[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

说明书

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。

技术领域

本发明涉及医学信号处理技术领域,更确切地说，本发明涉及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。

背景技术

近些年，针对心电图的辅助诊断设备发展迅速，随着信息领域的科技进步，特别是随着模式识别技术的进展，心电图设备的功能不再是仅仅获取心电信号、打印心电图，而是向着挖掘心电图中的有效数据以及自动识别、统计心拍信息方向发展。带自动识别心拍功能的分析设备能够为医生提供更直观有效的心电图信息，有效节省诊断时间，提高医生的诊断效率，是重要的辅助医疗设备之一。

工作在计算器件上的自动心律失常分析系统是此类设备的核心，技术途径有两种，一是通过提取表征了心电图有效信息的特征向量，输入到分类器算法得到心拍的类别；二是通过深度学习技术自动学习特征并进行识别，得到心拍的类别。

基于深度学习技术的心律失常分析系统可以利用数据红利，有效提高识别精度，然而目前的心律失常分析系统尚不足以满足临床应用的准确率需求。

发明内容

本发明的目的是为解决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，而提供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。

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；

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；

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，后取1个周期的R-R波区间并重采样到300维，最后将前后重采样的信号拼接形成600维信号；

由此三种采样方式所得的600维心电信号分别为Input k1,Input k2和Input k3,k为Ⅰ、Ⅱ、Ⅲ、…，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上述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；

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一个合并层，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；