[發明專利]一種基于導聯深度神經網絡的自動心律失常分析方法

有效

• 申請號: 201810451726.5
• 申請日: 2018-05-12
• 公開（公告）號: CN108720831B
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 臧睦君;危義民;劉通;鄒海林;柳嬋娟;周樹森;賈世祥
• 申請（專利權）人: 魯東大學
• 主分類號: A61B5/352
• 分類號: A61B5/352;A61B5/318;G06K9/62
• 代理公司: 長春市東師專利事務所 22202
• 代理人: 張鐵生;劉延軍

1. 一種基于導聯深度神經網絡的自動心律失常分析方法，它包括：

1）采用三種采樣方式進行復合采樣，生成多通道心電圖樣本

a.對每個導聯的心電信號，心拍前后各取100個點再重采樣到固定維度600的向量；

b.對每個導聯的心電信號，心拍前取2個周期的R-R波區間，后取1個周期的R-R波區間，再重采樣到固定維度600的向量；

c.對每個導聯的心電信號，心拍前取2個周期的R-R波區間并重采樣到300維的向量，后取1個周期的R-R波區間并重采樣到300維的向量，最后將前后重采樣的信號拼接形成600維信號；

將上述三種采樣方式所得的600維心電信號沿第二個維度向量拼接，每導聯心電信號由600*1維擴增為600*3維，此時的3為該導聯心電信號的通道數；原始心電信號有2個導聯時，此時的心電信號共有600*6維,以600維的向量為一個通道的心電信號，則等效于將原始每個導聯的心電數據經過所述復合采樣方式形成6個600*1維的心電信號樣本X，作為深度神經網絡模型的輸入Input；

2)搭建深度神經網絡

深度神經網絡包括多個依次串聯的卷積層單元和LSTM層單元，且在卷積層單元和LSTM層單元間有attention層作為連接單元；每個所述卷積層單元包括一個卷積層以及該卷積層輸出端依次串聯的一激勵單元操作和一池化層操作；所述卷積層單元使用的是一維卷積，用于提取一維心電信號的特征；

合并各個通道的心電信號X，作為輸入信號輸入到串聯的卷積層單元中；

LSTM層單元的輸出串聯一個激勵單元為softmax的全連接層；輸出；

3）學習深度神經網絡的參數；

4）對樣本進行自動識別。

2.根據權利要求1所述的一種基于導聯深度神經網絡的自動心律失常分析方法，其特征在于：

所述的搭建深度神經網絡，當心電數據集擁有兩導聯信號時，輸入信號維度為6*600*1；將輸入信號中每一個600*1維的信號輸入到串聯的兩層卷積層單元中；每一路導聯通道中每一層卷積層單元的輸出端依次串聯一激勵單元操作和一池化層操作；第一個卷積層單元的卷積核數為32個，卷積核大小為4，其后的激勵單元為relu函數，池化層單元的池化核大小為6，池化步長為3；經過第一層池化單元后的特征圖維度為200*32；第二個卷積層單元的卷積核數為64個，卷積核大小為5，其后的激勵單元為relu函數，池化層單元的池化核大小為6，池化步長為3；經過第二層池化單元后的特征圖維度為67*64。

3.根據權利要求2所述的一種基于導聯深度神經網絡的自動心律失常分析方法，其特征在于：所述的深度神經網絡為兩個依次串聯的卷積層單元和LSTM層單元；

每一路導聯通道中兩層卷積層單元的輸出通過合并層沿最后一個維度合并，即合并輸出特征圖的深度所在維度,合并后的特征圖大小為67*384；

合并層后串聯一個attention單元，attention單元構造了一個維度同樣為67*384的權重矩陣與卷積后的特征圖對應元素點乘，加權后的特征圖輸出維度為67*384；

將加權后的特征圖輸入到LSTM層單元中，取LSTM層單元的隱藏層數為128，LSTM層單元輸出特征圖維度為128；

LSTM層單元的輸出串聯一個激勵單元為softmax的全連接層，全連接層的層數為4，即類別數；

最終所述深度神經網絡模型輸出預測向量維度。

4.根據權利要求3所述的一種基于導聯深度神經網絡的自動心律失常分析方法，其特征在于：所述的深度神經網絡輸出的預測向量維度為4；使用keras開源框架和python語言搭建，使用交叉熵作為損失函數，使用Adam優化器優化損失函數。