[發(fā)明專利]一種可穿戴式個(gè)體心電檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010662145.3
• 申請(qǐng)日: 2020-07-10
• 公開（公告）號(hào): CN111759302A
• 公開（公告）日: 2020-10-13
• 發(fā)明（設(shè)計(jì)）人: 梁瑋
• 申請(qǐng)（專利權(quán)）人: 齊魯工業(yè)大學(xué)
• 主分類號(hào): A61B5/0402
• 分類號(hào): A61B5/0402;A61B5/00
• 代理公司: 濟(jì)南克雷姆專利代理事務(wù)所(普通合伙) 37279
• 代理人: 楊婷

本發(fā)明屬于心電檢測(cè)技術(shù)領(lǐng)域，具體涉及一種可穿戴式患者個(gè)體心電檢測(cè)方法。本發(fā)明基于多流多尺度卷積神經(jīng)網(wǎng)絡(luò)(Multi?stream Multi?scale Convolutional Neural Networks，簡(jiǎn)稱MM?CNN)模型和多導(dǎo)綜合判斷算法對(duì)個(gè)體心電圖(ECG)進(jìn)行檢測(cè)分類。本發(fā)明提出了基于MM?CNN的單導(dǎo)聯(lián)的分類檢測(cè)算法，促進(jìn)心電診斷的臨床實(shí)踐；提出了利用從特定的病人身上獲取幾分鐘的心電信號(hào)，將通用模型訓(xùn)練成患者專用模型的算法；通用模型和專用模型的網(wǎng)絡(luò)體系相同，提高了心電檢測(cè)的效率；本發(fā)明提出了多導(dǎo)聯(lián)綜合判斷算法對(duì)來自特定患者的心電信號(hào)進(jìn)行永久分類，提高了魯棒性，該方法準(zhǔn)確率高，實(shí)時(shí)性強(qiáng)，適合可穿戴設(shè)備進(jìn)行實(shí)時(shí)檢測(cè)。

技術(shù)領(lǐng)域

本發(fā)明屬于心電檢測(cè)技術(shù)領(lǐng)域，具體涉及一種可穿戴式患者個(gè)體心電檢測(cè)方法。

背景技術(shù)

2013年，智能可穿戴設(shè)備行業(yè)在中國(guó)開始起步，目前可穿戴設(shè)備市場(chǎng)似乎已經(jīng)飽和。這幾年可穿戴設(shè)備的市場(chǎng)有些萎靡，因?yàn)榭纱┐髟O(shè)備的主要用于醫(yī)療健康的檢測(cè)比較多，但是檢測(cè)的準(zhǔn)確度不夠，比如心電信號(hào)的檢測(cè)。盡管Holter或其他心電圖儀可以輕松捕獲長(zhǎng)期的實(shí)時(shí)ECG信號(hào)，但如何挖掘信息以進(jìn)一步診斷心臟病仍然有些挑戰(zhàn)。心電圖在不同患者之間差異很大，這種差異在很大程度上取決于患者的身體狀況。因?yàn)椴煌颊咧gECG波形形態(tài)的變異，從ECG信號(hào)中提取的特征應(yīng)很好地代表相應(yīng)患者的特征，以往的方法都無法滿足這一需求。

發(fā)明內(nèi)容

針對(duì)上述問題，本發(fā)明提出了一種可穿戴式個(gè)體心電檢測(cè)方法，本發(fā)明準(zhǔn)確率高，實(shí)時(shí)性強(qiáng)，適合可穿戴設(shè)備進(jìn)行實(shí)時(shí)檢測(cè)。

本發(fā)明所述的一種可穿戴式患者個(gè)體心電檢測(cè)方法，是基于多流多尺度卷積神經(jīng)網(wǎng)絡(luò)(Multi-stream Multi-scale Convolutional Neural Networks，簡(jiǎn)稱MM-CNN)模型和多導(dǎo)綜合判斷算法對(duì)個(gè)體心電圖(ECG)進(jìn)行檢測(cè)分類，包括以下步驟：

(1)收集心電信號(hào)并對(duì)其進(jìn)行預(yù)處理；

(2)基于多流多尺度卷積神經(jīng)網(wǎng)絡(luò)模型單導(dǎo)聯(lián)患者個(gè)體心電信號(hào)通用模型的訓(xùn)練；

(3)基于多流多尺度卷積神經(jīng)網(wǎng)絡(luò)模型單導(dǎo)聯(lián)患者個(gè)體心電信號(hào)專用模型的訓(xùn)練；

(4)采用多導(dǎo)綜合判斷算法確定心電檢測(cè)最終結(jié)果。

單個(gè)深度卷積網(wǎng)絡(luò)學(xué)習(xí)整個(gè)圖像細(xì)節(jié)較為困難，因?yàn)樘幱诘蛯哟蔚菂^(qū)分性較強(qiáng)的獨(dú)特細(xì)節(jié)有可能被丟棄在中間網(wǎng)絡(luò)層，或者被大量無用信息所淹沒。MM-CNN模型拓寬CNN網(wǎng)絡(luò)結(jié)構(gòu)，充分提取信號(hào)的特征。盡管許多研究幾乎都獲得了心電圖分割的最佳效果，并且提出了各種濾波方法，但與分類相關(guān)的步驟(ECG特征提取和分類算法)仍有改進(jìn)的空間。為了能夠提取ECG信號(hào)中的復(fù)雜特征，提高ECG分類的有效性和效率，本發(fā)明將重點(diǎn)放在特征提取和ECG分類步驟上，以促進(jìn)ECG診斷的臨床實(shí)踐。更為具體的，本算法采用MM-CNN模型訓(xùn)練出通用的心電信號(hào)分類模型，并將其嵌入到可穿戴設(shè)備中，作為后續(xù)網(wǎng)絡(luò)的預(yù)訓(xùn)練網(wǎng)絡(luò)。在設(shè)備訓(xùn)練階段，可穿戴設(shè)備自動(dòng)捕獲一名特定個(gè)體2-5分鐘的ECG信號(hào)作為輸入，對(duì)通用的分類模型做迭代修改，生成對(duì)特定個(gè)體專用的心電信號(hào)分類模型。再通過多導(dǎo)綜合判斷算法確定心電檢測(cè)的最終結(jié)果。該算法突破了對(duì)專用個(gè)體心電信號(hào)檢測(cè)的瓶頸，具有前沿性，新穎性，更重要的是實(shí)用性。

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)本質(zhì)上是一種輸入到輸出的映射，主要由兩部分組成，一部分是特征提取(卷積、激活函數(shù)、池化)，另一部分是分類識(shí)別(全連接層)。卷積層的功能是對(duì)輸入數(shù)據(jù)進(jìn)行特征提取，內(nèi)部包含多個(gè)卷積核，組成卷積核的每個(gè)元素都對(duì)應(yīng)一個(gè)權(quán)重系數(shù)和一個(gè)偏差量。卷積層內(nèi)每個(gè)神經(jīng)元都與前一層中位置接近的區(qū)域的多個(gè)神經(jīng)元相連，區(qū)域的大小取決于卷積核的大小。