[发明专利]一种用于判断心律失常的信号处理方法及系统

权利要求书

1.一种用于判断心律失常的信号处理方法，其特征在于，包括如下步骤：

获取生命体征信号；

将生命体征信号进行结构化处理去除体动噪声；

构建基于BCG样本信号的J峰的多维特征集合的信号检测模型，包括以下步骤：

对BCG样本信号进行心博初筛获得初筛BCG样本信号，并对初筛BCG样本信号进行J峰定位；

所述心博初筛的方法为：根据形态学特征筛选条件筛选出每个时间窗内的所有BCG样本信号，获得时间域BCG样本信号的形态函数；

对初筛BCG样本信号进行J峰定位的方法，包括步骤：

采用非正交基扩展模型将时间域BCG样本信号的形态函数映射为有限个BCG基系数，所述映射的公式为：其中，α1构成非正交，γ_τ为BCG样本信号的形态对应的非正交基系数；

计算出非正交基扩展模型映射出的BCG基系数的平均值，将该平均值作为初始心博模板，所述初始心博模板为其中，I为BCG基系数的个数；

计算出每个BCG基系数与所述初始心博模板之间的欧氏距离，并计算出对应欧式距离的绝对值；

找出欧氏距离的绝对值在预设范围内的所有BCG基系数，再次计算平均值，获得最终心博模板，所述最终心博模板为其中，K为欧氏距离的绝对值在预设范围内的所有BCG基系数的个数；

将最终心博模板还原成时间域BCG形态函数，与初筛BCG样本信号进行滑动动态时间规整计算出最小距，利用局部最小值法定位出初筛BCG样本信号的J峰；

构建基于特征提取的Wide模型：根据初筛BCG样本信号的J峰定位，提取出心博间期；采用特征工程方法提取心博间期的多维特征以获得多维度特征集合，构建基于多纬度特征集合的Wide模型；

构建基于深度学习的Deep模型：根据VGG网络构建Base Convolution结构；根据残差网络构建Skip-Connection结构；将Base Convolution结构以及Skip-Connection结构相连接构建出基于深度学习的Deep模型；

通过全连接层同时连接Wide模型的输出和Deep模型的输出，构建出信号检测模型；

将去除体动噪声后的生命体征信号输入到信号检测模型中进行信号处理获得心律失常发生的概率数据。

2.根据权利要求1所述的用于判断心律失常的信号处理方法，其特征在于，

将生命体征信号进行结构化处理去除体动噪声的步骤包括：

将采集到的生命体征信号按照固定时长进行分窗；

判断每个时间窗内是否存在体动噪声，如检测到某个时间窗内的生命体征信号存在体动噪声，则剔除对应时间窗内的生命体征信号，并通过箱型图插值方法填补对应时间窗内的信号。

3.根据权利要求1所述的用于判断心律失常的信号处理方法，其特征在于，

判断每个时间窗内是否存在体动噪声的方法为：对当前时间窗内的生命体征信号进行等间隔切分，对切分后的信号进行分布统计，若分布符合正态分布则判为无体动噪声，若分布符合拉普拉斯分布则判为体动噪声。