[发明专利]一种可移动心电图监测系统

说明书

本发明公开了一种可移动心电图监测系统，不仅采集ECG信号，而且采集脉冲无线电超宽带(IR‑UWB)雷达信号，将所采集的ECG信号及IR‑UWB雷达信号进行同步及处理后，采用级联的CNN进行特征抽取、集成分析和诊断分类，得到监测结果输出。由于本发明实施例在监测时引入了IR‑UWB雷达信号，作为监测ECG信号的补充，并通过对这两种信号的同步，得到这两种信号之间的相关性，提高监测准确性，由于本发明实施例采用了适应性强和性能稳定的级联CNN进行特征抽取、集成分析及诊断分类，有效保证系统性能稳定。

技术领域

本发明涉及人体生理参数的监测技术，特别涉及一种可移动心电图监测系统。

背景技术

心脏病严重威胁人类的生命健康，其发病率和死亡率都排在各类疾病之首并且心脏病的突发性增加了治疗难度。因此，防治心脏病就成为了人民维护身体健康的头等大事。可移动心电图(ECG)监测系统为有效预防心脏病提供了良好的解决方案。一方面，其方便携带的特点使得这种监测系统可以长时间地监测心脏活动的ECG信号，从而能够及时捕捉到偶发性心律失常和其他突发性心脏病。另一方面，随着移动物联网和信息技术的快速发展，这样的ECG监测系统能够获得良好的平台和技术支撑，有助于更好地满足随时随地地进行心脏保健的需求。

目前，在实现ECG监测系统时，可以基于物联网体系结构实现，基于物联网体系结构的ECG监测系统是有代表性的三层结构，即传感层、网络层及应用层。其中，传感层主要负责心电图数据采集，网络层负责将采集到的心电图数据传送到数据中心，而应用层负责完成心电数据的分析计算和问题预警。在采集心电图数据时，可以采用各种可穿戴医疗设备在传感层通过无线数据通信技术连接起来，形成一个无线传感器网络。网络侧可以由现有的互联网或骨干通信网络来承担。应用层则是通过应用各种算法来检测并分析心律失常。显然，对于心律失常的分析诊断是整个ECG监测系统的核心功能。

基于ECG信号进行心律失常的分析诊断是一种典型的分类应用，已有的心律失常分类方法主要包括频率分析、支持向量机、小波变换以及专家混合的方式。简言之，这些方法大都依赖于从ECG信号波形中提取某些关键的特征。但是，这些方式往往受到特征相关的阈值的限制，而不同数据集的阈值又常常不一样，因此，这些方法的性能不仅会受到各种噪声的干扰而下降，还会受到数据集变化的影响而不稳定。

为了应对上述问题，更加精确地将监测的可变ECG信号分类，开始使用具有高容错度能力和鲁棒性的神经网络。例如，神经网络可以被训练成为一个心跳识别检测器，一种心律失常分类器或者一个特征提取器，用于在分类之前提取没有被人为设定的人体生理参数特征。正是由于神经网络具有自动获取特征的能力，基于神经网络的ECG监测系统可以部署在移动端和云端，通过周期性地从特定用户的云端ECG记录中学习新的特征，从而能更好地适用于特定用户，并有助于提高分类的准确度。到目前为止，已经出现了许多关于在动态心电图监测系统中对特定用户进行心律失常分类的研究。

具体地说，卷积神经网络(CNN)是近年来深度学习的研究热点之一，具有结构简单、训练参数少及适应强等特点，被广泛应用于模式识别及图像处理等领域，取得了很好的效果。ECG信号分析是图像模式识别的一种应用，因此也有研究者将CNN应用于此，并且已经说明了CNN对于一维和二维的ECG信号都是适用的。目前公开了一种导联卷积神经网络(LCNN)，将ECG信号所记录的八导联转化为一个二维矩阵。其中，卷积核的滑动范围受到滤波器不能被不同导联的ECG信号记录共享的规则限制，这种方法不仅证明了CNN在一维信号中的可用性，而且还能适应于不同的分辨率，这种方法虽然可以提高ECG分类的准确度，然而这种方法的应用是有限的，对ECG信号的多导联输入有要求，