[发明专利]一种基于一维ECG信号提取二维CNN特征的方法

权利要求书

1.一种基于一维ECG信号提取二维CNN特征的方法，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，采用三次样条差值的方法作用于单心跳的离散数据，补充数据点之间的缺失信息，增加新的数据点；

按正弦函数方式拟合一维心电信号得到单心跳的正弦曲线，并进行处理获得二维心电图片；将二维心电图片作为二维卷积特征的输入元素；

划分数据集，训练集和测试集中的样本比例接近1:1，彼此之间无交叉数据；

构建2D-CNN模型，提取神经网络特征，该2D-CNN模型包括：卷积层、pooling层、全连接层、dropout层；

应用分类器作用于提取的神经网络特征完成对单心跳的分类。

2.根据权利要求1所述的一种基于一维ECG信号提取二维CNN特征的方法，其特征在于，所述按正弦函数方式拟合一维心电信号得到单心跳的正弦曲线，并进行处理获得二维心电图片具体为：

增加信息点并按正弦函数方式拟合一维心电信号得到单心跳的正弦曲线，使用某一预设宽度、高度的窗口对ECG设备的屏幕进行限制，截取曲线，进而获取某一预设宽度、高度的二维心电图片。

3.根据权利要求1所述的一种基于一维ECG信号提取二维CNN特征的方法，其特征在于，所述2D-CNN模型具体为：

卷积层，用于提取出线性心跳样本的代表特征，完成样本二维卷积特征的提取；

pooling层，用于减少卷积层的特征数进而降低运算参数；

全连接层：用于将多通道的数据整合成一维特征向量，根据多层神经网络的特性，再次抽象特征并在最后一层对样本进行分类；

dropout层，用于避免过拟合情况发生；

除全连接层采用softmax函数之外，其余各层均采用Relu的激活函数。

4.根据权利要求1所述的一种基于一维ECG信号提取二维CNN特征的方法，其特征在于，所述卷积层具体为；

增强样本的边界信息，设置若干个卷积通道；还用于检测样本的局部角点特征，通道数增加一倍。

5.根据权利要求1所述的一种基于一维ECG信号提取二维CNN特征的方法，其特征在于，所述方法还包括：

采用中值滤波器去除数据的基线漂移，使用低通滤波器去除工频干扰与高频噪声。