[发明专利]心电图心拍分类识别方法及系统

权利要求书

1.一种心电图心拍分类识别方法，其特征在于，包括：

步骤S1：对异常心电数据库中的心电图信号进行预处理，所述预处理包括去除基线漂移处理和去噪处理；

步骤S2：从所述异常心电数据库中选取经过所述预处理后的心电图信号，然后从所述选取的经过所述预处理后的心电图信号中抽取心拍，得到心拍样本集；

步骤S3：从所述心拍样本集中随机选取一部分心拍作为训练样本集，剩余部分的心拍作为测试样本集；

步骤S4：将所述训练样本集输入卷积神经网络模型中进行训练，实现心电图信号特征的提取，其中，所述卷积神经网络模型为五层结构，分别为第一卷积层、最大池化层、第二卷积层、空间金字塔池化层、全连接层，其中，所述空间金字塔池化层用于对所述第二卷积层输出的数据进行尺寸统一；

步骤S5：将所述提取得到的特征信息以及所述测试样本集输入所述卷积神经网络模型中，并采用分类器对所述卷积神经网络模型的输出结果进行分类，实现对不同种类心拍的分类识别。

2.根据权利要求1所述的心电图心拍分类识别方法，其特征在于，在所述步骤S1中，采用小波包分析法对所述异常心电数据库中的心电图信号进行去燥处理。

3.根据权利要求2所述的心电图心拍分类识别方法，其特征在于，采用小波包分析法对所述异常心电数据库中的心电图信号进行去燥处理包括：

对心电图信号进行小波包分解，得到对应的小波包分解树；

采用最小代价原理从所述小波包分解树中获取最佳树；

采用基于Stein无偏似然估计原理的自适应阈值选择法从所述最佳树中获取高频序列的小波包分析系数，采用以信号能量为依据的浮动阈值法从所述最佳树中获取低频序列的小波包分析系数；

根据所述高频序列的小波包分析系数以及所述低频序列的小波包分析系数进行信号的重构。

4.根据权利要求1所述的心电图心拍分类识别方法，其特征在于，所述分类器为Softmax函数分类器。

5.一种心电图心拍分类识别系统，其特征在于，包括：

预处理模块，用于对异常心电数据库中的心电图信号进行预处理，所述预处理包括去除基线漂移处理和去噪处理；

心拍样本获取模块，用于从所述异常心电数据库中选取经过所述预处理后的心电图信号，然后从所述选取的经过所述预处理后的心电图信号中抽取心拍，得到心拍样本集；

选取模块，用于从所述心拍样本集中随机选取一部分心拍作为训练样本集，剩余部分的心拍作为测试样本集；

第一处理模块，用于将所述训练样本集输入卷积神经网络模型中进行训练，实现心电图信号特征的提取，其中，所述卷积神经网络模型为五层结构，分别为第一卷积层、最大池化层、第二卷积层、空间金字塔池化层、全连接层，其中，所述空间金字塔池化层用于对所述第二卷积层输出的数据进行尺寸统一；

第二处理模块，用于将所述提取得到的特征信息以及所述测试样本集输入所述卷积神经网络模型中，并采用分类器对所述卷积神经网络模型的输出结果进行分类，实现对不同种类心拍的分类识别。

6.根据权利要求5所述的心电图心拍分类识别系统，其特征在于，所述预处理模块采用小波包分析法对所述异常心电数据库中的心电图信号进行去燥处理。

7.根据权利要求6所述的心电图心拍分类识别系统，其特征在于，所述预处理模块包括：

分解单元，用于对心电图信号进行小波包分解，得到对应的小波包分解树；

最佳树提取单元，用于采用最小代价原理从所述小波包分解树中获取最佳树；

阈值量化单元，用于采用基于Stein无偏似然估计原理的自适应阈值选择法从所述最佳树中获取高频序列的小波包分析系数，采用以信号能量为依据的浮动阈值法从所述最佳树中获取低频序列的小波包分析系数；

重构单元，用于根据所述高频序列的小波包分析系数以及所述低频序列的小波包分析系数进行信号的重构。

8.根据权利要求5所述的心电图心拍分类识别系统，其特征在于，所述分类器为Softmax函数分类器。