[发明专利]一种基于深度学习的心电信号自动分析方法

说明书

一种基于深度学习的心电信号自动分析方法，根据从公开数据集下载已经标注的心电数据，将心电数据进行处理，得到数据集，将数据集分为训练集、验证集和测试集；按照DLA结构，构建深度学习模型，训练得到训练好的深度学习模型；调整超参数，选取在验证集和测试集上分类效果最好的模型；对于待分类的12导联的心电数据，经过处理得到数据集，将数据集的数据输入到分类效果最好的模型中，得出心电数据的心电信号所属分类。本发明通过一维卷积提取低层次的波形结构特征，并将较浅和较深的层聚合起来，获取心电信号的空间及语义特征，既完成了形态分析，又得到了形态间的相互关联，可以应用于心电图片或者一维时间序列心电图的分类。

技术领域

本发明涉及一种基于深度学习的心电信号自动分析方法。

背景技术

心电图是人体心脏电活动最直接的反应，是医生进行心脏病诊断治疗的重要依据之一，通常心电图波形数据采集和分类是在医院或体检中心进行，存在检测不方便、检测频率低等缺点。近年来，随着网络、移动智能手机的普及，使得携带式心电监测仪、家庭个人用心电波监测仪的推出成为可能，故心电信号的自动识别分类方法具有较高的实用意义。

传统的心电测量分类法，主要分为以下步骤，信号预处理、波形检测、特征提取和分类。信号预处理去掉基线漂移、肌电扰动等噪声；常见的波形检测算法有小波变换、模板匹配法、图形识别法、能量阈值法等；常用的心电特征包括基于波形形态的特征，如每个波的幅值、波宽、斜率等，以及统计特征如功率谱特征、高阶统计量法、主成分分析等；基于以上方法提取出传统特征，再应用机器学习方法如随机森林，支持向量机等算法对其进行分类。如李坤阳等结合小波变换和形态学检测出QRS波群的特征点对心拍进行4分类。2016年Li等利用小波包分解、小波包信息熵和RR间期，由随机森林算法对心电信号进行五分类。Khazaee等计算心电信号的功率谱并用于心电分类。

传统的心电图分类算法的缺陷在于需要设计特征提取方法得到有用信息，特性的选择通常是通过反复试验或由经验而来，对选取的特征依赖较高，当设计的特征不能反应数据中的内在属性，分类算法的精度会大幅下降。而在这一过程中使用主成分分析法、小波变换等方法的非线性拟合能力有限，会丢失部分信息，实际应用时易出现误分类，具有容易产生假阳性等缺点。

发明内容

为克服现有技术中的问题，本发明的目的是提供一种基于深度学习的心电信号自动分析方法。

为实现上述目的，本发明采用如下的技术方案：

一种基于深度学习的心电信号自动分析方法，包括以下步骤：

步骤1，根据从公开数据集下载已经标注心电信号所属分类的心电数据，心电数据包括不同采样频率的一维时间序列以及心电图图像数据；

步骤2，将心电数据进行处理，得到数据集，将数据集分为训练集、验证集和测试集；

步骤3，模型训练：

a.按照DLA结构，构建深度学习模型，深度学习模型的输入为步骤2得到的数据集，深度学习模型的输出层为softmax层；

b.将步骤2得到的训练集的数据放入步骤a所构建的深度学习模型中进行训练，不断更新迭代，至深度学习模型收敛，得到训练好的深度学习模型；

c.调整步骤b得到的深度学习模型的超参数，重复多次步骤b，得到多个模型，选取在验证集和测试集上分类效果最好的模型；

步骤4，对于待分类的12导联的心电数据，重复步骤2，得到数据集，然后将数据集的数据输入到步骤3训练好的深度学习模型中，得到心电数据的心电信号所属分类。

本发明进一步的改进在于，步骤2中，将心电数据进行处理，得到数据集的具体过程如下：

a.对于不同采样频率的一维时间序列，通过线性插值的方法，转化为采样频率为125Hz的一维心电时间序列；