[发明专利]具有改进卷积神经网络识别算法的便携式心电图仪

说明书

本申请涉及一种具有改进卷积神经网络识别算法的便携式心电图仪，采用预先训练好的神经网络对心电信号进行识别，以识别出该心电信号对应的心律类型，确定其是否为房颤。具体地，通过采用损失函数为：的卷积神经网络，使用该损失函数可以使卷积神经网络在训练时加大对假阴性的惩罚，从而实现保证准确率的前提下，降低漏检率，提高准确性。

技术领域

本申请属于医疗器械技术领域，尤其是涉及一种具有改进卷积神经网络识别算法的便携式心电图仪。

背景技术

心脏在每个心动周期中，由于起搏点、心房、心室相继兴奋，心肌会发生激动，在激动过程中，会产生微弱的生物电流，心脏的每一个心动周期均伴随着生物电变化。这种生物电变化可传达到身体表面的各个部位。由于身体各部分组织不同，距心脏的距离不同，心电信号在身体不同的部位所表现出的电位也不同。对正常心脏来说，这种生物电变化的方向、频率、强度是有规律的。

医生根据所记录的心电图波形的形态、波幅大小以及各波之间的相对时间关系，再与正常心电图相比较，便能诊断出心脏疾病。诸如心律不齐、心肌梗塞、期前收缩、高血压、心脏异位搏动等。

心电图仪是用于对心脏的心电图进行检测诊断的设备，便携式心电图仪是一种小型化的心电图设备，心电图仪通过电极将体表的电信号检测出来，通过放大器的放大后进行记录即可得到心电图。

卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)。近些年，利用卷积神经网络等神经网络来识别心电图中的房颤类型得到了越来越多的应用。比如徐晓艳的硕士论文《基于机器学习的房颤识别算法研究》中，明确记载了使用卷积神经网络进行房颤识别的方法。韩小岑的硕士论文《基于心房活动特征和卷积神经网络的房颤检测》中，也对使用卷积神经网络进行房颤识别的方法进行了研究，然而这些论文中均是将现有的卷积神经网络直接应用在房颤识别上，没有针对房颤的识别进行任何优化，这导致其对心电图中房颤识别的准确率不能进一步提高。

发明内容

本发明要解决的技术问题是：为解决现有技术中对心电图中房颤识别的准确率较低、漏检率较高的不足，从而提供一种对心电图中房颤识别的准确率高、漏检率低的心电图仪。

本发明解决其技术问题所采用的技术方案是：

一种具有改进卷积神经网络识别算法的便携式心电图仪，包括：

主控单元，用于对心电信号进行处理并输出处理结果；

心电信号采集单元，用于接收人体的心电信号，并对心电信号进行运算放大，将模拟信号转换为数字信号后传输给主控单元，所述心电信号采集单元包括模拟信号调理模块、模拟信号采集模块和数字滤波模块；

存储模块，用于接收主控单元发送来的心电信号并且将存储的心电信号传输给主控单元；

报警模块，用于发出报警信号；

显示模块，用于显示心电信号的处理结果；

输入模块，用于向主控单元输入控制指令；

电源模块，与电池相连，并给主控单元、存储模块、心电信号采集单元、报警模块和显示模块供电；

所述主控单元在接收到心电信号后，能够对心电信号进行预处理，并将预处理后的心电信号输入至预先训练的神经网络进行识别，输出所述心电信号对应的心律类型，其中，所述神经网络采用损失函数为：的卷积神经网络，其中，c表示损失大小，n表示样本个数，x为样本，y为样本x对应的标签，a为通过以样本x为输入并且用当前的神经网络计算出的输出大小，α,β均为正则化系数。