文摘

人类生理信号处理的一个研究领域近年来广泛使用。研究人类生理信号起着至关重要的作用在预测人类健康和检测和分类某些疾病暴发。人类生理的网络信号是很难确定的,因为它包含了大量的关于人类活动的信息。为此,各种特征提取、特征选择和分类算法实现了在异常预测过程。然而,它的主要缺点是分类的结果,使用大量的特性和增加复杂性。为了解决这些问题,本文提出一种卷积神经网络提取技术对人类生理信号的特性和使用一个MPL分类器来检测ECG信号是否正常,心电图信号作为一个例子。本文基于小波变换的信号预处理方法,采用形态学滤波,和高频信号通过小波变换,和低频信号通过形态学滤波。广泛的测试ECG信号从MIT-BIH-AR获得数据库和INCART数据库显示,该方法具有良好的检测性能和灵敏度Sen = 99.54%,阳性预测率PPR = 99.65%,检测错误比率DER = 0.35%和精密Acc = 99.55%,这是一个改进的性能与其他技术相比,证明目前的技术的优越性。

1。介绍

有很多种人体生理信号。根据电的本质,他们可分为心电图,脑电图、肌电图,等等。还有呼吸,侵入性血压、无创血压、血氧饱和度、end-tidal二氧化碳,体温,心脏输出,脉冲,等。人类生理信号具有重要意义,以反映人体的健康状况,但目前,统计ieee特征提取并不是理想的分类和识别,和传统的特征提取方法有一定的局限性。心脏是人体的重要器官。心电图信号扮演重要的角色在人类生理信号。心电图是目前最常用的方法,记录心脏的电活动。本文的特征提取和识别人类生理信号基于卷积神经网络以做出一定贡献人类生理的健康。

在最近几年,各种相关的技术讨论和改进了该领域的研究人员对人类信号特征提取和分类的信号。Kaiser的团队提出了工程和实现低成本太阳能为残疾人椅子。这个解决方案使用肌电图(表)表面技术来获取信号需要从不同的肌肉操纵轮椅的手1]。李娜的团队提出了一个非线性特征提取方法对心电图签名将wavesaw包分解(WPD)和near-entropy (AP-EN)。信号分类使用一种改进的支持向量机(SVM)分类器2]。关于性格的主题优化和识别心电图样本,许多学者在这方面进行了研究。更典型,钱德拉的研究小组提出了一个方法来消除心电信号与不同类型的噪声使用最大重叠离散小波变换和通用阈值。离散小波变换和阈值是用来检测这些无噪声的ECG样本。的R峰参考点,然后大量的基于规则的方法用于识别额外的签名。最后,其他重要的功能是计算使用提取的特性(3]。Sabut et al。4]团队提出了一个改进算法来检测QRS的错综复杂的特点,其目的是分类四种心电图节奏基于多分辨率小波变换器(4]。王等人。5]团队提出了一个设计和实现方法的便携式心电图异常信号分析仪基于特征分类(5]。此外,卷积神经网络也已被一些学者在使检测到的心电信号特征提取和分类6- - - - - -8]。更一般来说,Kamaleswaran et al。6团队提出了一个强大的基于深度学习架构。架构是一个13-layer卷积神经网络(CNN)模型。模型使用一个会短暂心电图记录来识别心律不正常。也有许多文献将卷积神经网络应用于人类特性信号处理。例如,Yu et al。9)提出了一个无线信道指纹提取和基于卷积神经网络的分类方法。唐et al。10],Maram和Elrefaei [11)提出了虹膜识别特征提取技术基于卷积神经网络等等9- - - - - -11]。

基于上述研究,降低计算成本,适应ECG信号的变化,抛弃手工功能的缺陷,并提高心电信号特征检测的准确性,本文提出了一种二维神经网络deconvolutional ECG信号函数选择方法使用一种改进的支持向量机模型和分类ECG信号。在这篇文章中,一个两层组成的CNN目标层和部分层CNN是用于提取心电图检测QRS波的形态特征,T波,R波。后提取QRS波,T波,R波,心电图信号从MIT-BIH数据库和INCART数据库获得广泛进行了测试和比较与先前的技术检测灵敏度、可预测性和准确性。有一些改进。

本文的创新如下。(1)信号预处理的方法进行了分析和讨论。(2)构造卷积神经网络模型。(3)信号特征提取和分类进行了分析和研究。(4)最后,MIT-BIH-AR数据库和INCART数据库的ECG信号进行了测试和分析。

