[发明专利]基于密集连接卷积循环神经网络的心电信号房颤检测装置

说明书

本发明公开了一种基于密集连接卷积循环神经网络的心电信号房颤检测装置，包括数据获取模块、预处理模块、房颤检测模块、训练模块；房颤检测模块用于搭建密集连接卷积循环神经网络房颤检测模型，包括一层卷积层、密集连接神经网络、双向循环神经网络和输出判别分类层，其中，密集连接卷积神经网络有效解决梯度消失以及网络延展性问题的同时使得特征得到了更加充分的利用，双向循环神经网络使得网络本身更适用于时序信号的分析场景，检测装置先后从空间域和时间域对心电信号进行检测，通过两种网络的结合和级联最终实现了可观的房颤检测准确率。本发明的技术方案，相比于传统的房颤分段检测操作流程更加简单，鲁棒性和算法的稳定性也更强。

技术领域

本发明属于人工智能深度神经网络领与心电信号识别技术领域，尤其涉及一种基于密集连接卷积循环神经网络的心电信号房颤检测装置。

背景技术

心房颤动，简称房颤，是一种临床上较为常见的潜在危害较高的心脏心律失常疾病。尽管其并非致死性疾病，主要是由其引起的电生理变化会引起患者疲劳、心悸和胸痛等不适症状，严重者则会因其影响到正常的心脏血液动力供给而引起严重的如脑卒中、脑梗塞、高血压等并发症，进而可能影响到生命安全健康。正是由于其早期的隐匿性以及严重的长期患病影响，导致高效准确的心房颤动检测算法十分必要。房颤检测的金标准是ECG十二导联心电图，通过其波形表现进而判断患者是否患有房颤。而房颤检测算法的实施和设计也主要是依托于房颤在心电图上的两个特征表现，即P波消失并被一系列不规则的f波替代，以及RR间期不规则的特点。

目前现有的房颤检测算法当中，主要分为两类：一类是基于心电图房颤特征表现的特征提取和使用常见机器学习分类器进行分类的两步检测方法，比较常见的是基于P波分析、RR间期分析以及自定义特征提取的三种特征提取方式；另一类是基于深度学习网络的房颤检测算法，即通过构建端到端的深度神经网络进行房颤检测。上述两种方法中，前者的主要问题在于其特征提取过程复杂且不易操作，不利于算法应用和推广，同时受到噪声等不稳定因素影响的可能性更高，鲁棒性不够强。而后者尽管简化了原本的复杂特征提取过程，但是其中很多算法没有考虑到卷积神经网络本身可能带来的梯度消失等问题，需要一种更加高效，可以有效避免梯度消失问题，网络可拓展性更强并且能有效应用于时序信号分析场景的网络。

发明内容

为了解决上述已有技术存在的不足，本发明提出一种基于密集连接卷积循环神经网络的心电信号房颤检测装置，简化了传统方法的复杂特征提取和前处理过程，实现了利用端到端的神经网络的房颤检测算法，同时提出了基于密集连接卷积循环神经网络的心电信号房颤检测方法，该方法将能够有效防止梯度消失和梯度爆炸问题同时具有更强网络延展性的密集连接卷积神经网络应用于一维时序的心电信号分析。本发明的具体技术方案如下：

基于密集连接卷积循环神经网络的心电信号房颤检测装置，其特征在于，包括数据获取模块、预处理模块、房颤检测模块、训练模块，其中，

所述数据获取模块用于获取包含专业医生标注的房颤信息的单导联心电信号片段；

所述预处理模块将所述数据获取模块获取的心电信号片段进行降噪处理去除噪声；

所述房颤检测模块用于搭建密集连接卷积循环神经网络房颤检测模型，所述房颤检测模型包括一层卷积层、密集连接神经网络、双向循环神经网络和输出判别分类层，其中，所述密集连接神经网络包括至少一个重复模块，所述重复模块由至少一个密集连接模块与过渡模块连接而成，所述密集连接模块是由至少一层密集连接层构成，每个密集连接层由依次连接的第一标准化层、第一线性整流函数层、第一卷积层、第二标准化层、第二线性整流函数层和第二卷积层构成，密集连接层之间直接相连；所述密集连接模块之间通过过渡模块连接，所述过渡模块由依次连接的第三标准化层、第三线性整流函数层、第三卷积层、池化层构成；所述双向循环神经网络包括至少一层双向循环神经网络；所述输出判别分类层为一个线性分类器，输出结果；