[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

说明书

本发明公开了一种基于频域滤波‑多模态深度神经网络的组间房颤识别方法，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；2)采用三种采样方式进行复合采样，生成多通道心电信号；3)搭建神经网络模型；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；解决了传统机器学习框架由于心电图因信息管理系统的病理变化或患者年龄、性别的不同而不同，泛化能力较弱的问题。

技术领域

本发明涉及医学信号处理技术领域，更确切地说，一种基于频域滤波-多模态深度神经网络的组间房颤识别方法。

背景技术

近些年，随着信息领域科技的进步，特别是模式识别技术的发展，计算机辅助诊断系统因其快速、可靠的分析手段，已成为最有前景的临床诊断解决方案。通过当今先进的硬件设施，我们可以容易地得到病人的心电信号，即人们所说的心电图。临床上心脏疾病的预防和诊断主要依靠临床医生对心电图的主观经验判断，然而手动或目视检查在长连续心电图节拍中推断这些细微的形态学变化的过程，是费时并且容易因疲劳而发生错误。因此，实时计算机辅助诊断系统是必不可少的，可以帮助医生实时监测病人的病况，克服这些对心电图信号的评估限制。

用计算机辅助的诊断系统可以对心电图中的信息进行实时的分析进而得到有用的信息。通过提取表征了心电图有效信息的特征向量，输入到分类器算法得到心拍的类别，进而判断心拍有无心血管疾病。工作在计算机硬件上的心拍自动识别系统，是该类设备的核心。技术途径是提取能够表征心电图有效信息的特征向量，将其输入到分类器算法，得到心拍的类别，进而判断心拍是否发生了房颤。在特征提取这一步骤中技术难点是形态学特征的提取，是否能够合理的特征提取将会直接影响结果的准确性和可靠性。因此，本发明采取多种采样方式构成特征向量输入到分类器，经处理后输出分类结果，给出实时提取的心拍是属于健康心拍，还是房颤心拍，医生在此基础上进行更深层次的诊断。

发明内容

本发明的目的是为解决传统机器学习框架由于心电图因信息管理系统的病理变化或患者年龄、性别的不同而不同，泛化能力较弱的问题，而提供一种基于频域滤波-多模态深度神经网络的组间房颤识别方法。

基于频域滤波-多模态深度神经网络的组间房颤识别方法，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