2。该方法

2.1。信号预处理

2.1.1。小波变换

非固定的生物医学信号通常是由潜在的转换处理如希尔伯特变换(12),短时傅里叶变换)[13),和小波传输(3,4]因为噪声去除和分析。小波变换是一种新的变换分析方法,它继承和发展的理念定位的短时傅里叶变换。同时,它克服了缺点,不改变窗口大小与频率和可以提供一个“时频”窗口随频率而变化,这是一个信号时频分析和处理的理想工具。小波变换可以提供时间表示的签名和时间定位光学成分。作为一个重要的数值工具领域的不稳定的波形分析,小波变换检测信号在不同尺度结构。小波也广泛应用于信号分析。它可以用于边界处理和过滤、时频分析、信噪分离和提取弱信号的分形指数计算、信号识别和诊断,和多尺度边缘检测。小波变换的基本原理是将信号分割成不同的功能使用的翻译和扩张属性母亲波(φ(t))。它被指定为一个典型的价值

连续小波变换分为waveslet转移(CWT)和离散群waveslet转移(DWT)。类可以表示为

的适应性和多分辨率特性类小波变换分析简单而高效。DWT表示为

在离散小波变换,各级传入的数据离散化和下面的方程

在他们中间 , , , 是详细的信号,离散小波分析,分别和离散尺度函数。DWT可以实现使用以下表达式:

2.1.2。数学形态学

数学形态学是一个新的研究领域,吸引了注意力14,15]。基本的形态学操作包括侵蚀和肿胀。

通货膨胀的定义

侵蚀的定义

通过(f)是通过减去打开和关闭从原始信号f,由此产生的信号由信号的峰谷值,不包含B。

2.1.3。基于小波变换的信号预处理方法和形态学滤波

本文使用了一个基于小波变换和形态滤波信号预处理方法。预处理过程需要消除噪声的三种主要类型:工频干扰、肌电图干扰和基线漂移。肌电图和功率频率干扰相对高频信号与心电信号相比,虽然基线漂移是低频信号(16- - - - - -18]。在这篇文章中,小波变换用于去除高频信号,使用形态学滤波去除低频信号。首先,信号分为4鳞片。根据小波分解的特点,EMG干扰基本上是在1和2的范围内,电源频率干扰2和3尺度,和3和4上的心电图信号尺度(19]。阈值处理执行3尺度细节系数,并设置一个阈值来确定细节系数设置为0。最后,处理规模系数是用来重建信号,然后进行形态学滤波去除基线漂移获得过滤信号。本文中的预处理方法的流程图如图1。

2.2。卷积神经网络模型

卷积神经网络是一种前馈神经网络,包括卷积计算和深层结构,深度学习的代表算法之一。

2.2.1。卷积的层

退化的过程是

在公式(9),第i特性的表面层和内核的卷积kth层执行卷积操作和最终的输出 ,进而可以作为下一个网络的输入层。

在构建CNN结构,使用连续的退化不仅不断接收域的网络也减少了trainingable参数的问题。卷积神经网络的结构包括一个输入层、隐藏层和输出层如图2。

上图中的过滤器的大小是3×3。知觉领域范围是一个退化后的相同大小的过滤器5×5。尺寸3×3倍,大量的参数,可以训练后的网络两个连续的运算是18;如果执行一个卷积过滤器的大小5×5,网络可以用25训练参数。

2.2.2。汇聚层

艾克层规模尺度下的图像基于卷积滤波的结果,最终减少模型中变量的数量,所以它也被称为downsampling或将采样的水平。在CNN池层的引入在一定程度上保证了图像的平移不变性。此外,池操作允许网络有更大的接受域,以便它可以接受更大的投入,接受域的增加,和更高的网络层的网络可以学习更抽象的特性。然而,在最近的模型如LetNet AlextNet,最大池方法用于选择每个地区。最大的元素接受域传播到下一层。假设一个输入图像与一个4×4的大小,如果使用过滤器的大小是2×2步长是2,最大池输出将每个2×2的最大值区域,和池平均将输出的平均圆度每个采样区域,输入一个整数值。

