1.一种基于AlexNet和迁移学习相结合的心电图异常识别方法,其特征在于,该方法具体如下:预处理:将数据集中的每条心电图信号转换成心电图图像,并对异常类型的心电图进行不同方位的裁剪达到数据增强的目的;具体如下:图像转换:将数据集中的每条心电图信号转换成尺寸为227x227的心电图图像;
构建心拍样本:围绕QRS波峰分割ECG,取QRS波峰值前的若干样本以及峰值后的若干样本组成一个心拍样本;具体如下:采用小波变换用于处理工频信号干扰和肌电信号干扰的高频信号;
IIR零相位数字滤波器纠正基线漂移,以软件判别和可变阈值的方法实现QRS波检测;
检测到QRS波后,围绕QRS波峰分割ECG,取QRS波峰值前的样本以及峰值后的样本组成一个心拍样本;
消除ECG幅度影响:在划分心拍样本基础上对心拍样本归一化,消除ECG记录中不同幅度影响;其中,归一化函数的公式为:其中,di表示每个心拍样本;dmax为心拍幅度最大值;dmin为最小值;归一化心拍Si幅度范围处于0到1之间;
均衡化处理:对数据进行均衡化处理,并对异常心电图通过数据扩增的方式进行扩充;
其中,数据扩增的方式包括,
平移:将心电图图像分别向上、下、左、右平移12个像素点;
旋转:将心电图图像分别沿顺或逆时针方向旋转30°;
镜像:将心电图图像上、下或左、右方向各做一次镜像;
特征提取:把数据增强后的图像放入预训练的模型中进行训练,预训练后的心电图图像作为AlexNet模型的输入,自动提取特征,并利用ImageNet数据集预训练的AlexNet模型进行迁移学习;
分类预测:把预训练的AlexNet深度卷积神经网络模型得到的高特征放入支持向量机中进行心电图分类。
2.根据权利要求1所述的基于AlexNet和迁移学习相结合的心电图异常识别方法,其特征在于,所述AlexNet模型的迁移学习过程具体如下:在迁移学习中,预训练模型采用的是ImageNet上1000类的图像进行模型训练;
对预训练模型进行微调:在直接迁移学习的基础上将预训练模型的部分网络层进行冻结,开放剩余的层进行训练,从而得到更好的权重参数;
利用ADAM更新参数,ADAM是梯度下降法的变种,更新神经网络的权重;
使用全局平均池化函数直接对特征图进行特征维度提取,全局平均池化函数把特征图全局平均得到一个值,直观地反映出特征图之间的联系,实现在特征提取过程中特征图的降维和卷积层向量的展开,使其空间信息保持完整,并且大幅减少网络模型的参数量,降低过拟合的发生。
3.根据权利要求1或2所述的基于AlexNet和迁移学习相结合的心电图异常识别方法,其特征在于,所述预训练后的心电图图像作为AlexNet模型的输入,自动提取特征的过程具体如下:将预处理后的二维心电图图像输入到预训练的AlexNet卷积神经网络中,经过多个卷积池化操作,提取图片的特征;
卷积作为信号分析技术,使用卷积和池化的方法实现特征的自动提取和约简;
给定大小为(m,n)的图像M,卷积定义为:
其中,(k,l)为卷积核w的大小;通过卷积使AlexNet模型能够从图像中学习特征,其参数共享降低模型的复杂度;
利用池化技术对卷积层之后得到的小邻域内的特征点进行集成,得到新的特征。
4.根据权利要求1所述的基于AlexNet和迁移学习相结合的心电图异常识别方法,其特征在于,所述心电图分类后获得二分类结果,对二分类结果进行量化分析,量化分析的评价指标包括敏感度、特异性和准确率;
其中,敏感度表示系统检测到的正常心电数据占总体正常数据的比例,计算公式如下:Sen=TP1/(TP1+FN1)×100%;
式中:Sen表示敏感度;TP1表示将正常心电数据分类到正常类别;FN1表示将正常数据分类到异常类别;
特异性表示异常心电数据占总体异常数据的比例,计算公式如下:Spec=TN1/(TN1+FP1)×100%;
式中:Spec表示特异性;TN1表示将异常数据分类到异常类别;FP1表示将异常心电数据分类到正常类别;
准确率表示判定正确的数据在总体数据中的比例,计算公式如下:Acc=(TP2+TN2)/(TN2+FP2+TP2+FN2)×100%;
