[發明專利]一種心電圖異常信號中的房顫信號自動檢測方法

在審

• 申請號: 202011544301.2
• 申請日: 2020-12-23
• 公開（公告）號: CN112674780A
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 王英龍;石京京;舒明雷;劉輝;陳超
• 申請（專利權）人: 山東省人工智能研究院;齊魯工業大學
• 主分類號: A61B5/361
• 分類號: A61B5/361
• 代理公司: 濟南泉城專利商標事務所 37218
• 代理人: 支文彬

一種心電圖異常信號中的房顫信號自動檢測方法，通將一維的心電信號經過短時傅里葉變換轉變為二維形式，適用于深度殘差收縮網絡對輸入信號的要求。使用注意力機制同時改進殘差深度網絡和Relu激活函數，通過注意力機制注意到不重要的特征，通過軟閾值函數將它們設置為零，可以加強深度神經網絡提取有用特征的能力，提高房顫信號的檢測精度。同時通過注意力機制對Relu激活函數進行改進，可以提高DRSN模型對房顫信號識別的準確率。通過注意力機制的ReLu，可以提高DRSN模型識別的準確率。

技術領域

本發明涉及深度學習和信號處理技術領域，具體涉及一種心電圖異常信號中的房顫信號自動檢測方法。

背景技術

心房顫動(AF)是典型的持續性心律失常，對心房顫動的精準識別具有重要意義。ECG信號中心房顫動(AF)的表現的特征在于P波的消失或RR間期的絕對不規則性。如今所使用的房顫異常檢測方法主要為基于波形特征的房顫異常檢測方法，但是由于波形特征需要進行手工提取并且P波不易檢測等原因，使得房顫檢測準確率一般、效率低下。同時，基于波形特征的房顫異常檢測方法需要足夠的節律信息，這就需要采集比較長時間的心電圖信號，實際上很難滿足實時的房顫檢測需求。

研究人員已經嘗試使用深度神經網絡來對房顫信號進行識別和檢測，研究表明，心電圖房顫異常識別的準確率與深度神經網絡的層數之間具有很強的關聯性。由于常見的方法是基于靜息數據建模，測試數據少，難以適用于動態心電信號；更重要的是在短時心電信號中節律信息有限，從短時心電信號中檢測出房顫異常仍然是一個挑戰。

發明內容

本發明為了克服以上技術的不足，提供了一種使用短時傅里葉變換和深度殘差收縮網絡對心電圖異常信號中的心房顫動(房顫)信號進行檢測和分類的方法。本發明克服其技術問題所采用的技術方案是：

一種心電圖異常信號中的房顫信號自動檢測方法，包括如下步驟：

a)將原始心電信號f(t)進行切分，形成以Ns一段的n個數據x；

b)將心電信號表示為X＝{(x⁽⁰⁾,y⁽⁰⁾),(x⁽¹⁾,y⁽¹⁾),···,(x^(m-1),y^(m-1))}，集成數據以形成帶有標簽信號的數據集X，其中x⁽ⁱ⁾∈Rⁿ，x⁽ⁱ⁾為第i個數據x，0≤i≤m-1，Rⁿ為第n條切分后的數據，y⁽ⁱ⁾∈{0,1,2}為標簽，y⁽ⁱ⁾＝0表述輸入心電信號為正常信號，y⁽ⁱ⁾＝1表述輸入心電信號為房顫信號，y⁽ⁱ⁾＝2表述輸入心電信號為正常信號為其他異常信號或噪聲信號；

c)對原始心電信號進行短時傅里葉變換操作，確定心電數據一定區域中的正弦波的頻率和相位，之后進行頻譜轉換處理，將心電信號轉換為圖像；

d)將圖像匹配相對應的數據標注信息，標注后的圖像用作深度殘差收縮網絡的輸入，將圖像加載到深度殘差收縮網絡的卷積層，對圖像進行卷積處理；

e)建立殘差構建模塊，該殘差構建模塊包括兩個BN層、兩個ReLU層、兩個卷積層、恒等映射及一個子網絡，所述子網絡用于自適應地設置閾值，所述子網絡中依次包括一個全局均值池化層、一個全連接層、一個ReLU層、一個全連接層及一個Sigmoid函數，對輸入的圖像的所有特征求絕對值，之后經過子網絡的全局均值池化層后得到全局均值池化和平均的特征圖，將全局均值池化和平均的特征圖輸入到兩個全連接層中，獲得尺度化參數，通過Sigmoid函數將尺度化參數規整到零和一之間，將規整后的尺度化參數乘以圖像的絕對值的平均值作為閾值；

f)使用閾值對圖像的各個特征通道進行軟閾值化；