当前位置 博文首页 > 文章内容

    使用Python+TensorFlow2构建基于卷积神经网络(CNN)的ECG心电信号识别分类

    作者:1663631723 栏目:IT新资讯 时间:2020-05-06 13:47:42

    本站于2023年9月4日。收到“大连君*****咨询有限公司”通知
    说我们IIS7站长博客,有一篇博文用了他们的图片。
    要求我们给他们一张图片6000元。要不然法院告我们

    为避免不必要的麻烦,IIS7站长博客,全站内容图片下架、并积极应诉
    博文内容全部不再显示,请需要相关资讯的站长朋友到必应搜索。谢谢!

    另祝:版权碰瓷诈骗团伙,早日弃暗投明。

    相关新闻:借版权之名、行诈骗之实,周某因犯诈骗罪被判处有期徒刑十一年六个月

    叹!百花齐放的时代,渐行渐远!



     目前,国际上公认的标准数据库包含四个,分别为美国麻省理工学院提供的MIT-BIH(Massachusetts Institute of Technology-Beth Israel Hospital Database, MIT-BIH)数据库、美国心脏学会提供的AHA( American heart association,AHA)数据库、欧共体CSE( Common Standards for Quantitative Electrocardiograph,CSE)数据库、欧洲ST-T数据库。

     当前使用最广泛且被学术界普遍认可的据库为MIT-BIH心律失常数据库。此数据库中囊括了所有类型的心电信号并且数量丰富,为本文关于心电信号的自动分类研究提供了实验数据。下面对该数据库作详细的说明。
    MT-BIH心律失常数据库拥有48条心电记录,且每个记录的时长是30分钟。这些记录来自于47名研究对象。这些研究对象包括25名男性和22名女性,其年龄介于23到89岁(其中记录201与202来自于同一个人)。信号的采样率为360赫兹,AD分辨率为11比特。对于每条记录来说,均包含两个通道的信号。第一个通道一般为MLⅡ导联(记录102和104为V5导联);第二个通道一般为V1导联(有些为V2导联或V5导联,其中记录124号为Ⅴ4导联)。为了保持导联的一致性,往往在研究中采用MLⅡ导联。本文选取MLⅡ导联心电信号进行研究分析。

    数据库中的每条记录均包括三个文件,即:头文件、数据文件和注释文件。
    (1)头文件头文件[.hea] 通过ASCII码存储方式记录信号的采样频率、采样频率、数据格式使用的导联信息、采样频率、研究者的性别、年龄以及疾病种类等
    (2)数据文件数据文件[.dat] 通过二进制的方式存储信号,每三个字节存储两个数值(两导联数据交替存储),每个数值大小是12bit
    (3)注释文件注释文件[.atr] 是由专家对信号进行人工标注,并且根据二进制格式进行数据的存储

    关于MIT-BIH数据库的一些常用网站

    MIT-BIH数据库的官方网站:https://ecg.mit.edu/

    MIT-BIH数据库下载:https://www.physionet.org/content/mitdb/1.0.0/

    ZIP包下载链接:Download the ZIP file (73.5 MB)

    官网上关于该数据库的详细介绍网址:https://archive.physionet.org/physiobank/database/html/mitdbdir/intro.htm#symbols。

    百度百科上的介绍也较为详细,需要对其格式做深入了解的读者可以参考:https://baike.baidu.com/item/MIT-BIH。

    每条信号的基础信息可以查询https://www.physionet.org/physiobank/database/html/mitdbdir/mitdbdir.htm

    数据库中每条心电信号中的心拍类型表:https://archive.physionet.org/physiobank/database/html/mitdbdir/tables.htm#allbeats

    MIT-BIH心电数据可视化网站:https://www.physionet.org/lightwave/?db=mitdb/1.0.0

    官方网站的可视化工具读取展示MIT-BIH数据:https://archive.physionet.org/cgi-bin/atm/ATM

    官方网站提供的可视化工具中有许多数据库,请选择mitdb数据库。

    相比之下更推荐使用倒数第二个网站进行查看。

    统一术语称呼

    我在阅读心电相关论文的时候,常常由于不同文章之间对同一事物的称呼不同而感到困扰。为避免在本文中出现类似情况,现将术语称呼统一如下。

    一条心电数据(记录、信号):将编号为100,101...的数据称为一条心电数据(记录),包含了该编号中的所有导联数据。由于本文仅使用MLII导联的数据作为深度学习的训练数据,因此在本文中也特指一条心电数据中的MLII导联部分。

