[發(fā)明專利]一種多維度ECG信號智能診斷系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201910329005.1
• 申請日: 2019-04-23
• 公開（公告）號: CN109907753B
• 公開（公告）日: 2022-07-26
• 發(fā)明（設(shè)計）人: 閤蘭花;唐繼斐
• 申請（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號: A61B5/318
• 分類號: A61B5/318;A61B5/00;G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06N20/20
• 代理公司: 浙江千克知識產(chǎn)權(quán)代理有限公司 33246
• 代理人: 周希良

1.一種多維度ECG信號智能診斷系統(tǒng)，其特征在于，包括特征提取模塊、機器學(xué)習(xí)診斷網(wǎng)絡(luò)集群模塊和綜合評估模塊，

所述特征提取模塊用于提取ECG信號包括數(shù)值特征與形態(tài)特征在內(nèi)的多維度特征；所述機器學(xué)習(xí)診斷網(wǎng)絡(luò)集群模塊用于對ECG信號的多維度特征進行智能診斷，并獲得每一類疾病所對應(yīng)的分類量化概率；所述綜合評估模塊用于根據(jù)每一類疾病的分類量化概率進行加權(quán)平均，綜合評估得出最終的ECG診斷結(jié)果；

所述特征提取模塊包括數(shù)值特征提取模塊和形態(tài)特征提取模塊，所述數(shù)值特征提取模塊包括CEEMD信號分解模塊和信息熵計算模塊，其中，信號分解模塊用于將降噪預(yù)處理后的ECG信號通過CEEMD算法分解為多個IMF分量；信息熵計算模塊則用于計算分解后的各IMF分量的信息熵；CEEMD分解過程如下：

①在ECG信號原始采集數(shù)據(jù)x(n)中加入k組輔助白噪聲序列N^k(n)，其標準差為ε，于是當前信號表示為

x^k(n)＝x(n)+N^k(n) (1)

②對于加入白噪聲的k組信號序列x(n)+ε₀N^k(n)進行CEEMD分解，對分解后的多組IMF1分量進行平均計算，獲得第一組IMF1分量，即：

③計算CEEMD信號分解的殘余量

④對殘余量r₁(n)再次加入白噪聲，將生成的r₁(n)+ε₁N^k(n)作為新信號進行CEEMD分解，經(jīng)過一次EMD分解后，獲取原信號第二組IMF2分量，其中E₁表示進行一次EMD分解計算，

⑤以此類推，不斷將信號分解后的殘余信號作為新的信號，重復(fù)步驟④的計算，將信號一步步分解為多個信號分量，即：

其中，E表示對本階段殘余信號組成的新信號序列進行EMD分解計算；第i次分解過后的信號殘余量表示為：

r_i(n)＝r_(i-1)(n)-IMF_i(n) (6)

⑥為每一層分解獲得的信號分量序列計算幅度絕對值以及過零檢測計數(shù)；

⑦重復(fù)上述計算步驟，直至本次分解獲得的信號分量幅度絕對值以及過零檢測計數(shù)均小于設(shè)定閾值；

信號信息熵特征提取過程如下：

對于分解后的各個IMF分量，由信息熵計算模塊對其進行特征提取；

設(shè)E＝{E₁，E₂...E_n}為信號經(jīng)過CEEMD分解后的n個分量的能量，則為第i個分量在整個信號中所占的能量比值；每個IMF分量的信息熵計算如下：

H(IMF_i)＝-P_i*ln(P_i) (7)；

所述形態(tài)特征提取模塊包括二維ECG圖像建立與2-D CNN網(wǎng)絡(luò)分析模塊，其中，二維ECG圖像建立模塊用于對預(yù)處理后的ECG信號按正常平均心率周期進行分割，并建立“歸一化幅度—時間”二維ECG圖像；

2-D CNN網(wǎng)絡(luò)分析模塊用于對“歸一化幅度—時間”二維ECG圖像進行特征提取，模塊內(nèi)的2-D CNN網(wǎng)絡(luò)包括3個卷積—池化層、Dropout層以及全連接特征輸出層，其中池化層選擇Max-pooling方式，全連接特征輸出層之前的各層均使用ReLu作為激活函數(shù)；

所述機器學(xué)習(xí)診斷網(wǎng)絡(luò)集群模塊包括形態(tài)特征診斷模塊以及數(shù)值特征集成學(xué)習(xí)診斷模塊：

數(shù)值特征集成學(xué)習(xí)診斷模塊以CEEMD分解后的各IMF分量信息熵計算結(jié)果作為輸入特征向量，調(diào)用模塊內(nèi)的機器學(xué)習(xí)診斷網(wǎng)絡(luò)對ECG信號進行診斷與分類；

所述數(shù)值特征集成學(xué)習(xí)診斷模塊由子學(xué)習(xí)器網(wǎng)絡(luò)集群與集成學(xué)習(xí)器兩部分組成：子學(xué)習(xí)器網(wǎng)絡(luò)集群由徑向基函數(shù)為核函數(shù)的支持向量機分類器RBF-SVC1、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)RBF-NN以及自適應(yīng)模糊神經(jīng)推理系統(tǒng)ANFIS組成，負責對輸入特征向量進行獨立的診斷與分類，并以信號分類量化概率作為其各自的網(wǎng)絡(luò)輸出，集成學(xué)習(xí)器由Logistic回歸網(wǎng)絡(luò)組成，以子學(xué)習(xí)器網(wǎng)絡(luò)集群輸出的量化概率結(jié)果作為輸入特征向量，在對其進行二次學(xué)習(xí)的基礎(chǔ)上，輸出ECG信號的分類量化概率結(jié)果；

形態(tài)特征診斷模塊將所建立2-D CNN網(wǎng)絡(luò)所提取的二維ECG“歸一化幅度—時間”圖像特征作為輸入向量，建立RBF-SVC2分類器對其進行診斷與分類，同樣以ECG信號的分類量化概率作為網(wǎng)絡(luò)輸出，

其中，上述各網(wǎng)絡(luò)對ECG信號分類模型基于AAMI標準，將ECG信號分為“N、S、V、F、Q”五類。

2.根據(jù)權(quán)利要求1所述的多維度ECG信號智能診斷系統(tǒng)，其特征在于，

所述綜合評估模塊以機器學(xué)習(xí)診斷網(wǎng)絡(luò)集群模塊中的RBF-SVC2分類器和Logistic回歸網(wǎng)絡(luò)所獲得的每一類疾病的分類量化概率為輸入，針對二者在測試數(shù)據(jù)集中對于不同類型ECG信號分類準確率為依據(jù)，為其設(shè)置權(quán)重，權(quán)重之和為1，進而對當前診斷輸出患病概率值進行加權(quán)平均計算，加權(quán)平均計算輸出概率最高的ECG信號分類作為最終的系統(tǒng)分類結(jié)果。