[发明专利]基于导联融合深度神经网络的心肌梗死自动检测方法

说明书

本发明公开了一种基于导联融合深度神经网络的心肌梗死自动检测方法，它包括：1）通过对单个心拍的截取，生成12导联的心电信号样本；2）搭建12导联的心电信号的卷积神经网络模型；3）训练卷积神经网络的参数；4）对测试集样本进行自动识别；将划分好的测试集样本输入到卷积神经网络中并运行，获得测试集样本对应的2维预测值向量输出，将测试集样本的标签使用one‑hot编码的方法生成2维的标签向量，将输出的预测值与测试集样本的标签比对来检查分类是否正确，通过分类结果y_pred来判别模型的性能。此方法对多导联心电信号的识别得到了较高的准确率。其中对心肌梗死心拍的识别的准确率可达到99.51%。

技术领域

本发明涉及医学信号处理技术领域,更确切地说一种基于导联融合深度神经网络的心肌梗死自动检测方法。

背景技术

随着数字技术的发展, 计算机辅助诊断系统由于其快速、可靠的分析手段, 已成为最有前景的临床诊断解决方案。当今通过先进的硬件设施, 可以很容易地得到病人的心电信号，也就是人们所说的心电图。医生可以通过观察心电图中蕴含的信息来判断病人的状态，然而手动或目视检查在长连续心电图节拍中推断这些细微的形态学变化的过程是费时并且容易因疲劳而发生错误。因此, 实时计算机辅助诊断系统是必不可少的,可以帮助医生实时监测病人的病况，克服这些对心电图信号的评估限制。

计算机辅助诊断系统可以将对心电图中的信息进行实时的分析进而得到其中的有效信息。通过提取表征心电图有效信息的特征向量，输入到分类器算法得到心拍的类别，进而判断心拍有无发生了心血管疾病。工作在计算器硬件上的心拍自动识别系统是此类设备的核心，技术途径是通过提取表征了心电图有效信息的特征向量，输入到分类器算法得到心拍的类别，进而判断心拍是否发生了心肌梗塞。在提取特征向量这一步骤中技术难点是形态学特征的提取，合理的特征提取将会直接影响结果的准确性和可靠性。这种形态学特征辅以心电图上的其它特征构成特征向量输入到分类器，经处理后输出分类结果，给出实时提取的心拍是属于健康心拍还是心肌梗死心拍，医生将根据此结果进行更深层次的诊断。

发明内容

本发明的目的是为解决传统机器学习框架解决由于信息管理系统的病理变化和一些如患者年龄、性别等外部因素的影响，心电信号会发生变化的方面，泛化能力较弱的问题，而提供一种基于导联融合深度神经网络的心肌梗死自动检测方法。

一种基于导联融合深度神经网络的心肌梗死自动检测方法，它包括：

1）通过对单个心拍的截取，生成12导联的心电信号样本

读入12导联的心电信号的数据，对每个导联心电信号根据同一时刻R波顶点的位置向前截取P个点，向后截取Q个点，每个导联的每个心拍截取W=P+Q个点的数据，相同时刻R波顶点每个导联所截取心电信号的W个点进行第二维度拼接，此时心电信号由1*W维扩增为12*W维。原始每个心拍的心电信号的数据形成上述12*W维的样本，作为卷积神经网络模型的输入X；

将所有12导联的心电信号通过上述单个心拍的截取方法对所有的心拍进行截取，形成数据集U，其中数据集U中的每个样本都是上述12*W维的单个心拍的心电信号数据；

2）搭建12导联的心电信号的卷积神经网络模型

卷积神经网络为针对12导联的心电信号的包含三个串联的卷积层的多通道融合卷积层，与输入X连接，得出的特征经过多个全连接层得到输出分类结果y_pred；

3）训练卷积神经网络的参数

初始化所述卷积神经网络的参数，将采样好的数据集U随机抽取80%数目的样本当作训练集，其他未选中的样本视为测试集；将训练集中的心电信号样本输入到初始化后的神经网络中，以最小化代价函数为目标进行迭代，生成所述卷积神经网络的参数并保存；

4）对测试集样本进行自动识别