[发明专利]基于频域滤波-多模态深度神经网络的组间房颤识别方法

权利要求书

1.基于频域滤波-多模态深度神经网络的组间房颤识别系统，它包括：

1)寻找心电信号的R点，对单导联心电信号样本进行单心拍检测

读入单导联的心电信号数据，将读入的单导联心电信号数据通过带通滤波器得到频域单导联心电信号数据，对得到的频域单导联心电信号数据进行希尔伯特变换取包络，然后取峰值，之后设置峰值阈值为最大峰值的75%，对寻找到的所有峰值进行筛选，选出所有可能的R点位置；

2)采用三种采样方式进行复合采样，生成多通道心电信号

a.对一个导联的心电信号，以R点为中心前后各取150个点，固定到维度300；

b.对一个导联的心电信号，以R点为中心前后各取300个点，再重采样到固定维度300；

c.对一个导联的心电信号，以R点为中心前后各取450个点，再重采样到固定维度300；

将上述三种采样方式所得的300维心电信号并排拼接，每导联心电信号由300*1维拼接成300*3维；将原始信号的每个导联数据都进行a,b,c操作，并排拼接成300*3*12维的心电信号样本X，其中12是指原始信号共计12个导联，作为深度神经网络模型的输入Input；

3)搭建神经网络模型

深度神经网络包括三个依次并联的导联通道，每一个导联通道由三个串联的底层卷积层单元组成，在每一路导联通道的输出端有一个合并层，将每一路导联通道的特征图沿深度方向合并，所述深度方向即tensorflow框架通用特征图存储形式的第三个维度方向；通过底层卷积层并合并后的输出结果，再输入到包含两个串联卷积层的高层融合卷积层结构；

每个所述底层和高层卷积层单元均包括一个卷积层以及该卷积层输出端依次串联的一激励单元操作和一池化层操作；所述卷积层单元使用的是一维卷积，用于提取一维心电信号特征；

在通过高层融合卷积层结构后的输出结果，串联attention层和LSTM层；LSTM层单元的输出串联一个激励单元为softmax的全连接层用于输出分析结果；

4)训练卷积神经网络的参数

初始化所述卷积神经网络参数，将所有整条心电信号数据集U划分为数据集U1和数据集U2，把数据集U1的样本作为训练集，把数据集U2的样本作为测试集；将训练集的心电信号样本输入到初始化后的神经网络中，以最小代价函数为目标进行迭代，生成所述卷积的神经网络的参数并保存；

5)对测试集样本进行自动识别。

2.根据权利要求1所述的基于频域滤波-多模态深度神经网络的组间房颤识别系统，其特征在于：

所述的搭建深度神经网络，当心电数据集拥有单导联时，输入信号维度为300*1；将用三种不同的采样方式得到的心电信号样本分别输入到3个底层卷积层中，其中每个底层卷积层包含三层卷积层单元，每个卷积层单元的输出端依次串联一激励单元操作和一池化层操作；第一个卷积层单元的卷积核数为8个，卷积核大小为16，卷积层单元后的激励单元为relu函数，池化层单元的池化核大小为2，池化步长为1；经过第一层池化单元后的特征图维度为300*8；第二个卷积层单元的卷积核数为16个，卷积核大小为32，卷积层单元后的激励单元为relu函数，池化层单元的池化核大小为2，池化步长为1；经过第二层池化单元后的特征图维度为300*16；第三个卷积层单元的卷积核数为32个，卷积核大小为8，卷积层单元后的激励单元为relu函数，池化层单元的池化核大小为2，池化步长为1；经过第三层池化单元后的特征图维度为300*32；

将三个通道单导联信号进行上述操作后最终输出的特征图拼接操作，形成维度为300*32*3的特征图，输入到高层融合卷积层，高层融合卷积层包含两层卷积层，三个通道的特征融合成一块，形成特征图维度为300*128。