[发明专利]一种基于卷积神经网络的多导联心电信号分类方法

说明书

本发明公开了一种基于卷积神经网络的多导联心电信号分类方法，包括以下步骤：（1）获取中国心血管疾病数据库CCDD并进行数据预处理；（2）构建卷积神经网络，其包括两个重要组成部分，分别为全局特征的提取和局部特征的提取，全局特征提取部分利用不同的卷积核以不同的方式将多导联心电信号进行了融合，局部特征提取部分利用注意力网络学习了不同导联心电信号对于分类任务的不同重要性；（3）训练模型并优化超参数；（4）利用测试数据集来评估模型的性能，判断分类的准确性。本发明的一种基于卷积神经网络的多导联心电信号分类方法，学习了不同导联的不同重要性，有效融合了不同导联的心电信号，提高了分类的准确性，有效辅助医生诊断。

技术领域

本发明涉及与医疗有关的心电信号异常检测领域，特别涉及一种基于卷积神经网络的多导联心电信号分类方法。

背景技术

心电图是一种用来记录和监测心脏电活动的信号，它可以用来观察心跳的规律，并帮助诊断心脏病，如心律失常，缺血性心脏病，心肌梗死等。随着技术的发展，不仅有基于单导联的心电信号，还有大量基于多导联的心电信号，能够更全面的监测心脏的状况。然而，在用心电图进行长期监护的情形下，人工检查就显得非常耗时和枯燥。在每天产生大量数据的体检中心，医生大部分时间都在区分正常和异常心电图，而无法集中精力分析异常心电图。所以利用计算机辅助进行心电信号的正常、异常分类，让医生有足够的精力和时间分析异常的心电信号变得尤为重要。

目前，已经有很多基于单导联信号的心电信号分类方法，然而单导联的信号只能反映心脏一部分的电活动，如V1和V2导联记录的是右心室的电活动，而V5和V6记录的是左心室的电活动。为了更准确的进行心电信号分类，应当更多的关注基于多导联信号的心电信号分类。不同于单导联信号，基于多导联信号的方法必须要同时考虑不同导联的信号情况。因此，在这项任务中，无论是基于传统的方法还是基于深度学习的方法，如何有效的提取和融合不同导联的特征都是一个关键的问题。而这一问题目前并没有得到有效的解决，虽然已经有许多基于多导联心电信号的方法被提出，但它们都忽略了不同导联信号对心电信号分类的不同影响。在进行心电信号分类时，虽然各个导联的信号都有用，但它们并不是同等重要的，某些导联的信号往往能够提供更为关键的信息，在心电信号分类中起到更加重要的作用。所以在对各个导联的信号所提供的特征信息进行融合时，应考虑不同导联的不同重要性，而目前的技术并没有考虑到这一关键问题,故此，我们提出了一种基于卷积神经网络的多导联心电信号分类方法。

发明内容

本发明的主要目的在于提供一种基于卷积神经网络的多导联心电信号分类方法，可以有效解决背景技术中的问题。

为实现上述目的，本发明采取的技术方案为：

一种基于卷积神经网络的多导联心电信号分类方法，包括以下步骤：

步骤一、从中国心血管疾病数据库CCDD中获取12导联的数据，所述数据库中每条心电图记录均来自临床，持续时间为10～20s，采样频率为500Hz，诊断结论由心脏科医生给出，然后进行以下步骤的数据预处理；

a.去除时长不足9.625s以及记录结论为空或无效的心电图，然后将记录结论为“0x0101”或“0x020101”或“0x020102”的心电图标注为正常样本，其他则为异常样本；

b.对ECG数据进行低通滤波，然后下采样到200Hz；

c.跳过开始的25个采样点,取中间的1900个点的数据作为原始数据，由于12导联的数据有8个为基本导联，而其他4个导联可由基本导联推导得出，所以本发明只保留了8个基本导联的数据，即II,III,V1,V2,V3,V4, V5,V6导联的数据；