[發(fā)明專利]一種基于深度學(xué)習(xí)的心電信號(hào)分類診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910164534.0
• 申請(qǐng)日: 2019-03-05
• 公開（公告）號(hào): CN109893118A
• 公開（公告）日: 2019-06-18
• 發(fā)明（設(shè)計(jì)）人: 張捷;李博豪;向可馨;施雪港;范賜恩;鄒煉
• 申請(qǐng)（專利權(quán)）人: 武漢大學(xué)
• 主分類號(hào): A61B5/0402
• 分類號(hào): A61B5/0402
• 代理公司: 武漢科皓知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 薛玲

1.一種基于深度學(xué)習(xí)的心電信號(hào)分類診斷方法，其特征在于，包括：

步驟1：利用心電采集設(shè)備對(duì)左上肢和右上肢之間的心電信號(hào)進(jìn)行采集得到原始心電信號(hào)；

步驟2：將原始心電信號(hào)進(jìn)行預(yù)處理得到去噪后心電信號(hào)，提取去噪后心電信號(hào)的特征波；

步驟3：將心電信號(hào)的特征波進(jìn)行四階多貝西小波的小波變換，將小波系數(shù)按照一定規(guī)律構(gòu)建變換矩陣；

步驟4：將變換矩陣視為心電信號(hào)的特征波對(duì)應(yīng)的時(shí)頻圖，傳入深度學(xué)習(xí)模塊，得到心電信號(hào)采集者可能患有的疾病。

2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的心電信號(hào)分類診斷方法，其特征在于：步驟1中所述原始心電信號(hào)為s_orig＝[a₁,a₂,…,a_N]，其中N為采集的樣本數(shù)。

3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的心電信號(hào)分類診斷方法，其特征在于：步驟2中所述原始心電信號(hào)進(jìn)行預(yù)處理得到去噪后心電信號(hào)為：

將原始心電信號(hào)s_orig＝[a₁,a₂,…,a_N]，其中N為采集的樣本數(shù)輸入至6階巴特沃斯低通濾波器，濾除原始心電信號(hào)的高頻噪聲，得到去噪后心電信號(hào)s_denois＝_e[b₁,b₂,…,b_N]；

步驟2中所述提取去噪后心電信號(hào)的特征波s_feature為：

利用提出的快速檢測(cè)心電信號(hào)中qrs波群的算法，提取s_denoise＝[b₁,b₂,…,b_N]中的R波并計(jì)算第n段心電信號(hào)s_denoise中R波的總數(shù)量K_n，n為R波心電信號(hào)的序號(hào)，n∈[1,M]，M為R波段的數(shù)量；

在心電信號(hào)采樣時(shí)間t分鐘內(nèi)，依據(jù)相關(guān)醫(yī)學(xué)知識(shí)，每段心電信號(hào)s_denoise中R波數(shù)量K_n應(yīng)該在50t≤Kn≤100t范圍內(nèi)，對(duì)經(jīng)過提取特征波后心電信號(hào)進(jìn)行初步檢測(cè)，K_n＞100t或K_n＜50t的R波可認(rèn)為是噪聲信號(hào)或受噪聲影響過大的心電信號(hào)，用全0序列代替第n段心電信號(hào)s_denoise；

依據(jù)第n段心電信號(hào)s_denoise中R波的總數(shù)量K_n對(duì)心電信號(hào)s_denoise提取特征波s_feature，提取特征波過程如下：

若第n段心電信號(hào)s_denoise為非0序列，則在不超出信號(hào)長(zhǎng)度范圍內(nèi)，選擇位于第n段心電信號(hào)s_denoise中部的R峰峰值點(diǎn)，并以該點(diǎn)為中心，分別從左右各取一定數(shù)量的信號(hào)點(diǎn)作為該心電信號(hào)的特征波，為了更好體現(xiàn)信號(hào)的特征和降低計(jì)算量，選取的特征波長(zhǎng)度L包含正常心率下的四個(gè)完整心跳波形；

若第n段心電信號(hào)s_denoise為0序列，則用長(zhǎng)度L的0序列作為這類信號(hào)的特征波。

4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的心電信號(hào)分類診斷方法，其特征在于：步驟3中所述心電信號(hào)的特征s_feature進(jìn)行四階多貝西小波的小波變換為：

將特稱波s_feature用mallet算法對(duì)信號(hào)進(jìn)行小波分析，使用四階多貝西小波對(duì)特征波進(jìn)行尺度為f/60-0.6f的小波變換，其中f為采樣頻率，提取信號(hào)的小波系數(shù)，得到相應(yīng)變換后的小波系數(shù)λ_d，d∈[1,D]；

步驟3中所述將小波系數(shù)按照一定規(guī)律存放在矩陣中為：

特征波s_feature不同尺度的小波變換后的系數(shù)λ₁，λ₂，...，λ_D，按照順序放入矩陣的每一行中，得到每一個(gè)特征波s_feature所對(duì)應(yīng)的變換矩陣A＝[λ₁，λ₂，...，λ_D]。

5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的心電信號(hào)分類診斷方法，其特征在于：步驟4中所述傳入深度學(xué)習(xí)模塊，得到心電信號(hào)采集者可能患有的疾病：

將變換矩陣視為特征波s_feature對(duì)應(yīng)的時(shí)頻圖；

每一個(gè)特征波s_feature所對(duì)應(yīng)的變換矩陣A＝[λ₁，λ₂，...，λ_D]采用ResNet-34模型，利用該網(wǎng)絡(luò)可以獲得原始心電信號(hào)s_orig＝[a₁,a₂,…,a_N]的采集者可能患有的疾病和可能性的大小,每種疾病患病的可能性由softmax函數(shù)計(jì)算得到，當(dāng)可能性大于設(shè)定閾值時(shí)即可認(rèn)為信號(hào)采集者患有該種疾病。