[发明专利]一种基于DCGAN和深度神经网络方法的房颤识别方法

说明书

本发明公开了一种基于DCGAN和深度神经网络方法的房颤识别方法，具体包括以下步骤：步骤1：数据预处理：获取两个训练数据库；对每个导联心电图信号进行预处理；对每个导联的心电数据采用上下截止频率分别为0.1Hz、100Hz的fir滤波器进行滤波；读入12导联的心电信号的数据；将向量化后的数据进一步进行标准化处理，使浮点数据的值介于[‑1,1]范围内；步骤2：DCGAN的构造；步骤3：室性房颤识别。本发明涉及心电图异常检测技术领域。该种基于DCGAN和深度神经网络方法的房颤识别方法，解决了样本不均衡问题，以便获取更高质量的心电信号样本，为医生输出更准确的的评估数据。

技术领域

本发明涉及心电图异常检测技术领域，具体为一种基于DCGAN和深度神经网络方法的房颤识别方法。

背景技术

科学研究表面，全世界每年有数千万人死于心脏疾病，心脏疾病是在所有疾病中发病率最高、危害最大的疾病。心房颤动，简称房颤，是最常见的持续性心律失常心脏疾病。据统计，房颤的发病率为1％-2％，并且随着年龄的增长房颤的患病率也逐渐增加。心脏本身的疾病如心脏衰竭、瓣膜疾病、心肌梗死等与房颤疾病显著相关。实际上，房颤患者的症状多变且无特异性，因此从症状无法确定是否存在房颤发作，必须依赖心电学检测证实。

随着人工智能技术的发展，房颤信号的检测可以不再依赖于专业医生的经验判断，而使用人工智能技术中的机器学习以及深度学习算法让机器进行房颤信号的检测，提高了房颤检测的效率近年来。但是现有机器学习和深度学习模型多为数据驱动，研究者需要提供大量训练样本作为模型的支持。然而，目前难以获得高质量的心电信号分类样本。一方面，由于采集自临床的绝大部分心电信号属于正常信号，因此所建立的数据集中异常心电信号稀少，与正常心电信号比例 严重不均衡；另一方面，由于心电的类别需要由专业医生逐个心拍进行标注，因而获得大量的数据的成本很高。由于心电信号的特性，心电不能如同一般图片般通过旋转、对称等方式做数据扩增。样本不均衡和总样本量较少会导致所训练的深度学习模型性能不佳。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供了一种基于DCGAN和深度神经网络方法的房颤识别方法，解决了样本不均衡问题，以便获取更高质量的心电信号样本，为医生输出更准确的的评估数据。

（二）技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于DCGAN和深度神经网络方法的房颤识别方法，具体包括以下步骤：

步骤1：数据预处理：

步骤1.1、获取两个训练数据库：其中训练数据库1为已知房颤的心电数据，训练库数据2为采集到的心电信号数据；

步骤1.2、对每个导联心电图信号进行预处理，以滤除基线漂移、工频干扰噪音，将除噪后的心电信号重采样至某一固定采样率，之后再通过斜率、幅度和宽度的数字分析来定位QRS复合波，最后再从完整的ECG信号中以R峰为中心进行分割提取单个心拍，通过对单个心拍的截取，取得测量时间在8秒以上的原始心电图波形数据、心电图附加信息；

步骤1.3、对每个导联的心电数据采用上下截止频率分别为0.1Hz、100Hz的fir滤波器进行滤波，如果心电信号采样频率不是500Hz时，则采用最邻近内插法将心电信号重采样为 500Hz，最终生成12导联的心电信号样本；

步骤1.4、读入12导联的心电信号的数据，对每个导联心电信号根据同一时刻R波顶点的位置向前截取P个点，向后截取Q个点，每个导联的每个心拍截取W=P+Q个点的数据，相同时刻R波顶点每个导联所截取心电信号的W个点进行第二维度拼接，此时心电信号由1*W维扩增为12*W维，将原始每个心拍的心电信号的数据处理成上述12*W维的浮点数向量；

步骤1.5、将向量化后的数据进一步进行标准化处理，使浮点数据的值介于[-1,1]范围内；

步骤2：DCGAN的构造：