[发明专利]基于卷积神经网络的房颤分类方法

权利要求书

1.基于卷积神经网络的房颤分类方法，其特征是，包括以下几个步骤：

步骤1：利用小波变换对心电信号预处理

步骤2：将心电信号数据分割成包含多个心拍的心拍段

步骤3：将分割后的心电信号转化成二维图片形式

步骤4：使用深度学习框架搭建CNN模型

步骤5：将训练图片数据送入到CNN模型中进行训练

步骤6：利用训练好的模型对测试图片数据进行分类识别。

2.根据权利要求1所述的基于卷积神经网络的房颤分类方法，其特征在于：步骤1中对心电数据去噪，利用小波算法的分解与重构，选择母小波函数‘db5’，将心电信号分解为8层，去除工频噪声，基线漂移噪声以及肌电噪声等，获得去噪后的心电信号数据。

3.根据权利要求1所述的基于卷积神经网络的房颤分类方法，其特征在于：步骤2中分割的心电信号不是单个的心拍形式，而是包含多个心拍的心拍段，其采样点为采样频率乘以时间，另外，心拍段可以更好的反映出受试者在一段时间里的生理状况。

4.根据权利要求1所述的基于卷积神经网络的房颤分类方法，其特征在于：步骤3中将一维的时序信号绘制出横轴为采样点，纵轴为采样电压的图形，然后保存成图片形式，以便于送入到卷积神经网络中进行训练和分类。

5.根据权利要求4所述的基于卷积神经网络的房颤分类方法，其特征在于：还包括将转换后的图片压缩到227x227的像素大小，同时，图片的灰度值为2。

6.根据权利要求1所述的基于卷积神经网络的房颤分类方法，其特征在于：步骤4中使用一个9层的CNN模型，模型结构包括3个卷积层、3个池化层和3个全连接层，其具体的结构为：输入层、卷积层、池化层、卷积层、池化层、卷积层、池化层、全连接层、全连接层、全连接层和输出层。

7.根据权利要求1所述的基于卷积神经网络的房颤分类方法，其特征在于：步骤5和6中使用图片作为输入数据送入到CNN模型中进行训练和分类。