[发明专利]一种基于卷积神经网络的第一导联心电图心拍分类方法

说明书

技术领域

本发明涉及单导联心电图、心拍分类、深度学习领域，特别涉及一种第一导联心电图心拍分类的方法。

背景技术

心电图(electrocardiogram,ECG)反应了人体心脏电位的变化，从发明、应用至今已有一百多年的历史，由于其具有诊断可靠、方法简易、无创采集等优点，逐步成为了心血管疾病临床诊断中应用最广泛、最常用的技术手段之一。传统的心电图分析是由人工完成的，医生通过肉眼观察病人的心电图信号，然后根据相关规则和个人经验做出最终的诊断。然而，由于心电图信号数据量庞大，医疗工作人员有限，这种人工的方法就会显得力不从心，对于那些长期专业于大量心电图分类识别工作的医务人员来说，由于不可避免的疲劳、失误等原因，漏检或错检的情况很容易发生。因此，为了把医务人员从繁琐复杂的心电图识别工作中解脱出来，将精力集中到更有价值的事情上，计算机辅助心电图分析方法[1]应运而生，并且越来越受到大家的关注，也成为了心电图领域的研究热点之一，同样在医学上具有非常深远的意义。

根据采集电极放置部位的不同，心电信号可以分为12个导联，分别是6个肢体导联I、II、III、aVR、aVL、aVF和6个胸导联V1～V6。医院的常规心电图检测通常采用的是12导联系统。而随着心电远程监护技术的迅速发展和普及，以及当下可穿戴设备的流行，以手环或手表等形式将电极连接在左右上肢，形成模拟第一导联的电信号的方式，因其极大的便捷性和科学性，受到了更多人的青睐。通过第一导联心电图，医生可以检测出诸多心脏疾病，例如窦性心律失常，早搏，传导阻滞等，在临床上也具有非常重要的意义。因此，针对第一导联心电图的自动检测方法也变得越发重要。然而，从目前对心电图的研究来看，针对第一导联心电图检测分类的方法少之又少，究其原因可能是，第一导联信号的采集容易受到外界干扰，而且强度相对较弱，特征难以提取，正确分类的难度相对较大。

现有的心电图心拍分类算法可以分为两类，一种是基于手工特征的方法，另一种是基于学习特征的方法。基于手工特征的方法例如文献[2]，实验的最好结果采用的是第一和第二两个导联的数据，使用了包括心拍间隔和自相关序列在内的八种传统的特征，对心拍进行分类实验。这类方法往往需要提取ECG信号的形态方面的特征，例如心拍间期、形态特征、频率分析、小波变换等，这些特征往往停留在表面，不能提取到更丰富、深层、内在的信息，属于浅层特征，不能很好的区分不同种类的心拍。基于学习特征的方法例如文献[3]，采用人工神经网络(Artificial Neural Networks，ANN)的学习方法对心拍进行分类，但传统ANN模式学习能力较弱，在ECG心拍分类的实际任务中泛化能力较弱。

参考文献

[1]Clifford G D，Azuaje F，McSharry P.Advanced Methods and Tools for ECG Data Analysis[M].Norwood，MA，USA：Artech House，2006.

[2]Llamedo M，Khawaja A，Martínez J P.Analysis of 12-lead classification models for ECG classification[C].Computing in Cardiology.Belfast，Northern Ire-land，2010：673-676.

[3]Yu S N，Chen Y H.Electrocardiogram beat classification based on wavelet transformation and probabilistic neural network[J].Pattern Recognition Letters，2007，28(10)：1142-1150.

发明内容

本发明的目的是解决现有的心电图心拍分类中特征提取不充分的问题，并且针对特殊的第一导联心电图信号，提提供一种基于卷积神经网络的第一导联心电图心拍分类方法。从而有效提取心电图心拍的特征，并通过设计具体的深度卷积神经网络参数来提升心拍的分类性能。技术方案如下：

一种基于卷积神经网络的第一导联心电图心拍分类方法，包括下面的步骤：

步骤1：准备好训练的第一导联心电图心拍数据和相应的类别标签。