[发明专利]一种心电信号分类方法及装置

说明书

技术领域

本发明涉及心电分析技术领域，特别涉及一种心电信号分类方法及装置。

背景技术

心率失常是人群中的常见现象，严重的心率失常会立即威胁人类的生命，因此及时的检测出心律失常，对预防心脏病和心脏猝死的发生具有重大的意义。在心电信息中P波(心电图检查时，左右心房除极时产生的波形)、QPS波(正常心电图中幅度最大的波群)与T波(上个波群暂停之后出现的波，代表着心室的复极以备下一次心室的除极)是心电信号的重要特征波，他们的特征变化信息是心脏病理分析和诊断的重要依据。因此准确提取QRS波群的特征信息是心电分析的重要基础。

目前，国内外已经有很多心电信号心律失常分类算法，例如：

李坤阳等运用数学形态学和小波变换算法检测心电波形的QRS波形态特征，包括RR间期、QRS波时限等参数，结合医生识读心电图的判别依据，将心拍进行四分类主导性心拍、室上性异常心拍、室性异常心拍和其他心拍，利用MIT-BIH(由美国麻省理工学院提供的研究心律失常的数据库)心律失常数据库检验分类准确率达到94.2％；

Philip de Chazal等基于心电波形的形态和间期提取了12个特征向量，构造线性分类模型进行训练和测试，将心拍分为5类，测试结果真阳性率为81.9％；

Guleral对心电信号进行四个尺度的离散小波变换后,将小波系数的统计量作为心电特征参数，采用两级组合的多层感知器网络实现对四类心电信号的分类，正确识别率达到96.94％；

Osowski提出一种模糊混合神经网络分类器，即将模糊自组织层与MLP(Multi-layer Perceptron，多层感知器)网络进行级联，对七类心电信号进行分类，平均正确识别率达到了96％；

有文献将基于高阶统计量特征和SVM(Support Vector Machine，支持向量机)的神经网络分类器，与基于Herrnite变换特征和SVM的神经网络分类器通过权重投票集成为一个专家系统，对13类心律失常信号进行分类识别；

在国内，曹玉珍在对心电图进行离散小波变换获得特征空间的基础上，对特征空问进行搜索得到不同维数下的优化特征组合，通过研究这些优化特征组合的散度值随维数的变化趋势确定特征向量的构成，最后运用BP神经网络进行分类，对四类心电图的分类正确率达到93.9％。

刘世雄提出对心电信号首先采用小波检测算法精确定位QRS波，然后由每个QRS波群提取26个典型特征组成特征向量，最后采用加入法结合基于目标函数的模糊聚类方法进行分类；

骆德汉运用多阶前馈人工神经网络对6类心电图进行识别，其中二阶神经网络的正确率达到90.57％。

综上所述，现有的心电信号心律失常分类算法至少存在如下问题：基于形态的方法较为简单和直观，但是特征值较少，分类类型有限，且心电图形态对噪声非常敏感。而各种变换域和统计方法对心律失常类型的定义比较混乱，分类结果和效果也各不相同。而且，现有技术中还没有通过深度学习进行心电信号分类的方法。

发明内容

本发明提供了一种心电信号分类方法及装置，旨在解决现有的心电信号心律失常分类方法分类类型有限，对心律失常类型的定义混乱，且没有通过深度学习进行心电信号分类的技术问题。

为了解决上述问题，本发明提供了如下技术方案：

一种心电信号分类方法，包括：

步骤a：对心电信号进行分割，分别得到训练集数据和测试集数据；

步骤b：通过深度学习对所述训练集数据进行模型训练，构建预测分类模型；

步骤c：通过所述预测分类模型对所述测试集数据进行心电信号分类。

本发明实施例采取的技术方案还包括：所述步骤a中在对心电信号进行分割步骤之前还包括：对所述心电信号进行去噪处理；所述对心电信号进行去噪处理具体为：通过小波变换对心电信号进行去噪处理。

本发明实施例采取的技术方案还包括：所述通过小波变换对心电信号进行去噪具体包括：

步骤a1：对心电信号进行提升小波分解，使所含噪声分布在不同的分解子带上；

步骤a2：根据不同分解子带上的心电信号及其噪声特点，设定每一层小波系数的加权系数阈值，对不同分解子带上的心电信号进行权重处理设定每一层小波系数；

步骤a3：对权重处理后的心电信号进行重构，得到干净的心电信号。