[發明專利]一種基于短時單導聯心電信號的房顫檢測模型MCNN-BLSTM在審

申請號：	202211198567.5	申請日：	2022-09-29
公開（公告）號：	CN115736944A	公開（公告）日：	2023-03-07
發明（設計）人：	張宏坡;谷紅壯;陳冠赫;劉明喆	申請（專利權）人：	鄭州大學
主分類號：	A61B5/346	分類號：	A61B5/346;A61B5/361;A61B5/00;G06F18/10;G06F18/213;G06F18/24;G06N3/08;G06N3/0442;G06N3/045
代理公司：	暫無信息	代理人：	暫無信息
地址：	450001 河南省鄭***	國省代碼：	河南;41
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種基于短時單導聯心電信號房顫檢測模型 mcnn blstm
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

本發明提供了一種基于短時單導聯心電信號的房顫檢測模型MCNN?BLSTM。本發明技術方案首先使用預處理模塊對數據進行預處理，然后采用設計的MCNN模塊根據變長心電信號的切片數量，動態設定相對應的分支數，更充分的提取短時心電信號中的特征信息，接著使用BLSTM模塊進一步對每個分支學習到的特征信息進行加強，提高模型的分類性能，最后使用分類模塊對心電信號進行分類。本發明提出了一種融合多支路卷積神經網絡(MCNN)和雙向長短時記憶網絡(BLSTM)的模型，即MCNN?BLSTM，用以處理短時單導聯心電記錄中房顫檢測存在的可靠性和準確性問題。與當前最先進的方法進行比較，能夠取得更具競爭性的結果。本發明可用于短時單導聯心電記錄的房顫檢測，能夠滿足短時心電可穿戴設備的日常房顫檢測需求。

技術領域

本發明屬于心電監測技術領域，具體涉及一種基于短時單導聯心電信號的房顫檢測模型MCNN-BLSTM。

背景技術

心房顫動(AF)是一種常見的室上性心律失常。據2020年數據統計，成年人中房顫患者大概在2％到4％之間，數量并在不斷增加。心房顫動雖然不會直接導致死亡，但對人們的健康有著巨大的影響。這種心律失常會導致高發病率和死亡率，從而引起衛生資源的大量投入，這將對社會造成巨大的經濟負擔。房顫的表現通常是無癥狀的，可能直到血栓栓塞事件發生時才被發現。房顫的患病率會隨著年齡的增長而增加。動態心電圖是檢測房顫最重要的工具之一，動態心電圖可由動態心電監護儀采集。但是，如果戴著心電監護儀，不但不方便，而且在日常生活中也會受到很多干擾。近年來，可穿戴設備對AF的檢測越來越受歡迎。因此，基于不同的測量技術，利用動態心電圖記錄來檢測房顫具有重要的意義。

近年來，深度學習(Deep Learning,DL)由于具有特征學習和分類的能力，因此各種深度學習的方法被廣泛應用于房顫檢測，其中主要包括卷積神經網絡(convolutionalneural networks，CNN)和遞歸神經網絡(recurrent neural networks，RNN)等端到端的深度學習方法。現如今，深度學習網絡的輸出已經可以與人類專家相媲美，在某些情況下甚至超過人類專家。雖然DL在房顫的檢測中取得了較好的效果，但仍未解決實時房顫檢測的關鍵問題。由于大多數AF檢測方法都是基于靜態心電信號，動態心電信號的適用性受到限制。特別是，在有限的短時心電記錄中，可靠和準確的房顫檢測仍然是一個挑戰。

發明內容

本發明針對現有技術的不足，提供一種基于短時單導聯心電信號的房顫檢測模型MCNN-BLSTM。具體方案如下：

步驟1：模型獲取短時單導聯心電信號后，對信號進行預處理，獲取切片后的多個相同長度的不同心電片段輸出；

步驟2：MCNN模塊根據切片的數量，設置不同的支路對切片進行特征學習；

步驟3：BLSTM模塊進一步對各個支路提取到的特征進行加強，提高模型的分類能力；

步驟4：分類模塊根據最終提取到的特征對心電信號進行分類，這里分類為正常、房顫和其他三種類別。

附圖說明

圖1為本發明一種基于短時單導聯心電信號的房顫檢測模型MCNN-BLSTM的整體架構。

圖2為六種輸入長度下三種模型的PR曲線圖。

圖3為MCNN-BLSTM不同支路以及模型最后提取到的特征可視化結果。

具體實施方式

下面通過具體實施方式，對本發明的技術方案做進一步的詳細描述。