[发明专利]一种智能心电图分类方法

摘要

本发明公开了一种智能心电图分类方法。本发明对30秒采样率为500Hz的I导联心电图波形采样点原始数据进行3Hz‑45Hz的带通滤波，利用基于小波变换的R峰识别算法提取R峰位置,基于R峰位置提取195采样点的心拍模板，然后提取心电波形幅值最大、最小、平均值、对数熵、PQRS波幅值及位置等传统心电信号特征，利用原始心电图波形、相应分类标注、梯度下降法训练训练深层残差网络叠加长短时记忆网络提取心电图波形的深层次特征，最终将所有已提取特征输入随机森林模型进行分类诊断。将本发明能够很大程度上去除噪声干扰，减少对于人工特征识别的依赖，极大提高心电图分类的速度和准确率。

主权项

1.一种智能心电图分类方法，其特征在于所述方法步骤如下：步骤1、对30秒采样率为500Hz的I导联心电图波形采样点原始数据进行3Hz‑45Hz的带通滤波，滤除基线漂移、工频干扰；步骤2、利用基于小波变换的R峰识别算法提取R峰位置序列，取每个R峰前75采样点、R峰后120采样点形成195采样点的心拍模板序列，然后取各时间点中位数获得中位模板作为标准心拍模板，计算所有心拍模板与标准心拍的相关系数；步骤3、在提取所有可用模板后，进行信号特征提取，包括：完整波形特征：包括幅值最大、最小、平均值、中位数、标准差、峰度、斜率、波形时间跨度、小波变换特征、对数熵和信噪比；心拍模板特征：包括P、Q、R、S、T波幅值及位置，PR间期、QS间期、RT间期和P波能量；RRI特征：包括心率、心率加速度的时间序列的平均值，PNN5、PNN10医学指标和RRI 序列能量熵；步骤4、使用第一步骤处理后的心电图波形以及相应分类标注作为深度卷积神经网络输入，利用梯度下降算法进行网络训练，获得网络参数；步骤5、将30秒采样率为500Hz的I导联心电图波形输入深度卷积神经网络，取最后一层卷积层的输出作为深层次心电信号特征，结合步骤3得到的信号特征，整合后的所有特征以及心电图波形对应分类标准作为随机森林模型的输入，训练此模型后产生分类模型。