[发明专利]基于卷积神经网络的房颤分类方法

说明书

本发明针对采集后的心电信号，采用小波变换进行预处理，去除心电信号中包含的肌电噪声、工频噪声以及基线漂移等噪声，然后将去除噪声后的心电信号转换并分割成5s时间段和10s时间段的图片，再送到卷积神经网络模型中进行训练和房颤心电信号的分类预测。本发明在房颤心电信号诊断处理过程中不需要特征提取阶段，简化系统模型同时提高识别准确率，对心脏病精准识别有着重要意义。

技术领域

本发明属于生物医学与计算机科学交叉领域，涉及一种基于卷积神经网络的房颤分类方法，更具体来说，是对心电信号数据转换成图片送入到深度学习算法中，再做分类处理。

背景技术

房颤是一种常见的心律失常疾病，基于心电图的房颤检测对临床诊断具有十分重要的意义。由于心电信号的非线性和复杂性，人工检测需要耗费大量时间且极易出现错误。对房颤的分类一般包括三个步骤：预处理、特征提取和分类。目前，大多数房颤的检测方法使用传统的机器学习方法，且需要对心电信号进行特征提取或特征选择。这无疑增加了房颤的检测系统的步骤，对系统实时性有着不利影响。另外，由于个体间的差异较大，导致目前的房颤检测方法在分类准确率上难以提高。

深度学习是指多层神经网络上运用各种机器学习算法解决图像，文本等各种问题的算法集合。深度学习从大类上可以归入神经网络，不过在具体实现上有许多变化。深度学习的核心是特征学习，其层与层之间为非线性关系，通过分层网络来获取分层次的特征信息，从而解决以往需要人工提取特征的重要难题。

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，属于深度学习中的一种算法。20 世纪 60 年代，加拿大神经科学家David H. Hubel 和 Torsten Wiesel提出了卷积神经网络结构，认为该神经元结构可以对复杂的反馈神经网络进行有效的简化。CNN一般由输入层、卷积层、池化层、全连接层和输出层等部分构成，可以提供一种“端到端”的学习结构，不需要手工提取心电信号的特征, 这在房颤分类中省去了特征提取步骤。CNN以其独特的捕捉位置和位移不变性的能力，被广泛应用于生理信号的形态分析。

发明内容

针对上述现有传统的房颤心电信号诊断方法的现状和存在的问题，本发明提出了一种基于卷积神经网络的房颤分类方法，该方法旨在使用包含几个心跳的心电信号时间段的图片来训练CNN模型，并实现高精确度的房颤分类。

本发明所采用的技术方案如下：

一种基于卷积神经网络的房颤分类方法，其具体步骤如下：

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：将分割后心电信号数据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。

本发明的优势在于：

1、 本发明对采集后的心电信号可以自动进行房颤诊断，辅助医生临床检测，较少对心脏病人的误诊和漏诊情况；

2、 本发明采用卷积神经网络的深度学习方法，可以实现“端到端”的学习，不需要单独提取手工特征，直接将特征提取和分类步骤相结合，减少了房颤诊断系统的步骤；

3、 本发明将一维的心电信号转换为二维的图片形式，最后送入卷积神经网络中实现稳定且高精度的分类。

附图说明

图1是本发明系统示意图。

图2是本发明二维5秒心电图。