[发明专利]基于深度卷积神经网络的ECG分类系统与方法

权利要求书

1.一种基于深度卷积神经网络的ECG分类系统，其特征在于，包括数据采集模块、数据预处理模块、ECG分类模块与分类结果显示模块；

所述数据采集模块用于从心电监护设备终端读取原始ECG信号，并发送给数据预处理模块；

所述数据预处理模块用于对原始ECG信号进行降噪和心跳分割，将降噪后的ECG信号分割成无数个心跳，相邻两个心跳作为一个样本送至ECG分类模块；

所述ECG分类模块为通过样本集与focal loss函数迭代训练完成后的深度卷积神经网络，具备对样本进行分类的能力；所述样本集包含正样本与负样本，所述正样本是指诊断为心电正常的样本，所述负样本是指诊断为心电异常的样本；将ECG信号分割成若干心跳，相邻两个心跳作为一个样本，并且相邻两个心跳中的后一个心跳为目标心跳，针对目标心跳添加标签；

所述focal loss函数如下：

FL(p_j)＝-α(1-p_j)^γlog(p_j)；

式中，p_j表示深度卷积神经网络的全连接层中Softmax激活函数的输出，即样本所属类别的概率；α表示平衡因子，用来平衡正、负样本本身的比例不均，γ表示速率调节因子，用于调节样本权重降低的速率；

所述深度卷积神经网络包括依次连接的输入层、卷积层、批归一化层、Tanh激活层、残差网络、平均池化层、全连接层与输出层；所述残差网络包括7个串联的残差模块；每个残差模块通过初级批归一化单元输入，然后依次连接初级Relu激活函数单元、初级卷积单元、次级批归一化单元、次级Relu激活函数单元、卷积单元、Dropout单元与次级卷积单元；所述初级批归一化单元的输入与所述次级卷积单元的输出通过最大池池化单元进行跳跃连接；

所述分类结果显示模块用于对ECG分类模块的分类结果进行显示。

2.根据权利要求1所述的基于深度卷积神经网络的ECG分类系统，其特征在于，所述分类结果显示模块通过混淆矩阵的形式对分类结果进行可视化输出。

3.根据权利要求1所述的基于深度卷积神经网络的ECG分类系统，其特征在于，还包括质量评估模块，用于根据评价指标对分类结果的有效性进行评估；所述评价指标包括每类心跳的准确率Acc、每类心跳的精确率Pp、每类心跳的敏感性Se、每类心跳的特异性Sp、每类心跳的F1-score、总体心跳的准确率overall accuracy以及受试者工作特性ROC的曲线下面积AUC；其中：

每类心跳的准确率Acc为：

每类心跳的精确率Pp为：

每类心跳的敏感性Se为：

每类心跳的特异性Sp为：

每类心跳的F1-score为：

受试者工作特性ROC的曲线下面积AUC为：

其中TP、TN、FP、FN分别为真阳性、真阴性、假阳性、假阴性；对于某种类型的心跳，TP被判定为阳性样本，实际上它被归类为阳性样本；TN判定为阴性样本，实际上属于阴性样本；FP被判定为阳性样本，但实际上它被归类为阴性样本；FN被判定为阴性样本，但实际上被归类为阳性样本。

4.一种基于深度卷积神经网络的ECG分类方法，其特征在于，采用如权利要求2所述的基于深度卷积神经网络的ECG分类系统，包括以下步骤：

数据采集模块从心电监护设备终端读取原始ECG信号，并发送给数据预处理模块；

预处理模块对原始ECG信号进行降噪和心跳分割，将降噪后的ECG信号分割成无数个心跳，相邻两个心跳作为一个样本送至ECG分类模块；

样本依次通过卷积层、批归一化层、Tanh激活层、残差网络提取特征，再经过平均池化层输出给全连接层；全连接层起到分类器的作用，并通过Softmax激活函数将分类结果转化为概率形式，并通过输出层输出给分类结果显示模块显示。