[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

本申請實施例公開了一種異常心電信號識別方法及異常心電信號識別裝置，用于對心電信號進(jìn)行識別以確定出異常的心電信號。本申請實施例方法包括：計算待識別心電信號的目標(biāo)波段的形態(tài)特征以及待識別心電信號的離散小波系數(shù)特征，通過深度學(xué)習(xí)算法構(gòu)建的特征提取模型對待識別心電信號進(jìn)行特征提取，得到模型特征，將得到的形態(tài)特征、離散小波系數(shù)特征以及模型特征進(jìn)行特征融合，得到目標(biāo)融合特征，使用分類模型對該目標(biāo)融合特征進(jìn)行識別，判斷該目標(biāo)融合特征是否符合異常心電信號所具備的特征，若符合，則確定為異常心電信號。本申請實施例的方法融合信號算法和卷積神經(jīng)網(wǎng)絡(luò)算法，使得本申請實施例的方法具有更高的精度和準(zhǔn)確率以及更強(qiáng)的魯棒性。

技術(shù)領(lǐng)域

本申請實施例涉及信號識別領(lǐng)域，具體涉及一種異常心電信號識別方法及異常心電信號識別裝置。

背景技術(shù)

隨著我國經(jīng)濟(jì)社會發(fā)展和人口老齡化的加快，慢性病患病率呈現(xiàn)上升趨勢。慢性病具有高發(fā)病率、高致殘率、高死亡率的特點，不僅嚴(yán)重影響我國人民健康水平和生活質(zhì)量，而且大量消耗有限的衛(wèi)生資源，給我國帶來了巨大的經(jīng)濟(jì)負(fù)擔(dān)。據(jù)調(diào)查，在大于60歲的居民患病率排名中，心血管疾病高居榜首。在世界范圍內(nèi)，心血管疾病是引起人類死亡率最高的疾病之一。由于人們個人的行為因素(吸煙，缺乏鍛煉，不健康飲食)、代謝因素(高血壓，高血糖，高血脂)以及其他因素(遺傳，高齡)等使得心血管疾病的患病率持續(xù)提高。

心電圖作為臨床上重要的常規(guī)檢測手段之一，具有快速、簡單、無痛等特點，在臨床上主要用于檢測心臟異常，它可以幫助醫(yī)生快速的檢測心臟異常節(jié)律，診斷心臟相關(guān)疾病，對于心腦血管疾病的早篩、控制和治療具有重要意義。

近年來，隨著模式識別、人工智能等技術(shù)水平的提高，目前對于心電信號的分類方法主要分為信號算法和人工智能算法。信號算法主要是通過PQRST波的識別、特征提取、聚類，最后再根據(jù)提取的特征選擇合適的分類器識別異常心率。信號算法需要心電圖專家知識和大量的特征提取工作。人工智能算法主要以卷積神經(jīng)網(wǎng)絡(luò)為主，卷積神經(jīng)網(wǎng)絡(luò)可以在訓(xùn)練的過程中自動識別特征、提取特征，但是缺點也顯而易見，需要心電圖專家大量的標(biāo)注數(shù)據(jù)，魯棒性較差。

無論是信號算法還是人工智能算法，都存在準(zhǔn)確率不高、魯棒性不強(qiáng)等缺陷。

發(fā)明內(nèi)容

本申請實施例提供了一種異常心電信號識別方法及異常心電信號識別裝置，用于對心電信號進(jìn)行識別以確定出異常的心電信號。

本申請實施例第一方面提供了一種異常心電信號識別方法，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；

利用離散小波變換對所述待識別心電信號進(jìn)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；

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(jìn)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(jìn)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(jìn)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(jìn)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(jìn)行訓(xùn)練后得到；

若符合，則確定所述待識別心電信號為異常心電信號。