[发明专利]基于多导联和卷积神经网络的心律失常智能诊断方法

权利要求书

1.一种基于多导联和卷积神经网络的心律失常智能诊断方法，其特征在于，设x为正常人的一个心跳周期内的多个导联心电图信号序列，则x可以表示为：

S_lead＝[s₁，s₂，…s_i，...s_n]，

其中S_lead表示导联为lead的信号序列，s_i为一个心电信号值；

假设任意一个心跳x有唯一对应的心律类型，要么为正常心律或者为异常心律，设为y，则y与x之间存在函数关系Γ，即y＝Γ(x)；利用心电图数据训练CNN，得到一个逼近Γ(x)的函数关系f′(x；θ)，其中θ表示CNN的参数；对于待诊断的心电图数据，利用获取的函数关系f′(x；θ)实现心律失常的智能诊断，以作为诊断结果或供医生参考。

2.根据权利要求1所述的基于多导联和卷积神经网络的心律失常智能诊断方法，其特征在于，通过以下步骤来实现：

a).选取数据样本，以MIT-BIH心律失常数据库的心电记录为数据来源，每例记录由肢体II导联和胸部V1导联组成，将两个导联信号没有保持一致的记录剔除，剩余的记录作为训练样本；

b).标注心律失常类型，专家对步骤a)选取的每例记录的肢体II导联、胸部V1导联数据形成的心律波中每个心跳的心律失常类型进行标注，所标注的心律失常类型为Arr＝{N，L，R，A，V}，其中N为正常心律，L为左束支传导阻滞，R为右束支传导阻滞，A为房性早搏，V为室性早搏；

c).截取导联的心跳信号，设一个标注点的标注信息为(arr，p|arr∈Arr，p∈Z⁺)，arr表示心律失常类型，p表示标注位置，Z⁺表示正整数，p表示标注点为记录中的第几个点；心跳信号的截取时长设定为1秒，由于MIT-BIH心律失常数据库的采样频率为360Hz，即截取360个信号点；

对于一个心跳信号，产生一个新的随机数m∈[120，200]，，在肢体II导联数据中，截取p之前的m-1个信号点和p之后的360-m的信号点，将获取的360个信号点组成肢体II导联的心跳信号S_II，对于同一个心跳信号，保持m的值不变，采用相同的方法在胸部V1导联数据中截取相应的心跳信号S_V1，同一标注点的心跳信号

d).得到归一化的心跳集合，按照步骤c)遍历所有标注点，得到心跳集合ECG＝{(x_i,y)|y＝Γ(x)}，i＝0,1,2,...,k，k为所标记心跳的数目；由于MIT-BIH数据库所有记录信号值在-5mV到5mV之间，按照公式(1)将心跳集合ECG中的元素进行归一化处理：

ximn=ximn+510---(1)]]>

其中，x_imn为第i个心跳信号x_i中第m行、第n列的元素，m＝1或2，1≤n≤360；经公式(1)的处理后，得到归一化后的心跳集合ECG，其所有元素缩放到[0,1]区间；

e).构建隐层和输出层，构建由两个带max-pooling的卷积层和一个dropout为0.5的全连接层，激活函数如公式(2)所示：

ReLU(z)＝max(0,z)(2)；

构建由5个神经单元构成的输出层，激活函数如公式(3)所示：

softmax(zj)=ezjΣjezj---(3)]]>

其中z_j表示第j个神经元的输入；

f).设定目标函数，目标函数设定为如公式(4)所示的cross-entropy函数：

C(x)=-[Γ(x)*lnΓ^(x)+(1-Γ(x))*ln(1-Γ^(x))]---(4);]]>

g).样本训练，将集合ECG中的所有心跳信号按照2:1划分为训练集ECG_test和验证集ECG_val，每次从ECG_test中抽取一定数量的心跳信号根据步骤e)和步骤f)中的激活函数和目标函数训练CNN，当验证集ECG_val的分类经度达到99％时停止训练，得到一个逼近Γ(x)的函数关系：

h).心律失常分类的应用，设采样频率为360Hz的心电图机G，由t₁时刻开始到t₂时刻结束产生的心电信号序列为S＝G(t₂)-G(t₁)，t₂＞t₁；由零时刻到任意t时刻，肢体II导联信号序列为S_II＝G_II(t)，胸部V1导联信号序列为S_V1＝G_V1(t)，待分析心电信号t秒至t+1秒之间的心跳信号为：

x=GII(t+1)-GII(t)GV1(t+1)-GV1(t)---(5)]]>

将公式(5)获取的x输入至CNN，得到心律失常分类结果以作为病人心电信号的诊断结果或供医生参考之用。