技术领域
[0001] 本
发明涉及
深度学习的生理信号分类领域，具体涉及一种基于LSTM的心冲击信号自动多分类识别方法。
背景技术
[0002] 心
血管疾病(Cardiovascular Disease,CVD)，又称为循环系统疾病，是一系列涉及循环系统的疾病，具有高患病率、高致残率和高死亡率等特点，被称为危害人类健康的“头号杀手”。在我国，心
血管疾病严重威胁人民的健康，2017年《中国心血管病报告》报道，目前全国范围内CVD患者大约为2.9亿，平均每5个人中就有1人患心血管疾病。因此，心血管疾病的
预防、诊断和
治疗已成为关系我国国民健康的医学课题之一。
[0003] 对于心率的采集，ECG信号是应用成熟和广泛的。但通过贴附
电极的采集方式首先是
接触式的，会给病人带来身体上的不适，其次使用专业的
心电图仪，这既需要一定的医学知识，而且价格不菲，也无法在家中进行长期的使用。由此，BCG信号即心冲击图的方式成为了较好的替代方式。心冲击图是指心脏在搏动的过程中会给与人体接触密切的
支撑物压
力，而这种压力变化被采集到转化为
电信号后就是心冲击图信号，这种信号包含了心率信息，由于其非接触式设计，非常适合在家中使用，也不需要过多的医疗知识。利用BCG信号检测心脏疾病的技术也在快速发展，这对于心脏疾病的患者也有着重要意义。
[0004] 现有的分类技术可大致分为两类，即基于传统
机器学习的分类方法和基于深度学习的分类方法，前者主要采用
支持向量机、K近邻和模糊网络识别等方法。后者是现在
人工智能领域的研究热点，是基于ANN发展起来的一项技术，深度学习通过调节网络参数，
迭代学习来寻找到最佳的特征表达模型，具有强大的特征提取和
数据挖掘功能。不断地对
深度神经网络进行训练，将数据从原始样本空间逐层转换到更深层次的样本空间，从而使得预测或分类任务的准确性得到很大提升。
[0005] 在深度学习
算法中，最具有代表性和使用最多的算法就是
卷积神经网络(Convolution Neural Network，CNN)和循环神经网络RNN。RNN可以看成是在一个时间上传递的神经网络，按时间序列展开的方式更加适用于BCG信号中的时序数据的处理，但它会在时间轴上发生“梯度消失”，对于t时刻来说，它产生的梯度在时间轴上向历史传播几层之后就消失了。此为
现有技术的不足之处。
[0006] 因此，针对现有技术RNN的长程依赖问题，提出了一种基于LSTM的心冲击信号自动多分类识别方法，以解决现有技术中的上述
缺陷，是非常有必要的。
发明内容
[0007] 本发明的目的在于针对BCG信号的时序数据，用RNN处理存在的缺陷问题，而提供一种基于LSTM的心冲击信号自动多分类识别方法，该方法提供了一种能够解决RNN存在的长程依赖问题，以及解决传统方法过度依赖于人工设计和分类
精度不高的问题，获得较好的分类效果的方法。
[0008] 实现本发明目的的技术方案是：
[0009] 一种基于LSTM的心冲击信号自动多分类识别方法，包括如下步骤：
[0010] S1、获取数据集训练样本；
[0011] S2、采用小波
阈值去噪的方法对步骤S1获得的数据集训练样本进行预处理，得到纯净的心冲击信号；
[0012] S3、对步骤S2得到的心冲击信号配合自适应阈值完成IJK波的
定位，得到心冲击信号的心拍截取；
[0013] S4、构建LSTM网络模型，将步骤S3得到的心冲击信号的心拍截取作为LSTM模型的输入数据，对网络模型进行训练并测试；
[0014] S5、训练过程利用反向传播算法对构建的LSTM网络模型进行权值优化，使网络收敛到全局最优；
[0015] S6、LSTM网络模型输出识别率，得到分类准确率，根据混淆矩阵分类的正误，计算kapaa系数，评估该模型的分类精度。
[0016] 步骤S1中，所述的数据集训练样本，是运用设计的心冲击信号
硬件采集
电路采集，采用美国MEAS研制的PVDF压电
薄膜作为采集BCG信号的
传感器。
[0017] 步骤S2中，所述的预处理，包括如下步骤：
[0018] S2-1、尺度小波分解：选择合适的小波基和分解层数对原始BCG信号进行小波分解，得到不同分解层的对应小波系数；
[0019] S2-2、小波阈值处理：选用合适的阈值函数和阈值，量化相应的小波系数，通过设定合理的阈值，将小于阈值的小波系数进行置零，达到BCG信号去噪的目的；
[0020] S2-3、对量化后的小波系数进行小波逆变换，得到去噪后的BCG信号。
[0021] 步骤S3中，所述的心拍截取，是定位BCG信号中的IJK波，包括如下步骤：
[0022] S3-1、定位J波点：J波通常是BCG信号单个周期中幅值最高点，比较容易确认，采用局部极大值法定位J波的
