本发明属于心电信号分类技术领域，具体涉及一种基于金字塔型卷积层的心电信号深度神经网络建模方法。
背景技术：
心血管疾病的诊断是心电图分析的主要应用领域之一。据世界卫生组织报道，心血管疾病是世界范围内死亡的主要原因。在心血管疾病中，心律失常(arrhythmia)发生最多，而心室颤动(atrialfibrillation，af)就是其中一种最为常见的心律失常疾病，会引起心跳不规律、迅速收缩等症状。发生房颤时，心跳的频率往往快而不规则，有时可以达到100次/min～160次/min。检测房颤有助于慢性房颤的早期诊断、治疗和并发症的预防，因此，如何对其进行精确分类一直是生物医学研究的热点之一。
深度学习(deeplearning)能够从原始输入中自动学习到深层特征，而无需手动提取特征。现有的心电分析算法大多是采用dnns实现的，用dnns对心电数据进行处理时，构建端到端网络架构这些用dnns对心电数据进行分类的研究也取得了良好的效果。在神经网络中，卷积神经网络特有的卷积层和池化层使其具有很好的特征提取功能。因此，为了使心电分类更加准确，搭建更优的深度卷积神经网络模型很有必要。
技术实现要素：
本发明的目的是针对现有技术的不足，提供一种基于金字塔型卷积层的心电信号深度神经网络建模方法，使用端到端的深度卷积神经网络来对心电信号分类，不需要做噪音滤波、去除伪影等预处理步骤，从实验角度上来讲，保证了心电分类处理效率；将卷积层做改进，构建出多分支的金字塔型卷积层结构并对卷积核进行分析后调整，保证没有经过预处理的心电信号能够得到多尺度的多个特征面，并保证心电信号特征提取多尺度的优化；将金字塔型卷积层应用于深度卷积神经网络中的第一层，保证了一开始的心电特征提取多面性，对后续神经网络的分类处理工作有很大意义。本发明能有效提高对于房颤类别的分类准确性。
本发明具体步骤如下：
步骤1、构建基于金字塔型卷积层的心电信号深度神经网络模型，该心电信号深度神经网络模型包括一层金字塔型卷积层和m个残差块，8≤m≤24；所述的金字塔型卷积层由n 1个常规卷积层组成，n≥2；前n个常规卷积层的卷积核最大为16，最小为4，其余取16与4之间的奇数，而最后一个常规卷积层的卷积核设置为1。
步骤2、将训练集的心电信号输入基于金字塔型卷积层的心电信号深度神经网络模型进行训练,具体如下：
1)将心电信号x分别输入到金字塔型卷积层的前n层常规卷积层中，由于金字塔型卷积层的前n层常规卷积层的卷积核均不相同，从而得到n个不同卷积核的常规卷积层分支形成的特征图。
2)将这n个不同卷积核的常规卷积层分支形成的特征图进行级联，得到级联后的特征图：
其中，x为级联后的特征图，concat表示各常规卷积层分支形成的特征图在通道上的级联，
3)将级联后的特征图再经过金字塔型卷积层最后一个卷积核为1的常规卷积层，得到最终的心电信号特征图。
4)心电信号特征图在m个残差块中逐个依次传输后通过一个全连接层分类。
步骤3、通过验证集对基于金字塔型卷积层的心电信号深度神经网络模型进行验证，得到验证集分类误差；当训练次数达到设定的最大值或者当验证集分类误差小于指定值时，则获得训练后的基于金字塔型卷积层的心电信号深度神经网络模型，否则回到步骤2。
进一步，心电信号输入在常规卷积层中形成特征图输出是通过心电信号输入与输出的关系实现的，常规卷积层的第α通道心电信号输入与输出的关系式如下：
式中，
本发明相比于现有技术的有益效果在于：
本发明的金字塔型卷积层对于同一组心电数据从不同角度多分支进行特征提取，并且最后再聚合，提高了网络的鲁棒性，对房颤类别等类别分类性能更好。本发明能够在自动提取心电信号特征的同时，保留住多尺度的心电信号细节信息，呈现出含有更丰富特征的特征图。从构建模型的层面上讲，能够在相同数据量的情况下构建出分类效果更好的模型。与更高维度的数据应用相比，金字塔型卷积层在对一维心电数据进行训练和处理在时间层面上具有大幅度缩减，所需的资源占用也大幅度减小，特别地，本发明极大地提高了心电信号类别中房颤类别的分类效率，具有很大的可实用性。本发明提升了病人检查结果的准确性，在临床医学技术应用中具有重要意义。
