[发明专利]一种基于CNN和LSTM的心肌梗死识别并定位的方法

权利要求书

1.一种基于CNN和LSTM的心肌梗死识别并定位的方法，其特征在于：包括以下步骤；

1)、获取两个训练数据库，其中训练数据库1为已知患有心肌梗死的数据库，另一个数据库为对比的健康人群心电信号数据库；

2)、通过对单个心拍的截取，生成12导联的心电信号样本读入12导联的心电信号的数据，对每个导联心电信号根据同一时刻R波顶点的位置向前截取P个点，向后截取Q个点，每个导联的每个心拍截取W＝P+Q个点的数据；

3)、按照心肌梗死发生位置不同而引起变化的导联位置不同，分别将前壁心肌梗死、侧壁心肌梗死、下壁心肌梗死以及后壁心肌梗死发生而产生心电图表现的导联在相同时刻R波顶点每个导联所截取心电信号的W个点进行第二维度连接，前壁心肌梗死对应的心电信号表现在V1至V4导联，将该四处导联进行第二维度拼接，此时心电信号由1*W维扩增为4*W维，作为卷积神经网络模型的输入X1；

侧壁心肌梗死对应的心电信号表现在Ⅰ、aVL、V5及V6导联，将该四处导联进行第二维度拼接，此时心电信号由1*W维扩增为4*W维，作为卷积神经网络模型的输入X2；

下壁心肌梗死对应的心电信号表现在Ⅱ、Ⅲ及aVF导联，将该三处导联进行第二维度拼接，此时心电信号由1*W维扩增为3*W维，作为卷积神经网络模型的输入X3；

单纯的后壁心肌梗死很少见，多数情况下累计范围可扩大至下壁或者侧壁，将所有12导联的心电信号通过上述单个心拍的截取方法对所有的心拍进行截取，将处理得到的X1、X2及X3分别输入到一路导联通道中，则X1和X2对应的导联通道的输入信号大小维4*W，X3对应的导联通道的输入信号大小为3*W，共三路导联通道，即将组合后的导联信号合并通道后作为一路导联通道，每一路导联通道中每一层卷积层单元的输出端依次串联一激励单元操作和一池化层操作；第一个卷积层单元的卷积核数为32个，卷积核大小为4，其后的激励单元为relu函数，池化层单元的池化核大小为6，池化步长为3；经过第一层池化单元后的特征图维度为200*32；第二个卷积层单元的卷积核数为64个，卷积核大小为5，其后的激励单元为relu函数，池化层单元的池化核大小为6，池化步长为3；经过第二层池化单元后的特征图维度为67*64；

4) 、搭建深度神经网络，深度神经网络包括多个依次并联的导联通道，每一个导联通道由串联的卷积层单元组成，在每一路导联通道的输出端有一个合并层，将每一路导联通道的特征图沿最后一个维度合并，即特征图的深度所在维度；在每导联通道输出端的合并层和LSTM层单元间有attention层作为连接单元；合并后的特征图大小为 67*128，attention单元构造了一个维度同样为67*128的权重矩阵与卷积后的特征图对应元素点乘，加权后的特征图输出维度为67*128，这个权重矩阵的元素由神经网络训练得来，矩阵元素初始值为范围在0-1之间的随机数；将加权后的特征图输入到LSTM层单元中，取LSTM层单元的隐藏层数为128，LSTM层单元输出特征图维度为128，LSTM层单元的输出串联一个激励单元为softmax的全连接层，全连接层的输出维度为4，即类别数；最终所述深度神经网络模型输出预测向量维度；

每个所述卷积层单元包括一个卷积层以及该卷积层输出端依次串联的一激励单元操作和一池化层操作，所述卷积层单元使用的是一维卷积，用于提取一维心电信号的特征；LSTM层单元的输出串联一个激励单元为softmax的全连接层；由所述全连接层输出预测向量维度；

5)、对样本进行自动识别。

2.根据权利要求1所述的一种基于CNN和LSTM的心肌梗死识别并定位的方法，其特征在于：所述的深度神经网络输出的预测向量维度为4；使用keras开源框架和python语言搭建，使用交叉熵作为损失函数，使用Adam优化器优化损失函数。