[发明专利]一种基于深度学习的心电信号分类诊断方法

说明书

本发明提出了一种基于深度学习的心电信号分类诊断方法。本发明利用心电采集设备对左上肢和右上肢之间的心电信号进行采集得到原始心电信号；将原始心电信号进行预处理得到去噪后心电信号，提取去噪后心电信号的特征波；将心电信号的特征波进行四阶多贝西小波的小波变换，将小波系数按照一定规律构建变换矩阵；将变换矩阵视为心电信号的特征波对应的时频图，传入深度学习模块，得到心电信号采集者可能患有的疾病。本发明能够在频域上分析和凸显信号的特征，实现心电信号对多种心脏疾病的初步诊断，提高诊断的准确率。

技术领域

本发明涉及医学信号处理领域，具体涉及一种基于深度学习的心电信号分类诊断方法。

背景技术

心脏是人类最重要的器官之一，其可以给血液提供流动的动力并将血液运送到身体的每一个部分。心脏相关的疾病发病迅速、后果严重，近些年已成为威胁人类生命的头号杀手。

心率失常是心血管疾病的主要病因，具体指的是心率的不规则的变换，包括房颤、心室期外收缩、室颤和心率过快，持续的心率失常可能对人的健康造成长期影响，因此对心率进行定期的监测对于预防和管理心血管疾病十分重要。心脏周围的体液可以导电，在每个心动周期中，心脏的生物电发生变化，这些生物电被称为心电，心肌细胞动作电位变化的总和可以在体表上反映出来，使体表的各点之间存在电位差。心电图(ECG)是位于人体上的电极对于心脏电活动的记录，是分析心脏活动最有力的诊断工具之一，对心电信号的研究以及心脏的检查有重要的参考作用。通过心电信号可以检测有无心率失调、心肌受损等问题并对其进行分析和鉴别。通过心电信号检测心脏有无疾病，将正常或异常的心电信号正确分类，可以帮助检查心脏疾病，这具有重要意义。但目前仍有许多待解决的问题，例如心电信号受外界噪声影响会导致结果可靠性不高，准确性较低。

在心率失常的检测中，心电信号的形态和特征对于检测起着至关重要的作用，心电信号具有不同幅度和形状的波，分别成为P,Q,R,S,T波，不同的心室和动脉产生这些波的物理活动也不同。因此，大多数医学专家在进行心率失常诊断时，都会考虑心电信号的以下特征：P,Q,R,S,T波的相对位置、大小、形态，以及特征波形之间的时间间隔、QT波之间的时间间隔等其他特征。

根据之前关于检测心率失常的检测工作可知，通过检测R-R波间(即相邻特征波形)的变化得到均值、方差、标准差等统计参数，根据统计参数可以初步判断信号是否为噪音，因此我们在此就心电信号的特征波形进行统计分析，来就提供心电信号进行预处理。

现在已有的一些关于心电信号处理的专利(包括发明授权专利和发明公布专利)如下：

公布号为CN 106805965 A的发明专利提出了用深度学习进行心电信号分类的方法，对心电信号分割来获取训练集和测试集数据，并运用深度学习对训练集的数据进行训练得到分类模型，用该分类模型对心电信号进行分类，可对不同类型的心率异常进行分类；

公布号为CN 109063552 A的发明专利提出了一种多导联心电信号分类的方法和系统，其通过多支路卷积残差神经网络提取多导联心电信号的信号特征，基于Softmax函数对融合后的所述多导联心电信号进行分类提高了心电信号分类的灵活性和适应性；

公布号为CN 107495959 A的发明专利提出了一种基于一维卷积神经网络的心电信号分类方法，该方法以检测出的R波峰值点为基准得到若干特征波形候选段，建立面向心电信号的一维卷积神经网络模型对这些特征波形候选段进行分类，该方法避免了心电信号特征点必须精准定位的难题。

可以看出，目前已有的关于心电处理的发明专利大都是基于一维心电信号进行处理，而现有的处理工具更适用于时频图的处理；另一方面，已有的心电处理方法大都基于信号处理的，但信号处理计算繁琐，且受信号质量的限制，不能准确提取出心电信号中的特征；另一方面，深度学习具有很强的数据处理以及分类的能力，而在心电信号处理上应用较少，无法发挥出优势。