[发明专利]基于双卷积神经网络的心电图类型识别装置

说明书

本申请涉及一种基于双卷积神经网络的心电图类型识别方法和装置。将多导联心电图心电信号以长度为a+b秒，步长为0.01‑0.05秒为窗口将每一条导联的心电信号截取成信号片段，直接对信号片段进行操作，针对性强。之后按照导联的类型，将信号片段分别输入经过训练的相应导联的第一CNN模型中，得到第一CNN模型的输出结果，并将该结果形成矩阵，输入到第二CNN模型中，通过第二CNN模型的最终输出结果就可以得到心电图类型，具有准确性高的优点。

技术领域

本申请属于心电图处理技术领域，尤其是涉及一种基于双卷积神经网络的心电图类型识别方法和装置。

背景技术

心电图是由一系列的波组所构成，每个波组代表着每一个心动周期。一个波组包括P波、QRS波群、T波及U波，如图1所示。看其中每个波所代表的意义为：

(1)P波：心脏的激动发源于窦房结，然后传导到达心房。P波由心房除极所产生，是每一波组中的第一波，它反映了左、右心房的除极过程。前半部分代表右房，后半部分代表左房。

(2)QRS波群：典型的QRS波群包括三个紧密相连的波，第一个向下的波称为Q波，继Q波后的一个高尖的直立波称为R波，R波后向下的波称为S波。

(3)T波：T波位于S-T段之后，是一个比较低而占时较长的波，它是心室复极所产生的。

(4)U波：U波位于T波之后，比较低小，其发生机理未完全明确。一般认为是心肌激动的“激后电位”。

中国专利文献CN108416277A公开了一种心电监测方法，包括以下方法：接收心电监测设备发送的实时采集的心电信号；对所述心电信号进行滤波和去噪处理后，检测所述心电信号的R波，并根据所述 R波提取QRS波群；将所述QRS波群输入预先训练好的的神经网络模型中进行识别；当识别出所述QRS波群失常时，则对该失常的QRS 波群进行分类，得到该失常的QRS波群对应的心律失常类型；根据所述心律失常类型生成心电监测报告，输出所述心电监测报告并触发警报。

然而该文献中依据QRS波群对心电图信号进行失常类型的识别，没有考虑多导联心电信号的各个导联心电信号的影响。

发明内容

本发明要解决的技术问题是：为解决现有技术中的不足，从而提供一种识别准确率高的基于双卷积神经网络的心电图类型识别方法和装置。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于双卷积神经网络的心电图类型识别方法，包括以下步骤：

S1：获取一多导联心电图心电信号，以长度为a+b秒，步长为 0.01-0.05秒为窗口将每一条导联的心电信号截取成信号片段；

S2：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CNN模型中，训练时采用的多导联心电图心电信号也被以长度为a+b秒，步长为0.01-0.05秒截取成信号片段，所述第一CNN模型的输出结果为一连续值：[X1,X2]；

S3：将多导联心电图心电信号中每条导联的第一CNN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CNN模型中，所述第二CNN模型的输出结果为一连续值：[Y1,Y2]；

S4：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，否则则认为多导联心电图心电信号为正常心电信号。

进一步地，本发明的基于双卷积神经网络的心电图类型识别方法，

S1步骤中，a+b值为0.7s-1.2s。

进一步地，本发明的基于双卷积神经网络的心电图类型识别方法，

S2步骤中，第一CNN模型的训练方法包括以下步骤：