[发明专利]一种基于深度学习的房颤事件检测方法

说明书

本发明提供了一种基于深度学习的房颤事件检测方法，其可以突破传统房颤检测算法特征不足的约束，进而提高准确率；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。

技术领域

本发明涉及房颤检测技术领域，具体为一种基于深度学习的房颤事件检测方法。

背景技术

心房颤动是一种常见的心律失常问题，是严重的心房电活动紊乱，随着年龄增长，房颤的发生率也不断增加，而房颤不仅影响患者生活质量，严重者还可以发生血栓栓塞、心脏衰竭以及脑卒中，而随着长时程心电监测的发展，可获取的心电信号的数据量越来越大，房颤自动检测算法也随之发展，但是传统的房颤自动检测算法往往受限于特征获取过程，导致检测准确率难以突破。

发明内容

针对上述问题，本发明提供了一种基于深度学习的房颤事件检测方法，其可以突破传统房颤检测算法特征不足的约束，进而显著提高检测准确率。

其技术方案是：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。

进一步地，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；

进一步地，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；

进一步地，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；

进一步地，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；