[发明专利]用于心电图类型识别的双卷积神经网络

说明书

本申请涉及一种用于心电图类型识别的双卷积神经网络，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]。本申请考虑到多导联心电信号，并以第一CNN模型和第二CNN模型的相互承接关系，由第二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，尤其是涉及一种用于心电图类型识别的双卷积神经网络。

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用于心电图类型识别的双卷积神经网络。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种用于心电图类型识别的双卷积神经网络，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]。

优选地，本发明的基于双卷积神经网络的心电图类型识别方法，

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]。