[发明专利]一种基于MODWT和TDCNN的多导联心律失常智能诊断方法

说明书

一种基于MODWT和TDCNN的多导联心律失常智能诊断方法，包括：a)基于MODWT寻找任意长度真实心电图数据R波位置，对数据进行分割；b)以MIT‑BIH心律失常数据库作为训练测试数据来源，基于TDCNN建立并训练神经网络；c)利用训练好的网络对真实心电图数据进行智能诊断，并找到心律失常位置；本发明能根据不同人R波位置、心率对任意长度真实心电图数据进行分割，并且充分考虑导联之间的内在相关性，易于理解，容易实现，预测精度较高，更适于心律失常的诊断。

技术领域

本发明涉及一种基于MODWT(Maximal overlap discrete wavelet transform)和TDCNN(Two-dimensional convolutional neural networks)的多导联心律失常智能诊断方法，属于心电图智能诊断领域。

背景技术

心电图检查是体检的常见项目，如果患者疑似有心律失常症状，通常也会去医院做个心电图，但是，在医院的几分钟或者十几分钟心电图，难以发现问题，这时候医生就可能会给患者一个可以穿戴的心电图检测器，通常要戴两周或者更长时间，这会产生几百小时的心电图，医生要一秒一秒的检查，这是很费时间的，如果能先让机器进行智能判断，找出可能的心律失常的时间位置，再由医生针对这些地方进行进一步诊断，显然能够极大地提高效率，节约资源，本专利的发明初衷来源于此。

目前，已有研究者针对心律失常智能诊断进行研究。比如早期的利用支持向量机、KNN等机器学习方法对心律失常进行诊断；近年随着深度学习的兴起，也有学者提出了利用深度学习对心律失常进行诊断的新方法：比如国外吴恩达带领斯坦福机器学习组提出用CNN进行心脏病专家级的心律不齐检测，能够识别14类心律不齐类型。但该方法提取的是单导联数据，难以应对需要结合多导联数据才能进行诊断的心律失常类型，同时，该方法基于时间(注：1秒)对待诊断数据进行分割，没有考虑个体之间心率不同的差异，当心率过缓时，很多分割数据难以包括一个完整心跳周期；国内高岩等利用CNN对多导联的心律失常智能诊断方法进行了研究，该方法同样没有考虑个体之间心率不同的差异，同时，以多通道方式处理多导联数据，无形中使导联之间的内在联系脱离，实际上，多导联的数据来源于心电向量的二次投影，导联与导联之间具有空间上的联系。

发明内容

本发明的目的在于克服现有技术存在的不足，而提供一种能根据不同人R波位置、心率对任意长度真实心电图数据进行分割，并且充分考虑导联之间的内在相关性，易于理解，容易实现，预测精度较高，更适于心律失常诊断的基于MODWT和TDCNN的多导联心律失常智能诊断方法。

为了实现上述目的，本发明所采用的技术方案如下：一种基于MODWT和TDCNN的多导联心律失常智能诊断方法，它包括如下步骤：

a)基于MODWT寻找任意长度真实心电图数据R波位置，对数据进行分割；

b)以MIT-BIH心律失常数据库作为训练测试数据来源，基于TDCNN建立并训练神经网络；

c)利用训练好的网络对真实心电图数据进行智能诊断，并找到心律失常位置；其特征在于：

所述步骤a)，基于MODWT寻找任意长度真实心电图数据R波位置，对数据进行分割方法为：设有多导联心电图数据X：

其中：m表示导联数目，n表示采样点数(因采样频率f_c已知，可得采样点i处对应时刻t_i＝i/f_c)，包括如下步骤：

步骤1：取第1导联数据作为分析数据，利用MODWT编程获得连续s个R波所处采样点位置w₁、w₂、…、w_s，可见：1<w₁<w₂…<w_s<n；