[发明专利]用于心电图类型识别的双卷积神经网络

权利要求书

1.一种用于心电图类型识别的双卷积神经网络，其特征在于，包括与多导联心电图心电信号的导联数量相同的第一CNN模型和第二CNN模型：

所述第一CNN模型的输入值为以长度为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的信号片段，输出结果为第一连续值：[X1,X2]；

所述第二CNN模型的输入值为以同一心电信号的不同导联的信号片段分别输入到进行训练的第一CNN模型中得到的输出值形成的矩阵，输出结果为第二连续值：[Y1,Y2]。

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方法，其特征在于，

第一CNN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CNN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CNN模型，第一CNN模型的输出被设定为[X1,X2]。

3.根据权利要求2所述的用于心电图类型识别的双卷积神经网络，其特征在于，

a值为大于或等于0.3秒，b值为大于或等于0.4秒，a+b值为0.7s-1.2秒。

4.根据权利要求3所述的用于心电图类型识别的双卷积神经网络，其特征在于，

所述步长为0.02秒。

5.根据权利要求2-4任一项所述的用于心电图类型识别的双卷积神经网络，其特征在于，

所述第一CNN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。

6.根据权利要求1-5任一项所述的用于心电图类型识别的双卷积神经网络，其特征在于，第二CNN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CNN模型中，获取第一CNN模型的输出结果；

S32：将多导联心电图中每条导联的第一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CNN模型进行训练，第二CNN模型的输出被设定为[Y1,Y2]。