[发明专利]基于采样通道融合深度神经网络的自动心律失常分析方法

摘要

本发明公开了一种基于采样通道融合深度神经网络的自动心律失常分析方法，它包括：三种采样方式生成多通道心电图样本；得到的600*1维心电信号扩增为3*（600*1）维，原始心电信号为两导联时，等效形成2*3*(600*1)维的心电信号样本，将不同采样方式得到的输入信号分别通过合并层合并后分别输入依次并联的由串联卷积层单元组成的导联通道，合并层和LSTM层单元间有attention层；卷积层单元包括用一维卷积提取一维心电信号特征的卷积层以及依次串联的一激励单元操作和一池化层操作；LSTM层单元串联一个激励单元为softmax的全连接层；输出；学习深度神经网络的参数，对样本进行自动识别；解决了现有心律失常分析系统尚不足以满足临床应用的准确率需求的问题。

主权项

1.一种基于采样通道融合深度神经网络的自动心律失常分析方法，它包括：1）采用三种采样方式进行复合采样，生成多通道心电图样本；a.对每个导联的心电信号，前后各取100个点再重采样到固定维度600的向量；b.对每个导联的心电信号，前取2个周期的R‑R波区间，后取1个周期的R‑R波区间，再重采样到固定维度600的向量；c.对每个导联的心电信号，前取2个周期的R‑R波区间并重采样到300维向量，后取1个周期的R‑R波区间并重采样到300维向量，最后将前后重采样的信号拼接形成600维向量的信号；将上述三种采样方式所得的600维分别为Input k1,Input k2和Input k3 ,k为Ⅰ、Ⅱ，是原始心电信号的导联编号，每一个Input的大小为600*1维，此时每导联心电信号由600*1维扩增为600*3维，此时的3表示每一个导联的心电信号拥有3个子导联；当使用的数据集中原始心电信号拥有2个导联时，将原始每个导联的心电数据经过所述复合采样方式形成2*3*(600*1)维的心电信号样本X，作为深度神经网络模型的输入Input；将Input I1与InputⅡ1通过合并层A1合并最后一个维度向量后输入到第一路导联通道中，将Input I2与InputⅡ2通过合并层A2合并最后一个维度向量后输入到第二路导联通道中，将Input I3与InputⅡ3通过合并层A3合并最后一个维度向量后输入到第三路导联通道中，则每一个导联通道的输入信号大小为600*2，共3个导联通道，其中2指的是导联数，即将由不同采样方式扩展出的2个导联分别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；2)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共有一个合并层B，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B和LSTM层单元间有attention层作为连接单元；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；输出；3）学习深度神经网络的参数；4）对样本进行自动识别。