位置n，设计心跳间期最小为0.4秒，则BCG信号的J-J间隔设置为0.4*fs个
采样点，其中fs为采样
频率；
[0023] S3-2、定位I波点：以J波点位置n为原点，向前查找，当查找到J波前第一个极小值时要进行判断，每次向前查找到极小值点后，以该点为中心，判断该点前200个点的值是否都大于该点的值，若大于该点的值，则保留为I波，否则丢弃，继续向前查找；
[0024] S3-3、定位K波点：以J波为原点，向后查找，当查到J波后第一个极小值点，以该点为中心，判断该点后200个点的值是否都大于该点的值，进行阈值判断，符合阈值判断的即为K波；
[0025] S3-4、BCG信号心拍截取：以IJK波的位置为基准，分别向前、向后的若干点，将这一段数据点截取作为心拍。
[0026] 步骤S4中，所述的构建LSTM网络模型，该模型包括
输入层、隐含层和
输出层，LSTM引入了“输入
门，输出门，遗忘门”的概念，它们之间相互作用共同搭建LSTM网络中的记忆模
块，解决RNN存在的长程依赖问题；
[0027] 所述的遗忘门，决定上一时刻的单元状态Ct-1有多少保留到当前时刻Ct，其数学表达式为：
[0028] ft＝σ(Wf[xt,ht-1,Ct-1]+bf)*Ct-1
[0029] 其中xt为输入序列，ht-1为前一次存储块的输出，Ct-1为之前的细胞状态，Wf为权值向量，bf为偏置向量，σ是sigmoid函数，若sigmoid函数输出接近于0，那么之前存储的信息Ct-1将会被“遗忘”；
[0030] 所述的输入门，决定当前时刻网络的输入xt有多少保存到单元状态Ct，第一部分输出为it，使用sigmoid激活函数，第二部分输出为Ct，使用tanh激活函数；
[0031] 所述的输出门，用于控制单元状态Ct有多少输出到LSTM的当前输出值ht；
[0032] 输入门和输出门的关系如下：
[0033] it＝σ(Wi*[xt,ht-1,Ct-1]+bi)
[0034] Ct＝ft+it*tanh(Wc*[xt,ht-1,Ct-1]+bc)
[0035] ot＝σ(Wo*[xt,ht-1,Ct]+bo)
[0036] ht＝tanh(Ct)*ot
[0037] 其中it为输入门，xt为输入序列，Wi为输入门的权值向量，bi为输入门的偏置向量，Ct为输入门的输出状态，Wc为输入门输出状态的权值向量，bc为输入门输出状态的偏置向量，ot为输出门，Wo为输出门的权值向量，bo为输出门的偏置向量，ht为输出门的输出。
[0038] 步骤S5中，所述的权值优化，采用LSTM的反向传播算法，包括如下步骤：
[0039] (1)前向计算每个神经元的输出值，即it、Ct、ot和ht共4个变量；
[0040] (2)反向计算每个神经元的误差项值，LSTM误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项；一个是将误差项向上一层传播；
[0041] (3)根据相应的误差项，计算每个权重的梯度；
[0042] 若用E表示误差值，W代表网络中的权值矩阵，则在LSTM反向传播中，t时刻的输出误差梯度δht和单元状态Ct的误差梯度δct可以由t+1时刻的梯度状态来进行推导：
[0043]
[0044] 根据梯度，则遗忘门、输入门和输出门的权值更新分别为：
[0045]
[0046]
[0047]
[0048] 步骤S6中，所述的分类准确率，是用Kappa系数评估方法，根据识别率，通过计算kappa系数的大小确定LSTM网络模型的识别性能，kappa系数具体是通过把所有地表真实分类中的像元总数(N)乘以混淆矩阵对
角线(Xkk)的和，再减去某一类地表真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方减去某一类中地表真实像元总数与该类中被误分成该类像元总数之积对所有类别求和的结果所得到的；
[0049] kappa系数的值越高，则代表模型实现的分类准确度越高，分类准确率的计算公式如下：
[0050]
[0051] Kappa系数是基于混淆矩阵的计算得到的模型评价参数，这个系数的值越高，则代表模型实现的分类准确度越高，Kappa系数计算公式为：
[0052]
[0053] 其中，p0表示为总的分类准确度，pe表示为 ai表述第i类真实样本个数，bi表述第i类预测出来的样本个数。
[0054] 有益效果：本发明提供的一种基于LSTM的心冲击信号自动多分类识别方法，有如下优点：
[0055] 第一，采用小波阈值的方法完成心冲击信号的滤波处理，得到较为纯净的信号，减少了分类时其它噪声对准确率的干扰；
