[发明专利]基于滤波和卷积神经网络的低质量心电信号中QRS点识别

权利要求书

1.基于滤波技术和卷积神经网络的心电信号QRS点检测方法，它包括：

1）原始心电信号的去噪

读取一组原始心电信号矩阵e，对原始心电信号矩阵e进行切比雪夫型带通滤波，得到去噪信号矩阵x；读取每一个原始心电信号的人工标记的QRS点矩阵ref，为下文制作标签做准备；

2）生成过检测QRS点

对去噪信号矩阵x进行希尔伯特变换，得到变换后信号矩阵x1，对变换后信号矩阵x1取绝对值，得到去噪信号的包络信号矩阵x2；识别包络信号矩阵x2的波峰点和波谷点，并将包络信号矩阵x2的波峰点以及波谷点的集合作为该条心电信号的过检测类QRS点的包络幅度值存入矩阵H_place1，并将包络信号矩阵x2的波峰点以及波谷点下标集合作为该条心电信号的过检测类QRS点的坐标点，存入矩阵R_place1；其中矩阵R_place1和矩阵H_place1的元素是一一对应的；过检测类QRS点即为该条信号中可能是QRS点的点；

3）初步去除过检测类QRS点中的非QRS点以及数据集制作

a．设整数B为不应期，其取值范围为0至300之间的任意整数，此处使用不应期去除过检测类QRS点中的非QRS点是指矩阵R_pla两相邻元素R1,R2差值小于B，且在矩阵H_pla里两个相邻元素H1,H2数值较小的元素，继而得到矩阵R_place2和H_place2；其中元素R1在矩阵R_pla的下标与元素H1在矩阵H_pla的下标相同，元素R2在矩阵R_pla的下标与元素H2在矩阵H_pla的下标相同；

c.计算矩阵H_place2中最后8个元素的和与前8个元素的和的差，在乘以0.008，得到阈值thr；

d.去除矩阵H_place2中小于thr的包络幅度值以及在的矩阵R_place2中对应的坐标点，分别得到矩阵R_place3和H_place3；

e. 在原始心电信号e中以R_place3中的元素为下标，向前截取P个点，向后截取Q个点，每个心拍截取W=P+Q个点的过检测类QRS点数据样本，作为卷积神经网络模型的输入X；将所有心电信号以上述截取方法对R_place3中的所有元素进行截取，形成数据集U, 其中数据集U中的每个样本都是上述1*W维的初步筛选后的过检测类QRS点数据样本；

f.每一个截取的到的过检测类QRS点数据样本的标签的确定方法是将R_place3中的与过检测类QRS点数据样本相对应的元素依次与读取到的原始心电信号的QRS点矩阵ref做对比，如果R_place3中的元素与矩阵ref中的每一个元素的差都小于37，则判断该截取的到的过检测类QRS点数据样本的标签数据标签为1，反之为0；

4）通过卷积神经网络筛选QRS点坐标

a.搭建卷积神经网络模型

卷积神经网络的核心主要由三个依次串联的底层卷积层，一个LSTM层，四个Dense层和Activation层组成；

b.训练卷积神经网络参数

初始化所述卷积神经网络的参数，将采样好的数据集U随机抽取80%数目的样本当作训练集，数据集U的20%视为测试集；将训练集中的心电信号样本输入到初始化后的神经网络中，以最小化代价函数为目标进行迭代，生成所述卷积神经网络的参数并保存；在抽取训练集与测试集时，标签的元素也分别分配到相应的矩阵中，其中测试集的标签放入矩阵y_label中；

c.对测试集样本的自动识别

将划分测试集样本输入到卷积神经网络中并运行，获得测试集样本对应的2维预测值向量输出y_pred，然后选取2维预测向量输出的最大值的索引值作为该点是否是QRS点的预测类别，如果索引为1则测试集样本所对应矩阵R_place3的元素则判断为QRS点，反之则为非QRS点。