[发明专利]基于机器学习的静息心电分析方法

说明书

本公开涉及基于机器学习的静息心电分析方法，包括：获取心电波形数据；构建卷积神经网络算法模型，所述卷积神经网络算法模型包括数据分帧一卷积层，所述卷积层为深度可分离卷积结构，且其卷积核宽度为25，步长为2，组数为12；所述卷积层之后为一池化层，所述池化层连接4个密集连接块，各个所述密集连接块之间通过一过渡层连接；所述心电波形数据在经过最后一个所述密集连接层后通过所述池化层进行特征向量化；将经过特征向量化的特征向量输入预先训练的分类器进行分类，所述分类器至少包括表征心率失常的分类器及表征窦性心律的分类器。本发明提供的基于机器学习的静息心电分析方法，可实现对静息心电数据的正常或异常的识别准确率提升到93.15％。

技术领域

本发明涉及一种信息处理方法，特别是涉及一种基于机器学习的静息心电分析方法。

背景技术

心电图是医生进行心血管疾病诊断治疗的主要依据之一。随着科技的发展，基于心电图的自动分析技术已被广泛地应用于心脏疾病的检测和诊断。诊断算法能从心电信号中筛查出少部分关键的异常片段，并给出辅助诊断结论，从而降低医生的工作强度并提高诊断精度。尤其对于心电的实时监控，算法可以做到24h在线，有极大的应用价值。传统的诊断算法主要包括特征提取与特征分类或回归两个步骤。早期特征提取方法主要提取波形特征，如R波，QRS波群等，根据波形计算RR间期等生理参数特征，最终将提取到的特征输入分类器进行分类，此类方法对心律失常疾病识别有不错的效果。后来的方法在此基础上，于特征提取环节增加了时频、形态学、小波系数、高阶谱、多谱等特征，使得算法对心律失常分类精度有很大的提高。总体来说，这类方法的特征主要为人工设计，应用于复杂的心电数据分析就很不充足，而且相对误差较大。

发明内容

鉴于现有技术存在的上述问题，本发明的目的在于提供一种能够快速对心电数据进行分类分析的基于机器学习的静息心电分析方法。

为了实现上述目的，本发明提供的基于机器学习的静息心电分析方法，包括：

获取心电波形数据；

构建卷积神经网络算法模型，所述卷积神经网络算法模型包括数据分帧一卷积层，所述卷积层为深度可分离卷积结构，且其卷积核宽度为25，步长为2，组数为12；所述卷积层之后为一池化层，所述池化层连接4个密集连接块(Dense Block)，各个所述密集连接块之间通过一过渡层(Transition Layer)连接；所述心电波形数据在经过最后一个所述密集连接层后通过所述池化层进行特征向量化；

将经过特征向量化的特征向量输入预先训练的分类器进行分类，所述分类器至少包括表征心率失常的分类器及表征窦性心律的分类器。

作为优选，获取心电波形数据之后，还包括数据预处理步骤，该步骤包括：1)针对所述心电波形数据进行上限截止频率为35Hz的低通滤波处理；和/或，2)对使用下限截止频率为0.5Hz的高通滤波处理。

作为优选，获取心电波形数据的采样频率为360Hz，在进行所述数据预处理时还包括对心电信号进行小波分解。

作为优选，在进行所述数据预处理时，还包括根据R波位置对心电信号进行分割。

作为优选，所述卷积层为3个连续操作的复合函数：批规范化处理(BN)，修正线性单元(ReLU)和核大小为1×13的卷积操作(Conv)。

作为优选，所述密集连接块为多个核大小1×1与1×13卷积层的卷积核组，所述卷积核组在4个所述密集连接块中的数目分别为6，12，24和16，并且设置特征图的增长速率为12。

作为优选，所述过渡层为核大小由1×1的卷积层连接一个步长为1×5平均池化层组成的。

作为优选，在获取心电波形数据之后，还包括数据分帧步骤。

作为优选，在进行特征向量化时，采用全局池化方式和/或采用LSTM循环神经网络。