[发明专利]单导联心电信号房颤自动检测方法

说明书

本发明公开了一种单导联心电信号房颤自动检测方法，它包括：1）提取原始心电信号的R波顶点；2）截取心拍心电数据，生成心拍心电信号样本；3）搭建心拍心电信号的卷积神经网络模型；4）训练卷积神经网络的参数；5）对测试集样本进行自动识别；运用现代的卷积神经网络算法对心拍心电数据进行底层卷积，随后对心拍心电数据底层卷积所得到的特征进一步进行高维特征的高层融合，得到最终特征进而输入到分类器进行分类得到心拍心电数据分类结果。然后通过对每一条单导联心电信号的所有心拍心电数据分类结果进行处理，得到单导联心电信号的预测类别；此方法对单导联心电信号的识别得到了较高的准确率；其中房颤信号的识别的准确率可达到99.84%。

技术领域

本发明涉及医学信号处理技术领域,更确切地说一种单导联心电信号房颤自动检测方法。

背景技术

心房颤动，简称房颤，是由于心脏发生病变，其他功能性问题或者不良生活习惯而产生的一种常见的心律失常疾病。房颤主要分为四种类型：初发性房颤、阵发性房颤、持续性房颤和永久性房颤。这四种类型的房颤虽然不会立即危及患者生命健康， 但是会增加许多疾病的发病率和死亡率。而准确高效的检测到房颤并基于治疗可以在很大程度上减少其他疾病的发病率和死亡率。这也是房颤检测的意义所在。而心电信号检测是检测和诊断房颤的最有效手段之一。

目前，随着人工智能的崛起和大数据时代的来临，计算机辅助诊断系统已经成为心医学临床检测和诊断的最快速有效的分析手段。尤其是在20世纪90年代人工神经网络的快速发展，使得计算机辅助诊断系统的准确率得到很大提升。在通过心电信号诊断方面，计算机辅助系统通过人工设计的特征提取方式来自动提取心电信号有效特征，并将有效特征送入分类器来诊断当前心电信号是否是房颤心电信号。在这个过程中，有效特征的提取是一个很大的难点，有效特征的提取直接影响到了分类器诊断的准确性。而目前的神经网络通过自动分析提取不同有效特征并进行分类最后根据结果来得到最好的有效特征提取方式，在很大程度上解决这一问题。并且神经网络可以提取到许多人工无法识别的特征，帮助医生更好的对心电图进行分类。

发明内容

本发明的目的是为解决传统机器学习框架对房颤信号检测的准确率低，特征提取不完全，泛化能力差的问题，而提供一种单导联心电信号房颤自动检测方法。

单导联心电信号房颤自动检测方法，它包括：

1）提取原始心电信号的R波顶点。

读取单导联心电信号数据，对单导联心电信号进行切比雪夫型带通滤波，得到去噪信号x0。

对去噪信号x0求希尔伯特变换，得到变换后信号x1，对变换后信号x1取绝对值，得到去噪信号的包络信号x2。识别包络信号矩阵x2波峰点，并将包络信号矩阵x2的波峰点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。

取矩阵H_place1中最大的七个元素的和减去矩阵H_place1中最小的十个元素的和得到数值t。

t乘以0.25等于硬阈值thr。然后去除矩阵H_place1中元素值小于thr的元素以及对应矩阵R_place1下标下的元素，完成R波顶点的硬阈值筛选，矩阵R_place1的有元素即为该条单导联心电信号的R波顶点。而每一个R波顶点代表一个单个心拍。

2）截取心拍心电数据，生成心拍心电信号样本

读取单导联心电信号数据，通过对单导联心电信号数据的每一个R波顶点的位置向前截取P个点，其中向前截取的时候需要将R点截取在内，向后截取Q个点，这里截取点数W = P+Q，则每个R波顶点截取W个点的数据，完成对心拍心电数据的截取，截取的W个点的数据作为卷积神经网络模型的输入X，而每个心拍心电数据的标签与该单导联心电信号数据的标签相同。