收缩网络()的心电信号分类算法 该算法不仅可以降低样本数量少的类别漏诊率,还能降低预处理操作的复杂性,同时也避免了因网络应 用 数 学 和 力 学 年 第 卷
8、层加深造成的网络退化现象 相关理论知识 为了加强深度神经网络从含噪声信号中提取有用特征的能力,等以残差网络为基础,融合注意力机制和软阈值函数,提出了,其结构图如图 所示 该网络结构是在经典残差网络的输出之前嵌入一个压缩激励和软阈值化子网络 其中 可以解决网络层加深导致的梯度消失和网络退化问题 网络通过学习通道特征的相关性评估通道的重要程度,从而得到一组阈值 软阈值函数通过将部分特征置为 实现对噪声和冗余信息的抑制 具体实现过程如下:变换 使用堆叠两层卷积而成的 学习残差信息,记 的输入特征为 ,第一层卷积输出特征为 ,第二层卷积特征输出为 ,即 单元的输入特征 ,()其中,分别表示特征矩阵的高
9、度、宽度和通道数;表示卷积乘号;和 分别为两次卷积的二维卷积核 压缩操作 使用绝对值函数与全局平均池化()将每个通道上的全局空间特征通过空间维度 压缩生成通道描述符,该描述符的统计信息表示此通道的全局特征,从而得到一个 的通道统计量 的第 个元素计算如下:()(,),()激励操作 通过 映射的门控机制对通道之间的相关性进行计算,得到每个通道的阈值算子 (如式()所示)为了限制模型的复杂度以及强化泛化能力,使用两个全连接用于降维和升维 (,)(,)(,),()其中,为 映射;,分别是降维和升维层的可学习参数,为降维层的缩放比,该参数用于降低计算量 阈值计算 将通道特征 和阈值算子 乘积得到该通道
10、的阈值(如式()所示),从而得到通道阈值 ,该阈值是通过神经网络训练自主学习得到的,其不需要先验知识人工设置,阈值的高低与通道特征的重要程度成正相关,阈值越接近,通道特征越不重要 ()软阈值化 软阈值函数的导数为 或,在神经网络中可以有效地防止梯度消失 使用网络训练学习到的阈值 对残差信息 进行软阈值处理(如式()所示),从而去除大部分噪声和冗余信息,得到去除噪声的残差特征 ,(,)(,)(,),()其中,()表示符号函数 输出特征 将去除噪声的残差特征 和输入特征 结合得到得输出特征 (如式()所示)当残差特征为 时,表明网络达到最优,且不会随着网络层的加深而减低模型的表达能力 ,()为了解
11、决循环神经网络梯度消失或爆炸和长期依赖问题,等提出了 模型,其引入了门控机制和细胞状态两个概念 单元结构如图 所示 单元由三种不同的门和两种不同的状态组成:输入门,遗忘门,输出门,细胞状态 和隐藏状态 其中输入门 决定哪些信息应该被添加到当前细胞状态中;遗忘门 用来丢弃前一刻细胞状态中无用的信息;输出门 决定当前细胞状态中哪些第 期 龚玉晓,等:基于改进深度残差收缩网络的心电信号分类算法信息应该被输出;输入门 和遗忘门 共同更新 时刻的细胞状态;输入门、遗忘门 和输出门 共同决定 时刻输出的隐藏状态 单元一次更新过程如下:(),(),(),(),(),()其中,为 积,和 为非线性激活函数,(
12、),(),()式中,为权重矩阵;,为偏差向量 图 结构图 图 单元内部结构图 应 用 数 学 和 力 学 年 第 卷 本文提出的 分类算法 网络的提出是应用于机械故障检测中,处理的是机械振动信号,其阈值是自动获取的,不需要人工设置 大量实验证明了其对含有噪声的数据训练效果好 心电信号是一种频率范围为 的非线性毫伏级别生理信号,在采集过程中会产生基线漂移、工频干扰和肌电干扰等噪声,研究者通常需要在预处理阶段对这些噪声进行处理 因此,本文首先使用 对小样本类别数据进行数据扩充 其次根据心电信号自身特点以及其与机械振动信号的不同之处对 网络进行改进,使其可以在高噪声心电信号中提取重要局部特征并达到自
13、动去除噪声的目的 将改进 与 结合,提出了一种基于 的心电信号分类算法 的结构如图 所示,其中()网络用于前后通道数一致时,可用于提取深层特征;()网络用于通道数不一致时,可用于减低模型复杂度 主要改进之处如下:机械信号值是连续跳跃变化的,平均池化可以统计机械信号中跳跃值的平均情况 而心电信号数据是连续且呈现近似周期性变化的,在一个心拍周期内有持续增长到波峰再下降的情况,故在压缩操作 中使用全局最大池化()代替(如式()所示),其有利于提取通道数中的波峰特征 ()(,),()考虑到心电信号部分波段电压值为负数,本文使用 激活函数代替 函数(如式()所示),保留心电信号的负值特征以及避免网络的稀
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 深度 收缩 网络 电信号 分类 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。