根据使用的异步大小在宜家的方法中,主要有重叠池方法和不重叠的池方法。图在图3显示了两个不同池方法。

2.2.3。完全连接层

完全连接层遵循叠加层的卷积层和池层,提取的特征,解释并执行高级推理功能分类问题。最后完全连接层通常使用分类器分类提取的特征和产生输出结果。早期的神经网络使用径向基函数来解决图像分类问题,取得了巨大的成功。在深卷积神经网络(DCNN)出现在最近几年,Softmax分类器正越来越多地用于图像分类问题。

2.2.4。激活函数

乙状结肠激活函数如下所示:

破ReLU激活函数的计算公式的漏校正线性单元显示为

ELU几乎所有ReLU的优点,但有一个很大的计算开销。因此,在实际应用中,它没有被充分证明了使用ELU优化函数必然比ReLU优化功能。

2.3。信号特征提取和分类

2.3.1。心电信号检测

心电图主要由P波、QRS波T波,如图4,那里的R波的峰值在QRS波群可以用作定位QRS波群的一个重要特征。首先,您需要定位QRS波群的面积。根据特性R波是最大的峰值在QRS波群,您可以快速定位R波。检索的最大价值是一个先决条件决定的R波,条件确定峰值也必须得到满足。如果峰值条件不满意,确定哪个方向大于点的值。如果右边的值很大,继续的权利。搜索不确定的位置R波,直到找到一个位置,满足峰值条件。后R波检索,问和年代检索是基于的位置吗R波。问和年代槽两边的位置吗R波。因此,我们计算ECG信号的微分信号和平均微分信号分开。当原始ECG信号采样在360 Hz MIT-BIH-AR数据库被选中时,和当前采样点作为值,中位数预处理后,都是56。每个样本的平均差分信号是0.69 s,和信号的差异是0.13秒。通过这种方式,当电流探测点R -峰,它可以涵盖整个心跳周期和QRS波群。P波和T集中在R- - - - - -R时期。P和T海浪是更明显的高峰期R- - - - - -R。为了这个目的,所有在峰值点R- - - - - -R检索。最大的峰值位置从上半年的检索R- - - - - -R时间是T波。的P和T波终点检索方法是检索槽的位置,两边分别。图5显示了ECG信号分割过程。

2.3.2。心电信号特征提取

为了提取形态学特征与不同的粒度从微分信号和平均微分信号,本文提出了一种基于卷积神经网络的自动特征提取技术。特征提取是图像处理的基本操作,也就是说,它是第一个操作上执行图像处理。它检查每个像素来确定该像素代表一个功能。它由low-CNN high-CNN,如图6。其中,high-CNN用于选择粗粒度功能属于高级细分。ECG信号的这一部分将平均和不同预处理后加工。本节ECG信号的处理只能通过微分操作。两个级别的系统结合使用BP算法和训练。两层CNN使用层次结构中提取不同的抽象特性从不同水平。权重和多个共享特征图谱可以分阶段计算。抽样相结合的集群神经元输出卷积相。所有特征提取的两级CNN连接和发送到MPL最后的ECG信号的识别。其中,特征提取的特征类型主要包括边缘,角落,地区,和山脊。 The ECG signal detection process includes two steps: training and decision-making.

3所示。实验

3.1。实验配置

核心语言是c++。根据框架,定义了各种卷积神经网络结构。咖啡有非常高的模块化,模块主要包括4部分:blob,层,净,解算器。团是一个四维数组。层是咖啡的核心部分;咖啡的所有计算层的形式表示,和每个神经网络模块是一个层。每一层需要定义两个操作,转发和反向操作。转发是计算输出结果从输入数据和预测模型。逆操作解决梯度相对于梯度的输出在输出,优化参数,并减少错误。网络代表一个真正的深度与各层网络模型。 The Caffe platform has the advantages of fast running speed, easy operation, good openness, modularity, and perfect community construction. These advantages are applicable to the research of this topic. The detailed configuration of the two-stage CNN in this experiment is shown in Table1。整个实验环境包括三个部分:软件操作平台使用Linux系统和牛奶的组合框架;Linux系统使用Ubuntu 16.04 lts, CPU模型inteli7 - 7800 x,内存是32 g, GPU模型NVIDIAGTX1080, 8 GB的视频内存;和GPU加速使用CUDA9.0 cudnn7.0。

