[發明專利]基于2D心拍的特征融合遷移學習心律失常分類系統

在審

• 申請號: 202011210145.6
• 申請日: 2020-11-03
• 公開（公告）號: CN112329609A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 張亞濤;張鋒;李向宇;鮑喆
• 申請（專利權）人: 山東大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

1.基于2D心拍的特征融合遷移學習心律失常分類系統，其特征是，包括：

獲取模塊，其被配置為：獲取目標心電信號；

重構模塊，其被配置為：將目標心電信號由一維重構為二維心電信號；

特征提取模塊，其被配置為：將從二維心電信號中分別提取第一特征和第二特征；

特征融合模塊，其被配置為：將第一特征和第二特征進行融合處理；

分類模塊，其被配置為：將融合后的特征輸入到訓練后的分類器中，輸出當前目標心電信號對應的心律失常分類結果。

2.如權利要求1所述的基于2D心拍的特征融合遷移學習心律失常分類系統，其特征是，所述獲取模塊之后，所述重構模塊之前，還包括：

預處理模塊；所述預處理模塊，包括依次連接的去噪單元、R波檢測單元和心拍提取單元；

所述去噪單元，其被配置為：對獲取的目標心電信號進行去噪處理；

所述R波檢測單元，其被配置為：對去噪處理后的目標心電信號，進行R波定位；

所述心拍提取單元，其被配置為：基于R波定位點，截取M個點，得到一個心拍；基于若干個R波定位點，得到若干個心拍。

3.如權利要求2所述的基于2D心拍的特征融合遷移學習心律失常分類系統，其特征是，

所述去噪單元，具體包括：

小波分解子單元，其被配置為，基于設定的分解層數，對目標心電信號進行小波分解；

閾值量化子單元，其被配置為：對第一層到第P層高頻系數，選擇軟閾值或硬閾值進行量化處理；所述P為大于1的正整數；

一維小波重構子單元，其被配置為：根據小波分解的第P層低頻系數和第一層到第P層高頻系數進行一維小波重構。

4.如權利要求2所述的基于2D心拍的特征融合遷移學習心律失常分類系統，其特征是，

所述R波檢測單元，采用Pan-Tompkins算法定位R波；

所述心拍提取單元，基于R波定位點，分別向左取M1個點，向右取M2個點，共計取M個點。

5.如權利要求1所述的基于2D心拍的特征融合遷移學習心律失常分類系統，其特征是，

所述重構模塊，具體被配置為：

先采用希爾伯特-黃變換HHT，對目標心電信號重構為新的解析信號；

再采用WVD變換對新的解析信號進行處理，得到二維時頻圖。

6.如權利要求1所述的基于2D心拍的特征融合遷移學習心律失常分類系統，其特征是，

所述特征提取模塊，具體包括并列的第一網絡和第二網絡；所述第一網絡為ResNet-101，所述第二網絡為CNN；

所述ResNet-101，是由圖像數據庫ImageNet預訓練得到的；

所述CNN，是由二維時頻圖訓練得到的；

所述ResNet-101，用于提取二維心電時頻圖的圖像特征；

所述CNN，用于提取二維心電的心電特征；

或者，

所述CNN的具體結構包括：

依次連接的輸入層、第一卷積層、第一池化層、第二卷積層、第二池化層、第三卷積層、第三池化層、第四卷積層、第四池化層、全連接層和輸出層。

7.如權利要求1所述的基于2D心拍的特征融合遷移學習心律失常分類系統，其特征是，

所述分類模塊的訓練后的分類器；具體訓練過程包括：

構建心率失常分類模型；

所述心率失常分類模型，包括：依次連接的特征提取模塊、特征融合模塊、全連接層和Softmax分類器；

構建訓練集和測試集，所述訓練集和測試集均為已知心率失常分類結果的二維心拍時頻圖；

將訓練集和測試集，輸入到心率失常分類模型中，進行訓練，得到訓練好的心率失常分類模型。