附图说明
图1为本发明的流程示意图。
图2为本发明中金字塔型卷积层的构成示意图。
图3为本发明中具有金字塔型卷积层的网络架构示意图。
具体实施方式
为了更加具体地描述本发明，下面结合附图对本发明的技术方案进行详细说明。
如图1、2和3所示，基于金字塔型卷积层的心电信号深度神经网络建模方法，将心电信号输入到基于金字塔型卷积层的心电信号深度神经网络模型中，在该网络模型中，第一层卷积层为金字塔型卷积层，之后的卷积层都为普通卷积层，且包含在残差块中。具体步骤如下：
步骤1、构建基于金字塔型卷积层的心电信号深度神经网络模型，该心电信号深度神经网络模型包括一层金字塔型卷积层和m个残差块，8≤m≤24；如图1所示，采用残差连接的方式，通过残差块(本实施例中m＝16)构建网络架构。本实施例的残差块内部，让两层卷积去拟合输入数据和通过最大池化层映射后的输出数据之间的残差。金字塔型卷积层由n 1个常规卷积层(convolutionallayer)组成，n≥2，本实施例中n＝6；为了控制网络参数与计算量，将前n个常规卷积层的卷积核设置较小，其中最大为16，最小为4，中间四个分别取16与4之间的奇数，而最后一个常规卷积层的卷积核设置为1。
步骤2、将训练集的心电信号输入基于金字塔型卷积层的心电信号深度神经网络模型进行训练,具体如下：
1)将心电信号x分别输入到金字塔型卷积层的前n层常规卷积层中,由于金字塔型卷积层的前n层常规卷积层的卷积核均不相同，心电信号的每个感受野都通过不同的卷积核重复作用，从而得到n个不同卷积核的常规卷积层分支形成的特征图。
2)将这n个不同卷积核的常规卷积层分支形成的特征图进行级联，得到级联后的特征图：
其中，x为级联后的特征图，concat表示各常规卷积层分支形成的特征图在通道上的级联，
在本发明中，级联金字塔型卷积层的n个非线性激活层(即n个常规卷积层)，代替单一非线性激活层，增加了判别能力。
3)将级联后的特征图再经过金字塔型卷积层最后一个卷积核为1的常规卷积层，得到最终的心电信号特征图。
4)心电信号特征图在m个残差块中逐个依次传输后通过一个全连接层分类。
步骤3、通过验证集对基于金字塔型卷积层的心电信号深度神经网络模型进行验证，得到验证集分类误差；当训练次数达到设定的最大值(本实施例中取100)或者当验证集分类误差小于指定值时，则获得训练后的基于金字塔型卷积层的心电信号深度神经网络模型，否则回到步骤2。
其中，心电信号输入在常规卷积层中形成特征图输出是通过心电信号输入与输出的关系实现的，常规卷积层的第α通道心电信号输入与输出的关系式如下：
式中，
为了验证基于金字塔型卷积层的心电信号深度神经网络建模方法在心电信号分类上的性能，采用2017年cinc挑战赛的8528条心电数据进行实验，如表1所示，包含4类心拍类型，它们分别是正常节律、房颤节律、其他节律和噪声。本实施例将该8528条心电数据中的10％作为测试集，其余90％作为训练集，又将训练集中的10％作为验证集。
表1
将本实施例(金字塔型卷积层的n＝6，作为实施例1)与普通算法(金字塔型卷积层替换成一层常规卷积层，作为对比例)和3分支算法(金字塔型卷积层的n＝3，作为实施例2)进行比较，用准确度(accuracy，用acc表示)、序列级别精度(sequencelevelaccuracy，用seqf1表示)以及集合级别精度(setlevelaccuracy，用setf1表示)作为客观评价指标来衡量分类效果，以验证本发明方法的分类性能。
其中，准确度定义为：
式中，tp是正样本的正确预测数，tn是负样本的正确预测数，fn是正样本的不正确预测数，fp是负样本的不正确预测数。
实施例1与普通算法相比，准确度从85.4％提升到了85.7％。
序列级别精度(seqf1)定义为：将预测标签和真实标签之间以一个序列的长度做平均重叠。对于每一个记录，需要每秒大约一次进行预测。将这些预测与正确注释结果(真实标签)进行比较。
