[發明專利]一種心律異常預測方法

在審

• 申請號: 202010146361.2
• 申請日: 2020-03-05
• 公開（公告）號: CN111329469A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 黃健;戴俊秀
• 申請（專利權）人: 廣州天嵌計算機科技有限公司
• 主分類號: A61B5/0402
• 分類號: A61B5/0402;A61B5/00;G06K9/62;G06N3/04
• 代理公司: 廣州云領專利代理事務所(普通合伙) 44441
• 代理人: 張蓮珍

本發明公開了一種心律異常預測方法，包括以下步驟：將ECG數據集分別通過多個CNN模型生成多個特征向量，并將多個特征向量堆疊形成輸入向量；將輸入向量通過多個RNN模型訓練獲得多個底層分類器；采用全連接神經網絡融合多個底層分類器預測ECG異常事件。本發明先采用多種CNN模型提取ECG數據的特征向量后組合成輸入向量，再采用RNN提取輸入向量中的時序信息，構成具有預測ECG異常能力的底層分類器，最后底層分類器再次預測ECG數據獲得預測結果，并采用全連接神經網絡將預測結果融合形成最佳的預測結果，進一步使預測結果更為精準。

技術領域

本發明屬于心電生理分析技術領域，具體涉及一種心律異常預測方法。

背景技術

心律失常是心血管疾病中重要的一組疾病，它可單獨發病，亦可與其他心血管病伴發，可突然發作而致猝死，亦可持續累及心臟而致其衰竭。因此，對心律的精準診斷與及時治療是應對心血管疾病的有效措施。目前，通過利用心電圖機從體表記錄心臟每一心動周期所產生的電活動，制成心電圖（ECG）用于檢測和診斷心律情況。然而，通過醫生對心電圖分析和判斷，容易受醫生的職業能力或經驗等主觀因素影響，同時數量龐大的心電圖影像會使醫生疲勞，導致工作效率較低。近年來，心律異常的計算機輔助診斷系統出現在學術研究和臨床實驗中，它能夠高效且精準地定位異常問題，受到廣大醫護人員青睞。

深度學習技術通過對處理后的ECG進行特征提取與選擇，分析并判斷心臟的運轉情況。因此，對ECG的特征提取效果直接決定了分類性能，目前主要方法模型有兩種，一種是采用卷積神經網絡（CNN）提取某段ECG數據后通入神經網絡進行預測判斷，另一種是采用循環神經網絡（RNN）對ECG數據進行預測判斷。只使用一個模型，或者使用一類模型對于ECG異常事件的預測雖然已經能有不錯的效果，但是對于一些特定的異常事件的預測，某一類模型可能會出現較大的誤判率。

發明內容

本發明的目的是為了解決上述單一模型對ECG數據預判容易出現誤判的技術問題，提供一種心率異常預測方法，采用多種不同模型預測ECG數據的異常情況，并采用全連接神經網絡模型將多種預測結果融合后生成最佳預測結果，使預測結果更真實地反映ECG數據情況。

為了解決上述問題，本發明按以下技術方案予以實現的：

本發明所述一種心律異常預測方法，包括以下步驟：

將ECG數據集分別通過多個CNN模型生成多個特征向量，并將多個特征向量堆疊形成輸入向量；

將輸入向量通過多個RNN模型訓練獲得多個底層分類器；

采用全連接神經網絡融合多個底層分類器預測ECG異常事件。

進一步地，所述將ECG數據集分別通過多個CNN模型生成多個特征向量，并將多個特征向量堆疊形成輸入向量具體為：

采用多個CNN模型提取ECG數據集的空間特征，得到多個相同維數的特征向量；

將多個特征向量在深度方向合并，形成輸入向量。

進一步地，所述CNN模型包括卷積層和池化層，所述卷積層用于提取ECG數據集的空間特征后形成特征圖，所述池化層用于對特征圖特征選擇和信息過濾后生成特征向量。

進一步地，所述將ECG數據集分別通過多個CNN模型生成多個特征向量，并將多個特征向量堆疊形成輸入向量之前包括獲取ECG數據集并對其預處理，具體為：

獲取醫療心電樣本；

對醫療心電樣本進行增強操作，并對其豎直翻轉后獲得ECG數據集。

進一步地，所述對原始心跳樣本的數據進行增強操作包括對醫療心電樣本數據進行隨機平移或加減。

進一步地，所述將輸入向量通過多個RNN模型訓練獲得多個底層分類器具體為：