[发明专利]一种基于特征融合的ECG信号分类的方法

权利要求书

1.一种基于特征融合的ECG信号分类的方法，其特征在于，所述方法包括以下步骤：

对原始连续时间内的心电数据预处理得到单心跳的离散数值样本，并对这些一维信号样本提取1D-CNN卷积特征和PQRST数值特征；

对提取的两种特征进行融合操作，使不同类型、不同维度的特征整合一体，作为单心跳的代表特征集；测试集和训练集的每个样本经过特征融合，可得到一个100维的特征向量；

对特征融合后的样本进行分类，得到每种心电信号的分类精度。

2.根据权利要求1所述的一种基于特征融合的ECG信号分类的方法，其特征在于，所述对原始连续时间内的心电数据预处理得到单心跳的离散数值样本，并对这些一维信号样本提取1D-CNN卷积特征和PQRST数值特征具体为：

用低频和高频的组合滤波器作用原始心跳数据，目的是去除数据噪声和基线漂移；

对处理后连续时间内单个人的心跳数据集进行分割，获得大量单心跳的数据样本；

利用一维卷积神经网络作用于分割后的单心跳数据，提取高度抽象化的一维卷积特征；同样作用于分割后的单心跳数据，利用不同频率和起始位置的频率窗获取单心跳的PQRST特征。

3.根据权利要求1所述的一种基于特征融合的ECG信号分类的方法，其特征在于，所述1D-CNN卷积特征具体为：

1)卷积层：

第一个卷积层设置5个卷积通道，每个通道的卷积核均设置为21*1；第二个卷积层设置了16个卷积通道，每通道的卷积核大小为13*1；第三个卷积层则设置了20个卷积通道，每个通道卷积核均为9*1；在第三个卷积层之后添加一层单通道1*1大小的卷积核，将各通道特征整合为一维特征向量；

2)全连接层：

将整合的一维特征向量再次抽象特征并在最后一层对样本进行分类；采用两层的人工神经网络模型，对每层的神经元设置为75，5，即整合后的卷积特征共有75维，达到分类5类疾病的目的。

4.根据权利要求1所述的一种基于特征融合的ECG信号分类的方法，其特征在于，所述提取PQRST特征具体为：

使用60Hz的时间窗，从R-50ms到R+100ms提取10个QRS波，其中R是心电图R波的位置；对于T波特征，将20Hz的时间窗固定在从R+150ms到R+500ms的位置，得到8个特征点；

提取了7个P波的特征点，其窗口从R-200ms到R-100ms，采样率为60Hz；

每个样本图片生成25维特征，该25维特征将全被用来辅助1D-CNN特征对心电信号进行分类。

5.根据权利要求1所述的一种基于特征融合的ECG信号分类的方法，其特征在于，所述对提取的两种特征进行融合操作具体为：

选取1D-CNN网络中神经元为75的dense层的特征，然后将此75维CNN特征与25维PQRST特征进行融合，得到每个样本的100维特征向量。