[发明专利]基于多通道信号融合深度神经网络自动心律失常分析方法

权利要求书

1.一种基于多通道信号融合深度神经网络自动心律失常分析方法，它包括：

1）采用三种采样方式进行复合采样，生成多通道心电图样本；

a.对每个导联的心电信号，前后各取100个点再重采样到固定维度600；

b.对每个导联的心电信号，前取2个周期的R-R波区间，后取1个周期的R-R波区间，再重采样到固定维度600；

c.对每个导联的心电信号，前取2个周期的R-R波区间并重采样到300维，后取1个周期的R-R波区间并重采样到300维，最后将前后重采样的信号拼接形成600维信号；

由此三种采样方式所得的600维心电信号分别为Input k1,Input k2和Input k3 ,k为Ⅰ、Ⅱ，是原始心电信号的导联编号，每一个Input的大小为600*1维，此时每导联心电信号由600*1维扩增为600*3维，此时的3表示每一个导联的心电信号拥有3个子导联；使用的数据集中原始心电信号拥有2个导联时，将原始每个导联的心电数据经过所述复合采样方式形成2*3*600维的心电信号样本X，作为深度神经网络模型的输入Input；

将每一导联的输入信号通过合并层合并最后一个维度后输入到一路导联通道中，则每一个导联通道的输入信号大小为600*3，共2个导联通道，其中3指的是通道数；即将每个导联扩展出的子导联合并通道后作为一路导联通道；每一路导联通道中每一层卷积层单元的输出端依次串联一激励单元操作和一池化层操作；第一个卷积层单元的卷积核数为32个，卷积核大小为4，其后的激励单元为relu函数，池化层单元的池化核大小为6，池化步长为3；经过第一层池化单元后的特征图维度为200*32；第二个卷积层单元的卷积核数为64个，卷积核大小为5，其后的激励单元为relu函数，池化层单元的池化核大小为6，池化步长为3；经过第二层池化单元后的特征图维度为67*64；

2)搭建深度神经网络

深度神经网络包括多个依次并联的导联通道，每一个导联通道由串联的卷积层单元组成，在每一路导联通道的输出端有一个合并层，将每一路导联通道的特征图沿最后一个维度合并，即特征图的深度所在维度；在每导联通道输出端的合并层和LSTM层单元间有attention层作为连接单元;每个所述卷积层单元包括一个卷积层以及该卷积层输出端依次串联的一激励单元操作和一池化层操作；所述卷积层单元使用的是一维卷积，用于提取一维心电信号的特征；

LSTM层单元的输出串联一个激励单元为softmax的全连接层；输出；

3）学习深度神经网络的参数；

4）对样本进行自动识别。

2.根据权利要求1所述的一种基于多通道信号融合深度神经网络自动心律失常分析方法，其特征在于：所述的深度神经网络为两个依次串联的卷积层单元和LSTM层单元;

每一路导联通道中两层卷积层单元的输出通过合并层合并最后一个维度，即合并输出特征图的深度所在维度,合并后的特征图大小为67*128；

合并层后串联一个attention单元，attention单元构造了一个维度同样为67*128的权重矩阵与卷积后的特征图对应元素点乘，加权后的特征图输出维度为67*128,这个权重矩阵的元素由神经网络训练得来，矩阵元素初始值为范围在0-1之间的随机数；将加权后的特征图输入到LSTM层单元中，取LSTM层单元的隐藏层数为128，LSTM层单元输出特征图维度为128,LSTM层单元的输出串联一个激励单元为softmax的全连接层，全连接层的输出维度为4，即类别数；最终所述深度神经网络模型输出预测向量维度。

3.根据权利要求2所述的一种基于多通道信号融合深度神经网络自动心律失常分析方法，其特征在于：所述的深度神经网络输出的预测向量维度为4；使用keras开源框架和python语言搭建，使用交叉熵作为损失函数，使用Adam优化器优化损失函数。