[发明专利]一种基于深度学习法心电节拍特征自动化提取及分类方法

说明书

本发明涉及一种基于深度学习法心电节拍特征自动化提取及分类方法，其中，心电节拍特征自动化提取方法包括以下步骤：1）、采用双正交小波变换去除高频噪声和基线漂移；2）、通过二进样条小波变换产生极大极小值检测R波；3）、根据步骤2）R波基础上检测QRS波群及P、T波；然后，通过双向长短期记忆网络(Bi‑LSTM)对检测的波形数据信息进行心拍学习分类检测到的波形数据信息进行深度学习分类；本发明具有有效简化特征提取程序、对波形进行精准定位、心电信号精准分类的优点。

技术领域

本发明属于心电图检测技术领域，具体涉及一种基于深度学习法心电节拍特征自动化提取及分类方法。

背景技术

在人体各项指标参数中,心脏活动分析是智能判断的关键部分,而心电图(electrocardiography,ECG)是全世界普遍采用的心律失常等多种心脏疾病非侵入性检查和诊断的重要手段，也是反映心脏周期性活动的重要指标,在临床中得到广泛的应用。心律失常(arrhythmia)是心血管疾病中重要的一组疾病。它是由于心脏活动的起源和(或)传导障碍导致心脏搏动的频率和(或)节律异常,而引发的一个极其常见而又非常重要的心电活动异常症状,它可单独发病,亦可与其他心血管病伴发。因此,心律失常分类是心电图智能诊断分析的重要内容之一。

目前的心电图检测设备已不仅限于心电图的图形记录,并且可以进行心电图数字化采集和自动分析,从而提高分析速度和精度,并帮助医生找到最佳的治疗方法，减轻医生的工作强度。

在过去几十年里，利用基于信号处理技术和模式识别技术的ECG检测和分类的方法代表了心脏病专家在诊断中的重要解决方案。最近有几种通用的方法基于机器学习和信号处理的ECG分类技术，如聚类，多层感知器(MLP)和隐马尔科夫模型，支持向量机。通常，这些方法的主要步骤是预处理，特征提取和分类。现有诊断模型基本上都是建立在有限时间段异常心电信号的低层特征之上，一些疑难病症的复杂性使其很难用一些规则来描述,该诊断模型存在很大的局限性。虽然对判断常见类型的心血管疾病有一定的辅助作用，但对复杂的疾病诊断仍然严重依赖医生的经验和诊断水平。传统模型诊断效果差的主要原因在于传统模型的学习能力有限，不能在心电信号的低层特征与心血管医生的经验和诊断知识的高层次语义特征之间建立有机连结。也就是说，传统模型无法像医生查图一样利用综合知识和经验充分挖掘心电信号的全部有用信息。

最近一些研究人员进行了许多深度学习的工作来检测异常心电图信号，例如使用1-D卷积神经网络(CNN)做心电图分类或者使用34-layer cnn进行心律失常检测，然而这些技术多是基于CNN，这些改进中的大多数重点是设计更多复杂，更深入和更广泛的cnn网络，并旨在学习基于大量和多样化数据集的特征表征,这些方法进一步提高了卷积神经网络(CNN)的处理能力，缺点是仅仅在某些具体数据结构下高效和有效，不能深度的精准对心电信号进行提取和分类。

发明内容

本发明的目的是克服现有技术的不足而提供一种简单易行、定位精准、分类精确的基于深度学习法心电节拍特征自动化提取及分类方法。

本发明的技术方案如下：

一种基于深度学习法心电节拍特征自动化提取法，包括以下步骤：

1)、采用双正交小波变换去除高频噪声和基线漂移；

2)、通过二进样条小波变换产生极大极小值检测R波；

3)、根据步骤2)R波基础上检测QRS波群及P、T波。

优选的，所述步骤3)中QRS波群的具体检测方法是：

对第i个心拍进行类型的识别,把第i个心拍称为当前心拍记做C-B；

第i-1个心拍记做P-B；

第i+1个心拍记做N-B；