[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

说明书

本发明公开了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；基于预设的临床诊断准则与时间序列的映射关系，对时间序列匹配诊断准则，得到相应的诊断结果。本发明不再需要对心电图中的任何特征进行提取，从而最大程度上避免因为人工的筛选、处理导致的有效信息丢失和噪声数据的引入等问题，减少由于人为提取特征对于诊断准确度的影响。

技术领域

本发明属于心电监护和诊断技术领域，具体涉及一种基于深度卷积神经网络的系统。

背景技术

心电图检查是临床上最常用的电生理检查方法之一，它对于心律失常、心肌缺血、心肌肥厚等心血管疾病的诊断具有非常重要的意义。同时由于其简单、方便、无创等特点，在临床上也得到了广泛的应用，特别是针对心律失常的诊断分析具有极其重要且不可替代的价值。

心电图的计算机处理和分析技术的发展已经有数十年，该技术的主要目的是对人体的心电数据进行自动的分析和处理，从而给医生提供辅助诊断的判断依据。

近年来随着低功耗传感处理技术和无线通信技术的不断发展，心电数据已经可以从越来越轻型便捷的可穿戴医疗设备上进行长时间不间断的获取，而心电数据的采集场景也不再局限于专业的医疗场景。这些新的技术和应用场景的出现，为心电监护和诊断日常化家庭化提供了基础，然而这些技术的大量应用也必然导致海量的心电数据需要进行分析、处理和解读。

因此高性能、高准确率、高适应性的心电图自动分析技术可以说是实现心电监护和诊断大面积应用的关键技术。

现有的心电图自动分析技术主要包括了心电信号预处理、特征提取、分类识别等方面。然而由于现有的心电图自动诊断技术的准确率还有待提高，因此还难以广泛的应用于临床。

现有技术方案的思路主要是通过将人类判别心电图的分析方法转换成计算机中的分析方法，进而达到替代人类判读心电图的目的。在长达数十年的心电自动分析研究当中，心电图的预处理和特征提取是属于主要的研究热点。

预处理主要指的是对心电数据进行滤波降噪、消除伪差，从而提高信号的信噪比，以便将更“干净”的信号进行特征提取。

心电数据的特征提取主要包含了从时域、频域、变换域（如小波变换等）、时频联合分析等方法，其目的是从原始的心电图中提取出符合人类经验的各个波段特征以及特征之间的相对关系等。

在提取了心电数据的特征后，对心电的这些特征进行分类和识别主要是通过决策树、经验规则、神经网络、支持向量机等分类方法进行。

现有技术的主要问题在于，人为的进行数据的预处理、特征提取、分类规则制定实质上造成了信息量的丢失，并不是最适合计算机进行分析的方法。在现有的技术中虽然采用了符合人类诊断心电图的标准做法，但是必然会引入人为的干扰和噪声。例如在进行数据预处理的时候，虽然人为的将一些噪声消除了，但是同时也可能将心电图中某些有用的频段过滤掉了。例如在特征提取的过程中，虽然提取出了对于人类敏感的特征信息，可以用于进行诊断和判断，但从原始心电提取成特征向量的过程中有也有大量的原始特征被忽略了。

因此目前在现有技术的框架下，心电图自动分析的准确率仍然难以达到较高的水平，例如针对心律失常中室性早搏（VEB）检测的敏感度和阳性预测值基本上在90%，而针对室上性早搏（SVEB）检测的敏感度仅有约80%。在这样的准确性的情况下，心电数据的自动分析结果仍然需要依靠大量的人力进行筛选和解读，并不能实际解决大规模应用的问题。

发明内容

（一）发明目的

本发明的目的是提供一种基于深度卷积神经网络的无需进行特征提取的心电图诊断方法和系统。