[发明专利]基于深度卷积神经网络的心电图诊断方法和系统

权利要求书

1.一种基于深度卷积神经网络的心电图诊断系统，其用于实现一种心电图诊断方法，该方法特征在于，包括：

对采集到的人体的原始心电图进行预处理，得到若干个预设长度的心跳片段；

将所述心跳片段输入已训练好的深度卷积神经网络模型中，得到各个类别的预测值；

记录最大预测值对应的单个心跳的类别以及该心跳与上一次心跳的间隔时间，形成一时间序列；

所述时间序列为X_beats，其形式为：X_beats={(N,0.9)，(V,0.85)，(A,0.95) }，其中，N表示正常搏动，V表示室性早搏、A表示房性早搏，数字为该心跳与上一次心跳的间隔时间；

基于预设的临床诊断准则与时间序列的映射关系，对所述时间序列匹配诊断准则，得到相应的诊断结果；

构建一组深度卷积神经网络，该组神经网络中包含N个卷积神经网络，所述卷积神经网络的结构包括：卷积层、池化层和全连接层；

所述卷积神经网络的结构参数包括层权重和层参数；

确定样本数据集和测试数据集；

采用所述样本数据集对所述一组深度卷积神经网络进行学习训练，得到一组学习训练结果；

基于所述一组学习训练结果计算得到一组误差值；

当所述一组误差值大于或等于设定的误差门限值时，采用后向传播反馈方法对所述结构参数进行优化，得到一组符合条件的目标深度卷积神经网络；

采用测试样本对各个目标深度卷积神经网络进行测试，得到多个准确性测试值；

对所述多个准确性测试值进行由高到低的排名，并选取排名结果中前50%的目标深度卷积神经网络进行下一轮学习训练，直至只剩下一个目标深度卷积神经网络，将其作为深度卷积神经网络模型。

2.根据权利要求1所述的心电图诊断系统，其特征在于，对所述原始心电图进行预处理的步骤包括：

对所述原始心电图进行滤波处理，得到滤波后心电图；

识别所述滤波后心电图中的R波位置，并以所述R波位置为中心，且在所述中心的前后各取预定长度的心电图波形进行裁剪，得到单个R波对应的心电图片段；

对所述原始心电图进行预处理的步骤还包括：

采用大于第一采样率的第二采样率对每个所述心电图片段进行采样，得到若干个预设长度的心跳片段，所述第一采样率为所述原始心电图的采样率。

3.根据权利要求2所述的心电图诊断系统，其特征在于，设计深度卷积神经网络模型的结构的步骤包括：

确定所述深度卷积神经网络模型的输入层结构；

确定所述深度卷积神经网络模型的隐藏层结构；

所述输入层结构包括卷积层；

所述输入层的长度为所述心跳片段的预设长度；

所述隐藏层结构包括依次设置的卷积层、池化层、卷积层、池化层、全连接层、神经元丢弃层、全连接层和神经元丢弃层。

4.根据权利要求3所述的心电图诊断系统，其特征在于：

所述深度卷积神经网络模型的输入层的卷积层包括一激活函数和32个卷积神经元，卷积宽度为8；

所述深度卷积神经网络模型的隐藏层的每一所述卷积层包括一激活函数和32个卷积神经元，卷积宽度为8，所述池化层的池化系数为8；

所述深度卷积神经网络模型的隐藏层的每一所述全连接层包括80个神经元和一激活函数，每一所述神经元丢弃层的丢弃概率为0.2。

5.根据权利要求2所述的心电图诊断系统，其特征在于，每次在进行下一轮学习训练时，包括：

分别调整训练数据集与测试数据集在训练数据库中的比例以减少训练样本的数量，并增大所述测试样本的数量。