集合级别精度(setf1)：不是将记录的标签视为序列，而是将每30秒记录中出现的一组唯一的心律失常视为基础事实注释。与“序列级别精度”不同，“集合级别精度”不会因记录中的时间未对准而受到影响。从正确注释结果和模型预测得出的特殊类别标签之间计算集合级别精度。
表2为三种算法的序列级别精度和集合级别精度对比，可以看到，随着金字塔卷积层金字塔的扩大、层数的增加，本发明模型的序列级别精度评分有了明显的提升；且实施例1与对比例评分相比，对于窦性节律(正常节律)序列级别精度(用qf1n表示)从0.793提升到了0.906，对于房颤节律序列级别精度(用qf1a表示)从0.719提升到了0.823，对于其他节律序列级别精度(用qf1o表示，噪声序列级别精度用qf1p表示)从0.703提高到了0.789，四种节律的序列级别精度平均得分从0.857提高到了0.920。从集合级别精度评分来看，4种节律分类均有提升,窦性节律集合级别精度用tf1n表示,房颤节律集合级别精度用tf1a表示,其他节律集合级别精度用tf1o表示,噪声集合级别精度用tf1p表示。通过对比容易发现，金字塔型卷积层提高了网络的鲁棒性，因此可以看到这两类客观评价指标评分都有明显提升，在特征提取方面提供了一些改进，保留更多的细节信息。
表2
表3为三种算法的序列级auc(seqauc)和集合级auc(setauc)对比，可以发现，实施例1与对比例评分相比，序列级别的类加权平均曲线下面积和集合级别的类加权平均都有提升，序列级别的类加权平均曲线下面积从0.976提高到了0.981，集合级别的类加权平均从0.964提高到了0.969。实施例1和实施例2的深度残差网络中，所有节律分类的序列级auc(窦性节律序列级auc用qaucn表示,房颤节律序列级auc用qauca表示,其他节律序列级auc用qauco表示,噪声序列级auc用qaucp表示)都高于0.941，所有分类的集合级auc(窦性节律集合级auc用taucn表示,房颤节律集合级auc用tauca表示,其他节律集合级auc用tauco表示,噪声集合级auc用taucp表示)都高于0.931。由此可见，本发明可以使得模型具有较好的心电分类性能。
表3
1.基于金字塔型卷积层的心电信号深度神经网络建模方法，具体步骤如下：
步骤1、构建基于金字塔型卷积层的心电信号深度神经网络模型，该心电信号深度神经网络模型包括一层金字塔型卷积层和m个残差块，8≤m≤24；所述的金字塔型卷积层由n 1个常规卷积层组成，n≥2；前n个常规卷积层的卷积核最大为16，最小为4，其余取16与4之间的奇数，而最后一个常规卷积层的卷积核设置为1；
步骤2、将训练集的心电信号输入基于金字塔型卷积层的心电信号深度神经网络模型进行训练，具体如下：
1)将心电信号x分别输入到金字塔型卷积层的前n层常规卷积层中，由于金字塔型卷积层的前n层常规卷积层的卷积核均不相同，从而得到n个不同卷积核的常规卷积层分支形成的特征图；
2)将这n个不同卷积核的常规卷积层分支形成的特征图进行级联，得到级联后的特征图：
其中，x为级联后的特征图，concat表示各常规卷积层分支形成的特征图在通道上的级联，
3)将级联后的特征图再经过金字塔型卷积层最后一个卷积核为1的常规卷积层，得到最终的心电信号特征图；
4)心电信号特征图在m个残差块中逐个依次传输后通过一个全连接层分类；
步骤3、通过验证集对基于金字塔型卷积层的心电信号深度神经网络模型进行验证，得到验证集分类误差；当训练次数达到设定的最大值或者当验证集分类误差小于指定值时，则获得训练后的基于金字塔型卷积层的心电信号深度神经网络模型，否则回到步骤2。
2.根据权利要求1所述基于金字塔型卷积层的心电信号深度神经网络建模方法，其特征在于：心电信号输入在常规卷积层中形成特征图输出是通过心电信号输入与输出的关系实现的，常规卷积层的第α通道心电信号输入与输出的关系式如下：
式中，
