[发明专利]一种心电信号分类识别方法

说明书

技术领域

本发明涉及医疗技术领域，尤其涉及一种对心电信号进行分类的识别方法。

背景技术

医院心电检查，虽然数据精度高，但是只能记录患者在特定且极短时间内的一段心电波形，对非持续性心律失常，尤其是对一过性心律失常及短暂的心肌缺血发作常常漏检，延误了诊断。目前得到普遍应用的24小时动态心电图(DCG)能够记录长时间的心电图(ECG)信号，但是DCG没有处理数据的能力，不能对信号进行自动分类，不能自动识别出具有医学意义的病态信号，必须等待24小时监护结束，才能交由医生对数据进行分析并做出结论。

对ECG信号进行智能分析的技术一直在发展。通过分析在医学特征空间中ECG数据的分布情况可知，要能以较高准确率对ECG信号进行分类，需要一个高度复杂的非线性函数，所以问题的实质是对复杂非线性函数的拟合。目前已有技术中对这一函数的拟合仍然不够理想。比如，一种现有技术采用的小波变换来提取信号特征，利用基函数的多尺度特性将ECG信号在不同尺度下展开并提取有用信息。然而，小波变换实质只是简单的积分变换，其非线性函数拟合能力非常有限。另一种现有技术采用支持向量机(SVM)，SVM可以看成是网络结构和权值自适应调整的3层径向基网络，但是它面临非线性函数拟合能力受到限制，当给定训练样本，SVM所能拟合的函数族就完全确定了，但对于更复杂的非线性函数，当前SVM就无能为力。

发明内容

本发明针对现有技术的缺陷，提供一种基于卷积神经网络，利用卷积神经网络对复杂非线性函数的拟合能力，通过合理的设计使其适用于一维ECG信号，实现对ECG信号更有效、更准确的分类识别方法。

为解决上述技术问题，本发明采用如下技术方案：一种心电信号分类识别方法，其特征在于：包括以下实施步骤，

a、取得测量时间在10秒以上的原始心电图波形数据，并根据原始心电图波形数据进行心电图节律信息和PQRST波形的提取，获取心电图节律信息和PQRST波形的数字化数据；

b、设计构造卷积神经网络并对其进行训练，将步骤a得到的PQRST波形数据从训练完的卷积神经网络的输入端输入，经卷积神经网络进行分类后，从其输出端得到类型数据。

其中步骤a使用10秒以上的原始心电图波形数据具有数量充足的波形，使得提取得到的心电图节律信息、PQRST波形数据更加准确。其中PQRST波形的提取能够有效减小非诊断要素如人体移动、电极不稳定带来的波形变化影响提升最终得到的心电图分类结果的正确率；

步骤b中使用的卷积神经网络是人工智能领域的机器学习方法，卷积神经网络通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，实现了特征提取与模式分类的融合统一。卷积神经网络目前已经在图像识别等应用领域证明了有效性，能够大幅度提高了传统方法的识别精度。本发明中把卷积神经网络导入心电图分类领域，合理地结合心电图分类的特点，并通过以上步骤对深度学习方法进行训练并用深度学习方法进行波形分类，能够大幅度提高心电图分类结果的正确率。

优选地，步骤a使用的原始心电图波形数据，即ECG信号为双导联信号，其较单导联数据具有更加充分的信息，能提升相关的心电图分类辅助信息的精确度，相较更多导联的设计，双导联更容易在便携式设备上实现，使得本发明的适用范围更广。

优选地，步骤b设计的卷积神经网络将卷积层与下采样层合并设计为卷积下采样层，将输入层与神经元数目不同的三个卷积下采样层加上多层感知机构成的输出层组合成为一个完整的卷积神经网络；

其中卷积下采样层1按如下步骤产生，先由6个初始值不同的2×13卷积核对输入层做卷积，得到含有6个特征面的卷积层C1，再对卷积层C1使用2×3取样核产生6个子采样层S1；卷积下采样层2按如下步骤产生，先对子采样层S1相邻2个特征面进行组合得到6个新特征面，然后使用6个2×10卷积核与之做卷积运算，产生含36个特征面的卷积层C2，对卷积层C2的每个特征面采用2×3取样核产生36个子采样层S2；卷积下采样层3按如下步骤产生，先对子采样层S2进行3相邻面组合得到12个新特征面，然后使用6个2×6卷积核，产生含72个特征面的卷积层C3，对卷积层C3使用2×3取样核产生72个子采样层S3。