[发明专利]基于双卷积神经网络的心电图类型识别装置

权利要求书

1.一种基于双卷积神经网络的心电图类型识别装置，其特征在于，包括，

心电信号获取截取模块：用于获取一多导联心电图心电信号，识别每一条导联的心电信号中的R波，将以R波波峰前a秒为起始点、以R波波峰位置后b秒为终点将每一条导联的心电信号截取成信号片段，所述a+b为0.7s-1.2s；

第一识别模块：用于将信号片段按照导联的类型分别输入经过训练的相应导联的第一卷积神经网络模型中，所述第一卷积神经网络模型的输出结果为第一连续值：[X1,X2]；

第二识别模块：用于将多导联心电图心电信号中每条导联的第一卷积神经网络模型的输出结果按照顺序合并为矩阵，将矩阵输入到训练好的第二卷积神经网络模型中，所述第二卷积神经网络模型的输出结果为第二连续值：[Y1,Y2]；

结果输出模块：用于对所述第二卷积神经网络模型的输出结果进行判断，若输出结果大于等于（Y1+Y2）/2时，认为多导联心电图心电信号为异常心电信号，否则认为多导联心电图心电信号为正常心电信号。

2.根据权利要求1所述的基于双卷积神经网络的心电图类型识别装置，其特征在于，第一卷积神经网络模型的训练方法包括以下步骤：

S21：将已知为正常心拍和异常心拍的多导联心电图中的每一条导联的心电信号截取成信号片段，截取的信号片段以R波波峰前a秒为起始点、以R波波峰位置后b秒为终点，得到的心电信号片段；

S22：将截取后的信号片段按照导联作为输入，标记正常心拍为X1和异常心拍为X2，并将X1和X2分别作为输出结果对第一卷积神经网络模型进行训练，得到与多导联心电图的导联数量相同的第一卷积神经网络模型，第一卷积神经网络模型的输出被设定为[X1,X2]。

3.根据权利要求2所述的基于双卷积神经网络的心电图类型识别装置，其特征在于，

所述第一卷积神经网络模型具有Layer1~ Layer12共12个网格层；

Layer1为卷积层，滤波器数量为12，卷积层核大小为（29,1），步长为1，激励函数为LeakyReLU；

Layer2为池化层，池化窗大小为2，池化方法为平均池化；

Layer3为卷积层，滤波器数量为18，卷积层核大小为（21,12），步长为1，激励函数为LeakyReLU；

Layer4为池化层，池化窗大小为2，池化方法为平均池化；

Layer5为卷积层，滤波器数量为12，卷积层核大小为（12,18），步长为1，激励函数为LeakyReLU；

Layer6为池化层，池化窗大小为2，池化方法为平均池化；

Layer7为卷积层，滤波器数量为5，卷积层核大小为（5,12），步长为1，激励函数为LeakyReLU；

Layer8为池化层，池化窗大小为2，池化方法为平均池化；

Layer9为卷积层，滤波器数量为5，卷积层核大小为（2,5），步长为1，激励函数为LeakyReLU；

Layer10为池化层，池化窗大小为2，池化方法为平均池化；

Layer11为全连接层，神经元个数为10个，激励函数为线性激励函数；

Layer12为全连接层，神经元个数为1个，激励函数为sigmoid函数。

4.根据权利要求1所述的基于双卷积神经网络的心电图类型识别装置，第二卷积神经网络模型的训练方法包括以下步骤：

S31：将已知为正常心拍和异常心拍的多导联心电图中的每一条导联的心电信号以R波波峰前a秒为起始点、以R波波峰位置后b秒为终点将每一条导联的心电信号截取成信号片段，将信号片段输入到训练好的相应导联的第一卷积神经网络模型中，获取第一卷积神经网络模型的输出结果；

S32：将多导联心电图中每条导联的第一卷积神经网络模型的输出结果按照顺序合并为矩阵，将矩阵作为输入，将正常心拍标记为Y1和异常心拍标记为Y2作为输出，对第二卷积神经网络模型进行训练，第二卷积神经网络模型的输出被设定为[Y1,Y2]。