[发明专利]一种基于深度学习的房颤事件检测方法

权利要求书

1.一种基于深度学习的房颤事件检测方法，其特征在于，其包括以下步骤：

S1、获取用于训练房颤事件检测深度学习模型的心电信号，随后对心电信号进行预处理操作以去除干扰和无效数据；

S2、对预处理后的心电信号进行QRS检波处理，以提取心电信号中的心搏信息；

S3、根据QRS检波处理结果进行心电增维变换处理；

S4、根据增维变换处理后的数据搭建深度学习模型；

S5、通过5折交叉验证法对增维变换处理后的数据集进行训练集、测试集数据划分，随后通过所述训练集数据进行所述深度学习模型的训练，最终获得房颤检测模型；

在所述步骤S2中，QRS检波处理包括以下步骤：

S2.1、QRS心拍定位：取得心搏的QRS位置信息，若采用的标准数据库，心电图上R波位置数从标准数据库给出的标准标注文件中直接获得，若是非标准标注过的心电信号记录，则采用Hamilton-Tompkins心拍定位算法来获取该条心电记录数据中的心搏R波位置信息，从而获取心搏QRS心拍定位；

S2.2、RR间期计算：在获取了心搏QRS心拍定位之后，相邻QRS波R点之间的距离便为相邻心搏间期，从而实现QRS检波处理，获得心电信号的RR间期数据；

在所述步骤S3中，心电增维变换处理包括以下步骤：

S3.1、心搏切片：根据QRS检波处理结果，将相邻QRS波R点之间的RR间期数据切分为一个子段；

S3.2、增维变换：以W个连续的RR间期数据作为一个心搏窗口，所述心搏窗口内的RR间期数据组成所述深度学习模型的输入矩阵，该输入矩阵共W行n*fs列，每行包含一个子段的心电数据，每行数据左对齐，不足n*fs长度则补0，每行的最后一个元素填充本心搏对应的子段数据的长度，随后按照设定的窗口滑动步长进行滑动窗口处理而生成所需要的增维数据；其中，W＝1，2，3，......n，fs为采样频率，n为当前心搏窗口内的RR间期数量；

所述深度学习模型包括依次连接的输入层、卷积层、池化层、全连层和输出层；

在所述步骤S5中，通过5折交叉验证法对增维变换处理后的数据集进行划分，其中，1/5的数据集作为测试集，4/5的数据集作为训练集；

在所述步骤S5中，对于通过所述训练集数据进行所述深度学习模型的训练，首先是将所述训练集划分为多个batch数据，每次取所述训练集中的一个batch数据输入到所述深度学习模型的输入层中进行训练过程，所述训练集中所有batch数据都完成训练过程记为一个epoch，经过M次epoch迭代后结束训练过程，得到房颤检测模型；

在所述步骤S5中，在结束训练过程后，将所述测试集中的数据全部输入到训练完成后的所述深度学习模型的输入层中，并通过5折交叉验证法对深度学习模型输出层得到的预测结果进行准确率验证。

2.根据权利要求1所述的一种基于深度学习的房颤事件检测方法，其特征在于，在所述步骤S1中，预处理操作包括：通过低通滤波器去除高频毛刺噪音信号，通过高通滤波器去除基线漂移干扰信号，通过陷波器去除50Hz工频干扰信号。