[發(fā)明專利]異常心電信號識別方法及異常心電信號識別裝置

有效

• 申請?zhí)枺?/td>: 202010731443.3
• 申請日: 2020-07-27
• 公開（公告）號: CN111832537B
• 公開（公告）日: 2023-04-25
• 發(fā)明（設(shè)計）人: 謝錦豪
• 申請（專利權(quán)）人: 深圳竹信科技有限公司
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/24;G06F18/214;G06F18/25;G06N3/0464;A61B5/308;A61B5/318;A61B5/346
• 代理公司: 深圳市深佳知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44285
• 代理人: 王兆林

1.一種異常心電信號識別方法，其特征在于，包括：

接收待識別心電信號，確定所述待識別心電信號的若干個波段的起點和終點；

根據(jù)所述若干個波段的起點和終點確定所述待識別心電信號的若干個目標(biāo)波段；

計算每個所述目標(biāo)波段的統(tǒng)計學(xué)特征，得到所述待識別心電信號的形態(tài)特征；所述統(tǒng)計學(xué)特征包括最大值、最小值、均值、標(biāo)準(zhǔn)差、熵；

利用離散小波變換對所述待識別心電信號進行分解，得到近似信號和細(xì)節(jié)信號，并分別計算所述近似信號的統(tǒng)計學(xué)特征和所述細(xì)節(jié)信號的統(tǒng)計學(xué)特征，得到所述待識別心電信號的離散小波系數(shù)特征，該統(tǒng)計學(xué)特征包括最大值、最小值、均值、標(biāo)準(zhǔn)差、熵；

獲取預(yù)先構(gòu)建的特征提取模型，其中，所述特征提取模型基于深度學(xué)習(xí)算法對心電信號樣本進行訓(xùn)練后得到；

向所述特征提取模型輸入所述待識別心電信號，利用所述特征提取模型對所述待識別心電信號進行特征提取，輸出所述待識別心電信號的模型特征；

將所述待識別心電信號的所述形態(tài)特征、所述離散小波系數(shù)特征以及所述模型特征進行特征融合，得到所述待識別心電信號的目標(biāo)融合特征；

使用分類模型對所述目標(biāo)融合特征進行識別，判斷所述目標(biāo)融合特征是否符合異常心電信號所具備的特征，所述分類模型基于深度學(xué)習(xí)算法對異常心電信號樣本和正常心電信號樣本進行訓(xùn)練后得到；所述分類模型在模型訓(xùn)練過程學(xué)習(xí)所述異常心電信號樣本的特征以及所述正常心電信號樣本的特征；

若符合，則確定所述待識別心電信號為異常心電信號。

2.根據(jù)權(quán)利要求1所述的異常心電信號識別方法，其特征在于，所述確定所述待識別心電信號的若干個波段的起點和終點，包括：

利用Pan-Tompkins算法計算所述待識別心電信號的若干個波段的起點和終點。

3.根據(jù)權(quán)利要求1所述的異常心電信號識別方法，其特征在于，所述獲取預(yù)先構(gòu)建的特征提取模型，包括：

基于卷積神經(jīng)網(wǎng)絡(luò)算法，使用所述心電信號樣本對所述特征提取模型進行訓(xùn)練，得到訓(xùn)練后的所述特征提取模型。

4.根據(jù)權(quán)利要求1所述的異常心電信號識別方法，其特征在于，所述接收待識別心電信號之后，所述方法還包括：

對所述待識別心電信號進行預(yù)處理，所述預(yù)處理包括對所述待識別心電信號去除基線漂移和/或?qū)λ龃R別心電信號去除肌電干擾。

5.根據(jù)權(quán)利要求1所述的異常心電信號識別方法，其特征在于，所述分類模型為XGBoost分類模型，所述方法還包括：

以正常心電信號和異常心電信號作為訓(xùn)練樣本，向待訓(xùn)練的所述XGBoost分類模型輸入所述訓(xùn)練樣本，基于XGBoost算法對所述XGBoost分類模型進行訓(xùn)練。