[发明专利]一种心电图心拍分类方法、系统、介质、设备及终端

说明书

本发明属于心电信号识别技术领域，公开了一种心电图心拍分类方法、系统、介质、设备及终端，对原始心电图信号进行预处理；使用深度卷积神经网络模型进行心拍形态学特征的提取；将特征信息添加DCT‑CBAM注意力机制模块，用于突出深度卷积神经网络模型对通道和空间特征的关注信息；将特征信息进行融合后再添加手工提取的部分特征，实现AAMI标准下病人间的N、S、V、F四类心拍的划分。本发明使用三种不同大小的卷积核对数据进行特征提取，获得了更加丰富的特征信息；使用DCT‑CBAM注意力机制模块使得模型更加关注关键通道以及空间特征，从而提升了分类结果；使用平滑标签损失函数增加了信息量，提供了训练数据中类别之间的关系。

技术领域

本发明属于心电信号识别技术领域，尤其涉及一种心电图心拍分类方法、系统、介质、设备及终端。

背景技术

目前，心率失常是一类重要的心血管疾病。然而，心电图(Electrocardiogram，ECG)诊断对医生来说是一项困难而繁琐的工作，并且一些心率失常具有偶然突发的特点，根据上述特点，医生无法为患者提供长时间的分析判断。随着计算机辅助诊断系统迅速发展，对心率失常的计算机辅助诊断可以在没有手工分析的情况下自动诊断，使医生从海量的心电图分析中解脱出来，减轻医生工作量，从而提高医生的诊断效率。因此，为提升自动心拍分类的准确率，亟需设计一种新的心电图心拍分类方法及系统。

通过上述分析，现有技术存在的问题及缺陷为：现有心电图诊断工作困难而繁琐，且心率失常具有偶然突发的特点，无法提供长时间的分析判断。现有的技术主要集中在使用CNN提取心跳形态特征，而忽略了RR间隔对心跳分类的影响，并且没有对有效信息进行特殊关注。在本发明中，通过整合RR区间特征，增加DCT-CBAM注意力等方案可以显着提高心跳分类的性能。

发明内容

针对现有技术存在的问题，本发明提供了一种心电图心拍分类方法、系统、介质、设备及终端，尤其涉及一种结合DCT-CBAM注意力机制及手工特征的心电图心拍分类方法、系统、介质、设备及终端。

本发明是这样实现的，一种心电图心拍分类方法，所述心电图心拍分类方法包括：

在本发明中，本发明提出了一种自动心跳分类系统来检测心律失常。在系统中，构建了一个新的深层神经网络。网络结构包括卷积层，池化层，注意力机制模块，全连接层和输出层。首先本发明使用三个不同卷积核大小的卷积模块对样本进行特征提取，随后将得到的特征信息输入进两个卷积模块中处理，将提取出的特征信息放入注意力机制模块中进行特征加权处理，再将处理之后的特征信息展开放入多层感知机中融合RR间期等记录信息，在最后输出四分类结果。

其中本发明的创新点主要有以下几点1.使用三种不同大小的卷积核对数据进行特征提取，获得更加丰富的特征信息结果。2.受到DCT(余弦离散变换)图像压缩启发使用DCT-CBAM注意力机制模块使得模型更加关注关键通道以及空间特征，从而提升分类结果。3.在第全连接层的第二层添加了RR前期、RR后期、近十个心拍的平均RR间期、RR前期和RR后期的比例以及前三个特征和整条心拍平均RR间期的比率共计7个特征信息，添加手工提取的上述特征可以有效提高模型的分类效果。4.在训练过程中使用了平滑标签损失函数弥补了心拍分类中信息熵比较少的问题，增加了信息量。提供了训练数据中类别之间的关系。

对所有心电图信息进行去除基线漂移的处理；对训练集中小类样本进行过采样和加噪处理；将训练数据放入模型结构中训练使用测试集检测模型性能。

进一步，所述心电图心拍分类方法包括以下步骤：

步骤一，对原始心电图信号进行预处理，降低因病人个体不同、四肢动作、心电图采集设备对识别结果造成的干扰；

步骤二，使用深度卷积神经网络模型进行心拍形态学特征的提取，经大量实验证实使用卷积层所提取出的特征信息的有效信息大幅领先于人工设计特征，卷积层具有权值共享、局部感知等特性可节省资源开销提升模型运算效率；