[0056] 第二，深度学习的应用减少了大量的人工特征提取工作，相比较于CNN利用卷积核在待处理的数据上进行平移来提取特征的方法，RNN按时间序列展开的方式更加适用于BCG信号的处理，但RNN的记忆只能与前面若干序列有关，且在训练时容易产生梯度消失或者爆破的现象；而LSTM型神经网络很好地解决了RNN的问题，它能真正有效利用BCG信号特征的时序信息，从而提高BCG信号的识别率。
附图说明
[0058] 图2为数据样本获取的硬件电路图；
[0059] 图3为小波去噪流程图；
[0060] 图4为去噪效果图；
[0061] 图5为带阈值判断的I波点标记法程序流程图；
[0062] 图6为LSTM网络模型的应用示意图；
[0063] 图7为RNN的基本与展开结构图；
[0064] 图8为RNN和LSTM的单元细节图，其中(a)为RNN，(b)为LSTM。
具体实施方式
[0065] 下面结合附图和
实施例对本发明做进一步阐述，但不是对本发明的限定。
[0066] 实施例：
[0067] 如图1所示，一种基于LSTM的心冲击信号自动多分类识别方法，包括如下步骤：
[0068] S1、获取数据集训练样本；
[0069] S2、采用小波阈值去噪的方法对步骤S1获得的数据集训练样本进行预处理，得到纯净的心冲击信号；
[0070] S3、对步骤S2得到的心冲击信号配合自适应阈值完成IJK波的定位，得到心冲击信号的心拍截取；
[0071] S4、构建LSTM网络模型，将步骤S3得到的心冲击信号的心拍截取作为LSTM模型的输入数据，对网络模型进行训练并测试；
[0072] S5、训练过程利用反向传播算法对构建的LSTM网络模型进行权值优化，使网络收敛到全局最优；
[0073] S6、LSTM网络模型输出识别率，得到分类准确确率，根据混淆矩阵分类的正误，计算kapaa系数，评估该模型的分类精度。
[0074] 一种基于LSTM的心冲击信号自动多分类识别方法，包括如下步骤：
[0075] S1、获取数据集训练样本；
[0076] S2、采用小波阈值去噪的方法对步骤S1获得的数据集训练样本进行预处理，得到纯净的心冲击信号；
[0077] S3、对步骤S2得到的心冲击信号配合自适应阈值完成IJK波的定位，得到心冲击信号的心拍截取；
[0078] S4、构建LSTM网络模型，将步骤S3得到的心冲击信号的心拍截取作为LSTM模型的输入数据，对网络模型进行训练并测试；
[0079] S5、训练过程利用反向传播算法对构建的LSTM网络模型进行权值优化，使网络收敛到全局最优；
[0080] S6、LSTM网络模型输出识别率，得到分类准确确率，根据混淆矩阵分类的正误，计算kapaa系数，评估该模型的分类精度。
[0081] 步骤S1中，所述的数据集训练样本，是运用设计的心冲击信号硬件采集电路采集，数据样本获取的硬件电路图如图2所示，采用美国MEAS研制的PVDF压电薄膜作为采集BCG信号的传感器。
[0082] 步骤S2中，所述的预处理，如图3所示，包括如下步骤：
[0083] S2-1、尺度小波分解：选择合适的小波基和分解层数对原始BCG信号进行小波分解，得到不同分解层的对应小波系数；经过小波分解后，信号的有效信息主要集中在大幅值的小波系数上，而噪声信号则分布在各尺度小波域内，主要集中在较小幅值的小波系数上。
[0084] S2-2、小波阈值处理：选用合适的阈值函数和阈值，量化相应的小波系数，通过设定合理的阈值，将小于阈值的小波系数进行置零，达到BCG信号去噪的目的；
[0085] S2-3、对量化后的小波系数进行小波逆变换，得到去噪后的BCG信号，去噪效果图如图4所示。
[0086] 步骤S3中，所述的心拍截取，是定位BCG信号中的IJK波，包括如下步骤：
[0087] S3-1、定位J波点：J波通常是BCG信号单个周期中幅值最高点，比较容易确认，采用局部极大值法定位J波的位置n，设计心跳间期最小为0.4秒，则BCG信号的J-J间隔设置为0.4*fs个采样点，其中fs为
采样频率；
[0088] S3-2、定位I波点：以J波点位置n为原点，向前查找，当查找到J波前第一个极小值时要进行判断，每次向前查找到极小值点后，以该点为中心，判断该点前200个点的值是否都大于该点的值，若大于该点的值，则保留为I波，否则丢弃，继续向前查找；
[0089] S3-3、定位K波点：以J波为原点，向后查找，当查到J波后第一个极小值点，以该点为中心，判断该点后200个点的值是否都大于该点的值，进行阈值判断，符合阈值判断的即为K波；