3.2。数据准备

在心电图模式识别,需要一个标准的数据库作为算法评价指标。目前,一般认为是心律失常数据库(MIT-BIH-AR)由MIT记录和标记。它包含48个不同病人的心电图记录;每条记录包含双引导数据,持续时间是30分钟,360 Hz抽样。美国医疗器械发展协会(AAMI)心电图波形分为五类,这是正常的(N),室上性心律失常年代)、心室性心律失常(V),融合心跳(F)、好(问)。一般来说,问类是丢弃在心跳模式识别,因为数量太小。在这个实验中,只有MLII领导使用,因此记录102年和104年不考虑。应该注意的是,互联网数据库不精确匹配MIT-BIH-AR数据库,所以需要重新取样INCART数据库中的每条记录在360赫兹。

3.3。实验步骤

实验的硬件配置和软件配置后已经准备好了,可以将信号数据预处理,包括使用离散小波变换去除信号噪声。基于去噪和基线校准,需要提取微分信号和平均微分信号从原始信号。平均差分信号用于提取粗粒度特性的上层卷积神经网络模型。模型中使用的微分信号。较低的层提取细粒度特性。心电信号特征提取过程的框架基于卷积神经网络图所示7。

4所示。讨论

4.1。过滤方法的比较

在执行心电信号特征提取之前,为了验证小波变换结合形态学滤波方法的有效性在信号去噪、120年代的信号30年代MIT-BIH数据库中被选为实验信号,和50 Hz电源频率干扰被加入到信号,200 Hz高频干扰,和0.1 Hz挤压基线漂移的干扰。小波阈值去噪算法,分别执行和自适应去噪。这些算法的信噪比和计算时间进行了比较。结果如表所示2。

图8的测试结果显示心电信号预处理后QRS复合物。

图9显示的变化森、PPR和DER值根据不同信噪比的值。相比于无噪声的ECG信号检测性能,当信噪比大于10 db,森值和PPR价值接近无声的价值。

4.2。心电信号检测方法的性能比较

在这个实验中使用的测量指标来评估检测性能包括敏感性(Sen),阳性预测率(PPR),检测错误率(DER)和准确性(Acc)

上述四项指标计算基于真阳性的数量(TP),假阳性(FP),和假阴性(FN)。FN ecg的数量是错误地拒绝。该方法的性能比较与其他三种方法如表所示3。如表所示,对于MIT-BIH-AR数据库,我们提出的方法在训练集的性能与其它算法相比具有一定的优势。

图10显示的值森、PPR和DER下不同的方法。它可以很容易地看到,本文的方法具有一定的性能优势(25- - - - - -27]。

在这个实验中,心电图信号从INCART数据库超过190000次也被用来评估的功能提出了心电信号检测方法。实验结果如表所示4(28]。心电图信号记录心肌细胞的去极化和复极化过程从宏观的角度来看,它客观地反映了心脏的生理条件的各个部分在某种程度上,所以它在临床医学具有重要意义。

5。结论

以心电信号为例,一个两层的卷积神经网络结构是用于自动提取QRS波,T波,P心电图波的特性,检测心电信号。心电信号特征提取模型基于卷积神经网络用于提取粗粒度和细粒度的形态学特征的心电图信号,不再需要手动特征提取和在一定程度上简化了特征提取操作。为了便于特征提取,结合小波变换和形态学滤波预处理技术也用于本文。首先,噪音如工频干扰、肌电图干扰从ECG信号的小波变换,然后在信号基线漂移噪声通过形态学滤波方法来获得一个过滤信号。通过实验与其他预处理技术相比,信号预处理技术提出了具有一定的优势。

卷积神经网络模型的输入信号是通过执行差异和平均差异处理去噪信号,以及训练和测试数据是通过使用INCART MIT-BIH-AR数据库和数据库。实验结果表明,心电图信号检测的性能模型基于卷积神经网络提出了本文中列出的与其他方法相比具有一定的优势。本文中的技术方法在一定程度上可以帮助医疗诊断,可以用作几乎所有入口点自动心电图分析。然而,在本文中描述的特征提取和检测方法也有一些缺点。例如,随着训练数据的增加,训练时间太长;CNN和MPL的结构确定后,输出ECG信号的长度是有限的。这个缺陷将导致模型结构是固定的,这是不利于改善。

在未来的工作中,我们需要进一步优化这方面的模型和合并心电图签名和额外的生物医学信号会增加心电图信号测试的精度和噪声免疫力。此外,可检测的波形将用于心脏排序,为循环系统疾病的诊断是至关重要的。同时,处理卷积神经网络领域的ECG信号也将进一步研究。

数据可用性

本文不涉及数据的研究。没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。