[发明专利]一种基于ECG信号的房颤监测方法

权利要求书

1.一种基于ECG信号的房颤监测方法，其特征在于，包括：

S1、训练得到R波识别模型：

S1.1：获取心电图12导联ECG原始信号，对其进行预处理后全部描绘在同一张画布上，然后将画布保存为ECG信号图片；

S1.2：标记ECG信号图片中的每一个波形以及R波高峰，将ECG信号图片输入预设识别模型，利用深度卷积神经网络对预设识别模型进行训练，得到输出为R波位置的R波识别模型；

S2、训练得到房颤识别模型：

S2.1：根据R波位置找到R波高峰，根据R波高峰位置得到位置序列向量V，对位置序列向量V进行计算得到R-R间期的差值向量V1；

S2.2：根据差值向量V1进行标记，若判定为房颤则记为1，否则记为0，进而得到判定结果集合；

S2.3：利用分类器对结果集合进行分类训练，得到用以判断房颤的房颤识别模型；

S3、判断识别：

利用R波识别模型和房颤识别模型对新的心电图12导联ECG原始信号进行识别，进而监测出该段心电图是否有房颤。

2.根据权利要求1所述的一种基于ECG信号的房颤监测方法，其特征在于，所述S1.1中，将心电图12导联ECG原始信号进行预处理具体为：首先滤除杂波，然后去基线得到较好的波形，并且对心率进行归一化处理。

3.根据权利要求1所述的一种基于ECG信号的房颤监测方法，其特征在于，所述S1.1中，将预处理后的心电图12导联ECG原始信号描绘在画布上时，x轴设定为时间轴，y轴设定为幅度值。

4.根据权利要求3所述的一种基于ECG信号的房颤监测方法，其特征在于，所述S1.2中，R波高峰标记为所在的时间点数值，其余的点标记为0。

5.根据权利要求1所述的一种基于ECG信号的房颤监测方法，其特征在于，所述S1.2中，训练采用深度卷积神经网络进行分类，训练所采用的深度卷积神经网络包括但不限于VGG网络模型或ZF网络模型。

6.根据权利要求1所述的一种基于ECG信号的房颤监测方法，其特征在于，所述S2.1中，预设位置序列向量V的长度为k，位置序列向量V为R₁,R₂,…,R_n，当n<k时，向位置序列向量V补零。

7.根据权利要求6所述的一种基于ECG信号的房颤监测方法，其特征在于，所述差值向量V1为(R₂-R₁)/(R₂+R₁),(R₃-R₂)/(R₃+R₂),…,(R_n-R_n-1)/(R_n+R_n-1)。

8.根据权利要求1所述的一种基于ECG信号的房颤监测方法，其特征在于，所述S2.3中，所述分类器为Bi-LSTM模型。

9.根据权利要求1所述的一种基于ECG信号的房颤监测方法，其特征在于，所述S3具体为：通过S1.1对新的心电图12导联ECG原始信号进行处理得到待识别ECG信号图片，利用R波识别模型找出待识别ECG信号图片的R波位置，通过S2.1得到新的差值向量V1，利用房颤识别模型对新的差值向量V1进行识别，进而监测出该段心电图是否有房颤。

10.根据权利要求1-9任一项所述的一种基于ECG信号的房颤监测方法，其特征在于，所述R波识别模型找出R波位置后，通过滑动窗口截取出R波小图片，进而找到R波高峰。