式中:Acc表示准确率;TP2和TN2均表示分类准确的数量;FP2和FN2均表示分类错误的数量。
5.一种基于AlexNet和迁移学习相结合的心电图异常识别系统,其特征在于,该系统包括,预处理单元,用于将数据集中的每条心电图信号转换成心电图图像,并对异常类型的心电图进行不同方位的裁剪达到数据增强的目的;其中,预处理单元包括,图像转换模块,用于将数据集中的每条心电图信号转换成尺寸大小为227x227的心电图图像;
心拍样本构建模块,用于围绕QRS波峰分割ECG,取QRS波峰值前的若干样本以及峰值后的若干样本组成一个心拍样本;
消除ECG幅度影响模块,用于在划分心拍样本基础上对心拍样本归一化,消除ECG记录中不同幅度影响;其中,规范化函数的公式为:其中,di表示每个心拍样本;dmax为心拍幅度最大值;dmin为最小值;归一化心拍Si幅度范围处于0到1之间;
均衡化处理模块,用于对数据进行均衡化处理,并对异常心电图通过数据扩增的方式进行扩充;数据扩增的方式包括,平移:将心电图图像分别向上、下、左、右平移12个像素点;
旋转:将心电图图像分别沿顺或逆时针方向旋转30°;
镜像:将心电图图像上、下或左、右方向各做一次镜像;
特征提取单元,用于把数据增强后的图像放入预训练的模型中进行训练,预训练后的心电图图像作为AlexNet模型的输入,自动提取特征,并利用ImageNet数据集预训练的AlexNet模型进行迁移学习;
分类预测单元,用于把预训练的AlexNet深度卷积神经网络模型得到的高特征放入支持向量机中进行心电图分类,心电图分类后获得二分类结果,对二分类结果进行量化分析,量化分析的评价指标包括敏感度、特异性和准确率;
其中,敏感度表示系统检测到的正常心电数据占总体正常数据的比例,计算公式如下:Sen=TP1/(TP1+FN1)×100%;
式中:Sen表示敏感度;TP1表示将正常心电数据分类到正常类别;FN1表示将正常数据分类到异常类别;
特异性表示异常心电数据占总体异常数据的比例,计算公式如下:Spec=TN1/(TN1+FP1)×100%;
式中:Spec表示特异性;TN1表示将异常数据分类到异常类别;FP1表示将异常心电数据分类到正常类别;
准确率表示判定正确的数据在总体数据中的比例,计算公式如下:Acc=(TP2+TN2)/(TN2+FP2+TP2+FN2)×100%;
式中:Acc表示准确率;TP2和TN2均表示分类准确的数量;FP2和FN2均表示分类错误的数量。
6.根据权利要求5所述的基于AlexNet和迁移学习相结合的心电图异常识别系统,其特征在于,所述特征提取单元包括,迁移学习模块,用于在迁移学习中,预训练模型采用的是ImageNet上1000类的图像进行模型训练;对预训练模型进行微调:在直接迁移学习的基础上将预训练模型的部分网络层进行冻结,开放剩余的层进行训练,从而得到更好的权重参数;利用ADAM更新参数,ADAM是梯度下降法的变种,更新神经网络的权重;使用全局平均池化函数直接对特征图进行特征维度提取,全局平均池化函数把特征图全局平均得到一个值,直观地反映出特征图之间的联系,实现在特征提取过程中特征图的降维和卷积层向量的展开,使其空间信息保持完整,并且大幅减少网络模型的参数量,降低过拟合的发生;
训练及特征提取模块,用于将预处理后的二维心电图图像输入到预训练的AlexNet卷积神经网络中,经过多个卷积池化操作,提取图片的特征;卷积作为信号分析技术,使用卷积和池化的方法实现特征的自动提取和约简;给定大小为(m,n)的图像M,卷积定义为:其中,(k,l)为卷积核w的大小;通过卷积使AlexNet模型能够从图像中学习特征,其参数共享降低模型的复杂度;利用池化技术对卷积层之后得到的小邻域内的特征点进行集成,得到新的特征。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行时,实现如权利要求1至4中所述的基于AlexNet和迁移学习相结合的心电图异常识别方法。