    心拍:如文章(一)中图片所示,将一个完整的心电波形称为一个心拍。

    信号点(值):连续的心电波形图其实是由一系列频率固定的不连续采样点构成的,将每个采样点称为信号点(值)。

    心电数据的读取

     下载数据库到本地后打开,你会发现.dat文件中全部都是乱码,这是由于MIT-BIH数据库采用了自定义的format212格式进行编码。所以在读取心电数据的时候,我们需要用到Python中的一个工具包:wfdb。

     在Pycharm中新建工程,并将下载好的心电数据集按如图所示的目录结构进行放置。其中ecg_data为心电数据集的文件夹。在该工程配置的Python环境中安装wfdb包。

     pip install wfdb

     关于wfdb包的详细使用请参考其官方文档,这里用代码的形式给出一些常用操作。

    # 读取编号为data的一条心电数据def read_ecg_data(data):
       '''
       读取心电信号文件
       sampfrom: 设置读取心电信号的起始位置,sampfrom=0表示从0开始读取,默认从0开始
       sampto:设置读取心电信号的结束位置,sampto = 1500表示从1500出结束,默认读到文件末尾
       channel_names:设置设置读取心电信号名字,必须是列表,channel_names=['MLII']表示读取MLII导联线
       channels:设置读取第几个心电信号,必须是列表,channels=[0, 3]表示读取第0和第3个信号,注意信号数不确定
       '''
       # 读取所有导联的信号
       record = wfdb.rdrecord('../ecg_data/' + data, sampfrom=0, sampto=1500)    # 仅仅读取“MLII”导联的信号
       # record = wfdb.rdrecord('../ecg_data/' + data, sampfrom=0, sampto=1500, channel_names=['MLII'])
       # 仅仅读取第0个信号(MLII)
       # record = wfdb.rdrecord('../ecg_data/' + data, sampfrom=0, sampto=1500, channels=[0])

       # 查看record类型
       print(type(record))    # 查看类中的方法和属性
       print(dir(record))    # 获得心电导联线信号,本文获得是MLII和V1信号数据
       print(record.p_signal)
       print(np.shape(record.p_signal))    # 查看导联线信号长度,本文信号长度1500
       print(record.sig_len)    # 查看文件名
       print(record.record_name)    # 查看导联线条数,本文为导联线条数2
       print(record.n_sig)    # 查看信号名称(列表),本文导联线名称['MLII', 'V1']
       print(record.sig_name)    # 查看采样率
       print(record.fs)    '''
       读取注解文件
       sampfrom: 设置读取心电信号的起始位置,sampfrom=0表示从0开始读取,默认从0开始
       sampto:设置读取心电信号的结束位置,sampto=1500表示从1500出结束,默认读到文件末尾
       '''
       annotation = wfdb.rdann('../ecg_data/' + data, 'atr')    # 查看annotation类型
       print(type(annotation))    # 查看类中的方法和属性
       print(dir(annotation))    # 标注每一个心拍的R波的尖锋位置的信号点,与心电信号对应
       print(annotation.sample)    # 标注每一个心拍的类型N,L,R等等
       print(annotation.symbol)    # 被标注的数量
       print(annotation.ann_len)    # 被标注的文件名
       print(annotation.record_name)    # 查看心拍的类型
       print(wfdb.show_ann_labels())    # 画出数据
       draw_ecg(record.p_signal) # 返回一个numpy二维数组类型的心电信号,shape=(65000,1)
       return record.p_signal

     在这些函数中,使用最多的是通过record=wfdb.rdrecord来获取心电数据信息,以及通过annotation=wfdb.rdann来获取心拍类型信息。需要注意的是record的类型是一个(65000,1)的二维数组,需要先将其转换成一维数组才可以对其进行预处理,关于预处理的这部分内容将在下篇文章中进行叙述。






    文章来源:博客园

    文章链接:https://www.cnblogs.com/lxy764139720/p/12831422.html

    如有侵权,请联系删除