[发明专利]一种心电信号分类方法及装置

说明书

本发明涉及心电分析技术领域，特别涉及一种心电信号分类方法及装置。所述心电信号分类方法包括：步骤a：将提取的心电信号进行分段处理，得到训练阶段的标准输入数据；步骤b：通过所述训练阶段的标准输入数据构建深度神经网络，并对所述深度神经网络进行训练，得到心电信号分类器；步骤c：将采集的原始心电信号转换为与所述训练阶段的标准输入数据格式相同的数据，得到应用阶段的标准输入数据，并将所述应用阶段的标准输入数据输入所述心电信号分类器进行心电信号分类。本发明节省了基于领域知识的大量信号处理步骤，针对不同设备、不同使用者在不同环境得到的心电数据，能够较好的自适应学习。

技术领域

本发明涉及心电分析技术领域，特别涉及一种心电信号分类方法及装置。

背景技术

心脏健康是人体健康的一项重要指标，而心电信号分析是人体健康状况量化过程中的一个重要环节。心电图是记录人体心脏电活动的可视时间序列，在临床上广泛用于心脏状况检测。其工作原理自傲与每次心跳心肌细胞去极化过程会在皮肤表面引起小的点血改变，这些改变能够被心电图记录装置捕捉并记录。心电信号即为心电图的数据表示。

心电信号中除心脏搏动触发的信号波外，还会包含中一般会包含多种干扰信号，如肌肉运动产生的33Hz的肌电杂波、呼吸运动产生的0.5Hz以下的低频率波等。对于心电信号的分类，首先需要对原始信号进行去噪处理，然后检测典型的几种波形特征。

计算机辅助心电信号波形分类在最近数十年间有较大发展，主要思路是将人工领域经验以启发式的方式用计算机算法表达并分析。心电信号的各种特征如小波特征、高阶统计量、功率谱特性、Shannon熵、Hermite多项式系数被提取出，再配合信号的时域、波形等特性，应用主成分分析、线性判别分析、独立成分分析等统计分析方法，进行信号滤波处理与信号分类。该方法对于测试的标准数据库的分类效果较好，但是对于临床测量数据以及实际生活中使用健康监测是被所测量得到的动态心电数据集，则效果下降很多，方法的泛化能力与普适性难以得到保证。

目前，心电信号常用的波形特征检测方法包括差分检测法、可变阀值检测法、神经网络提取方法、图像识别法等；基于提取的波形特征，常用的心电信号分类方法包括K近邻分类、决策树分类、贝叶斯分类和神经网络分类等方法。上述的波形检测与分类方法主要基于信号处理理论或者波形图形态学检测，核心检测算法需要在人工分析信号特征后，总结提炼来设置具体参数。这种方法对于采集的心电信号的要求较高，而对于当前越来越普及的动态心电信号，由于其测量过程受环境等多种因素影响，采集到的信号结构并不统一，因而基于传统的波形检测与分类方法的动态心电信号分类效果会受到较大影响。

上述中，神经网络分类方法与本申请的技术方案较为相近，该方法首先是对心电信号进行基线校正和滤波处理，然后进行QRS(正常心电图中幅度最大的波群)波形检测，对于检测出的波形再进行波形放大和平滑处理，由此得到检测出波形特征的心电信号，并将其输入人工神经网络，根据输出结果进行心电信号分类。但该分类方法的心电信号分类过程复杂，且分类学习过程较依赖前期滤波处理结果。

发明内容

本发明提供了一种心电信号分类方法及装置，旨在解决现有的心电信号分类方法分类过程复杂，分类学习过程依赖前期滤波处理结果，以及动态心电信号分类效果不佳的技术问题。

为了解决上述问题，本发明提供了如下技术方案：

一种心电信号分类方法，包括：

步骤a：将提取的心电信号进行分段处理，得到训练阶段的标准输入数据；

步骤b：通过所述训练阶段的标准输入数据构建深度神经网络，并对所述深度神经网络进行训练，得到心电信号分类器；

步骤c：将采集的原始心电信号转换为与所述训练阶段的标准输入数据格式相同的数据，得到应用阶段的标准输入数据，并将所述应用阶段的标准输入数据输入所述心电信号分类器进行心电信号分类。