[0090] S3-4、BCG信号心拍截取：以IJK波的位置为基准，分别向前、向后的若干点，将这一段数据点截取作为心拍。无论IJK波定位算法设计的多完善，都必然有错检和漏检。本发明采用一个折中的手段：忽略漏检的心拍，而错检和正确检出的心拍都截取出来。由于IJK定位算法的、性能较为完善，所以截取出来的心拍只有少部分为错检心拍。而分类的深度学习算法都具有一定的鲁棒性，较少的错检心拍数不会对结果产生太大影响。
[0091] 如图6所示，步骤S4中，所述的构建LSTM网络模型，该模型包括输入层、隐含层和输出层，LSTM引入了“输入门，输出门，遗忘门”的概念，它们之间相互作用共同搭建LSTM网络中的记忆模块，解决RNN存在的长程依赖问题。从图7可以看出，在RNN中，将过去的输出和当前的输入连接到一起，通过tanh来控制两者的输出，它只考虑最近时刻的状态，图8是RNN和LSTM的单元细节图比较，从图中可以看出LSTM为了能记住长期的状态，在RNN的
基础上增加了一路输入和一路输出，增加的这一路就是细胞状态；
[0092] 所述的遗忘门，决定上一时刻的单元状态Ct-1有多少保留到当前时刻Ct，其数学表达式为：
[0093] ft＝σ(Wf[xt,ht-1,Ct-1]+bf)*Ct-1
[0094] 其中xt为输入序列，ht-1为前一次存储块的输出，Ct-1为之前的细胞状态，Wf为权值向量，bf为偏置向量，σ是sigmoid函数，若sigmoid函数输出接近于0，那么之前存储的信息Ct-1将会被“遗忘”；
[0095] 所述的输入门，决定当前时刻网络的输入xt有多少保存到单元状态Ct，第一部分输出为it，使用sigmoid激活函数，第二部分输出为Ct，使用tanh激活函数；
[0096] 所述的输出门，用于控制单元状态Ct有多少输出到LSTM的当前输出值ht；
[0097] 输入门和输出门的关系如下：
[0098] it＝σ(Wi*[xt,ht-1,Ct-1]+bi)
[0099] Ct＝ft+it*tanh(Wc*[xt,ht-1,Ct-1]+bc)
[0100] ot＝σ(Wo*[xt,ht-1,Ct]+bo)
[0101] ht＝tanh(Ct)*ot
[0102] 其中it为输入门，xt为输入序列，Wi为输入门的权值向量，bi为输入门的偏置向量，Ct为输入门的输出状态，Wc为输入门输出状态的权值向量，bc为输入门输出状态的偏置向量，ot为输出门，Wo为输出门的权值向量，bo为输出门的偏置向量，ht为输出门的输出。
[0103] 步骤S5中，所述的权值优化，采用LSTM的反向传播算法，包括如下步骤：
[0104] (2)前向计算每个神经元的输出值，即it、Ct、ot和ht共4个变量；
[0105] (2)反向计算每个神经元的误差项值，LSTM误差项的反向传播包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项；一个是将误差项向上一层传播；
[0106] (3)根据相应的误差项，计算每个权重的梯度；
[0107] 若用E表示误差值，W代表网络中的权值矩阵，则在LSTM反向传播中，t时刻的输出误差梯度δht和单元状态Ct的误差梯度δct可以由t+1时刻的梯度状态来进行推导：
[0108]
[0109] 根据梯度，则遗忘门、输入门和输出门的权值更新分别为：
[0110]
[0111]
[0112]
[0113] 步骤S6中，所述的分类准确率，是用Kappa系数评估方法，根据识别率，通过计算kappa系数的大小确定LSTM网络模型的识别性能，kappa系数具体是通过把所有地表真实分类中的像元总数(N)乘以混淆矩阵对角线(Xkk)的和，再减去某一类地表真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方减去某一类中地表真实像元总数与该类中被误分成该类像元总数之积对所有类别求和的结果所得到的；
[0114] kappa计算结果为-1～1，但通常kappa是落在0～1间，可分为五组来表示不同级别的一致性：0.0～0.20极低的一致性(slight)、0.21～0.40一般的一致性(fair)、0.41～0.60中等的一致性(moderate)、0.61～0.80高度的一致性(substantial)和0.81～1几乎完全一致(almost perfect)。
[0115] kappa系数的值越高，则代表模型实现的分类准确度越高，分类准确率的计算公式如下：
[0116]
[0117] Kappa系数是基于混淆矩阵的计算得到的模型评价参数，这个系数的值越高，则代表模型实现的分类准确度越高，Kappa系数计算公式为：
[0118]
[0119] 其中，p0表示为总的分类准确度，pe表示为 ai表述第i类真实样本个数，bi表述第i类预测出来的样本个数。
