[发明专利]异常心电信号识别方法及异常心电信号识别装置

说明书

本申请实施例公开了一种异常心电信号识别方法及异常心电信号识别装置，用于对心电信号进行识别以确定出异常的心电信号。本申请实施例方法包括：计算待识别心电信号的目标波段的形态特征以及待识别心电信号的离散小波系数特征，通过深度学习算法构建的特征提取模型对待识别心电信号进行特征提取，得到模型特征，将得到的形态特征、离散小波系数特征以及模型特征进行特征融合，得到目标融合特征，使用分类模型对该目标融合特征进行识别，判断该目标融合特征是否符合异常心电信号所具备的特征，若符合，则确定为异常心电信号。本申请实施例的方法融合信号算法和卷积神经网络算法，使得本申请实施例的方法具有更高的精度和准确率以及更强的鲁棒性。

技术领域

本申请实施例涉及信号识别领域，具体涉及一种异常心电信号识别方法及异常心电信号识别装置。

背景技术

随着我国经济社会发展和人口老龄化的加快，慢性病患病率呈现上升趋势。慢性病具有高发病率、高致残率、高死亡率的特点，不仅严重影响我国人民健康水平和生活质量，而且大量消耗有限的卫生资源，给我国带来了巨大的经济负担。据调查，在大于60岁的居民患病率排名中，心血管疾病高居榜首。在世界范围内，心血管疾病是引起人类死亡率最高的疾病之一。由于人们个人的行为因素(吸烟，缺乏锻炼，不健康饮食)、代谢因素(高血压，高血糖，高血脂)以及其他因素(遗传，高龄)等使得心血管疾病的患病率持续提高。

心电图作为临床上重要的常规检测手段之一，具有快速、简单、无痛等特点，在临床上主要用于检测心脏异常，它可以帮助医生快速的检测心脏异常节律，诊断心脏相关疾病，对于心脑血管疾病的早筛、控制和治疗具有重要意义。

近年来，随着模式识别、人工智能等技术水平的提高，目前对于心电信号的分类方法主要分为信号算法和人工智能算法。信号算法主要是通过PQRST波的识别、特征提取、聚类，最后再根据提取的特征选择合适的分类器识别异常心率。信号算法需要心电图专家知识和大量的特征提取工作。人工智能算法主要以卷积神经网络为主，卷积神经网络可以在训练的过程中自动识别特征、提取特征，但是缺点也显而易见，需要心电图专家大量的标注数据，鲁棒性较差。

无论是信号算法还是人工智能算法，都存在准确率不高、鲁棒性不强等缺陷。

发明内容

本申请实施例提供了一种异常心电信号识别方法及异常心电信号识别装置，用于对心电信号进行识别以确定出异常的心电信号。

本申请实施例第一方面提供了一种异常心电信号识别方法，包括：

接收待识别心电信号，确定所述待识别心电信号的若干个波段的起点和终点；

根据所述若干个波段的起点和终点确定所述待识别心电信号的若干个目标波段；

计算每个所述目标波段的统计学特征，得到所述待识别心电信号的形态特征；

利用离散小波变换对所述待识别心电信号进行分解，得到近似信号和细节信号，并分别计算所述近似信号的统计学特征和所述细节信号的统计学特征，得到所述待识别心电信号的离散小波系数特征；

获取预先构建的特征提取模型，其中，所述特征提取模型基于深度学习算法对心电信号样本进行训练后得到；

向所述特征提取模型输入所述待识别心电信号，利用所述特征提取模型对所述待识别心电信号进行特征提取，输出所述待识别心电信号的模型特征；

将所述待识别心电信号的所述形态特征、所述离散小波系数特征以及所述模型特征进行特征融合，得到所述待识别心电信号的目标融合特征；

使用分类模型对所述目标融合特征进行识别，判断所述目标融合特征是否符合异常心电信号所具备的特征，所述分类模型基于深度学习算法对异常心电信号样本和正常心电信号样本进行训练后得到；

若符合，则确定所述待识别心电信号为异常心电信号。