[发明专利]基于深度卷积神经网络的心电数据数字信号处理方法

说明书

本发明公开了一种基于深度卷积神经网络的心电数据数字信号处理方法，该方法能够将单导联一维心电数据经过信号转换变成二维形式，使得其适用于处理二维数据的深度卷积神经网络。将本发明的方法用于房颤检测时，无需检测P波或R‑R间期，也无需人为设计特征，极大地提高了房颤检测的效率和准确率，其中：基于静态小波变换结合深度卷积神经网络的房颤检测方法的准确率是98.63％，敏感性是98.79％，特异性是97.87％；基于短时傅里叶变换结合深度卷积神经网络的房颤检测方法的准确率是98.29％，敏感性是98.34％，特异性是98.24％。

技术领域

本发明属于房颤检测技术领域，涉及一种心电信号识别中的数字信号处理方法，具体涉及一种基于机器学习算法的心电信号中数字信号处理方法。

背景技术

随着人工智能技术的发展，房颤信号的检测可以不再依赖于专业医生的经验判断，而使用人工智能技术中的机器学习算法让机器进行房颤信号的检测，提高了房颤检测的效率。传统的基于机器学习算法进行房颤信号的检测大多都需要先检测心电信号中的P波或者R-R间期，然后根据这些特征利用机器学习算法设计一个分类器进行房颤信号的检测。但由于P波易受到噪声或者运动的污染，基于P波的房颤检测算法在有噪声出现的情况下表现很差，这会导致房颤检测的准确率下降；而基于R-R间期的房颤检测算法在少于1分钟的数据段上表现出的性能也很差，这会使得持续时间较短的房颤片段无法被检测出来。最近也有一些研究采用了其他特征，如小波变换后提取峰值平均功率和对数能量熵等特征，然后再利用支持向量机进行训练与测试。但这种房颤检测算法的性能在很大程度上都依赖于人为设计的特征对原信号的表征能力，所以这些人为设计的特征的可靠性是不确定的。这是因为不是每个个体的房颤信号都会存在这些人为设计的特征，所以这种方法在实际的应用中的性能不是很好。基于上述分析，现有的房颤检测方法还存在很大的缺陷，急需提出新的检测方法来提高检测的性能。

深度卷积神经网络是目前机器学习研究领域的一个热点，它已经被成功应用于图像识别、语音识别、目标检测和许多其他领域(比如药物发现和基因研究)。它能够允许机器自动的发现那些在检测或分类中要用到的数据的内在特征，这样就免于人为的进行一些与特征相关的计算。但由于心电信号的特殊性，在房颤检测领域至今还没有发现关于深度卷积神经网络成功应用的报道。这其中一个很大的原因就是深度卷积神经网络适用于输入是二维形式的数据，而心电信号是一维数据，这就使得直接将心电信号送入网络进行房颤检测成为一大难点。

发明内容

本发明的目的是提供一种基于深度卷积神经网络的心电数据数字信号处理方法，该方法能够将单导联一维心电数据经过信号转换变成二维形式，使得其适用于处理二维数据的深度卷积神经网络。将本发明的方法用于房颤检测时，无需检测P波或R-R间期，也无需人为设计特征，极大地提高了房颤检测的效率和准确率，对临床医学和社会都有着重要的作用和意义。

本发明的目的是通过以下技术方案实现的：

一种基于深度卷积神经网络的心电数据数字信号处理方法，包括如下步骤：

(1)将心电数据按固定时间长度L分段，得到由多段时间长度均为L的心电数据段构成的房颤信号检测的基本单元；

(2)对每一段长度为L的心电数据段进行预处理，得到无噪声的心电数据段；

(3)对无噪声的心电数据段进行信号转换，将一维的心电信号转换成适用于深度卷积神经网络的二维形式；

(4)对转换后的心电信号数据段进行逐样本均值削减和数据格式转换；

(5)重复步骤(2)-(4)，将一条连续采集的心电数据段转换成多段长度为L的符合深度卷积神经网络系统数据输入形式要求的心电数据；

(6)重复步骤(1)-(5)，得到心电数据段的数据集。

本发明具有如下优点：