[发明专利]基于深度神经网络的心电图信号特征提取方法、装置、系统、设备和分类方法

说明书

本发明公开了一种基于深度神经网络的心电特征提取方法、装置、系统、设备和分类方法，其中，基于深度神经网络的心电特征提取方法，包括如下步骤：在待处理的十二导联心电图中随机截取一段连续的心电图信号，该心电图信号至少包含两个心动周期；将截取的心电图信号以图片形式输入特征提取模型中，提取得到心电图信号特征；所述特征提取模型基于VGG模型训练得到。本发明提供的基于深度神经网络的心电特征提取方法、装置、系统、设备和分类方法，减少人为设计特征带来的不完备性，提高基于深度神经网络的心电特征提取的准确率以及多样性。

技术领域

本发明涉及心电图信号处理技术领域，具体涉及基于深度神经网络的心电图信号特征提取方法、装置、系统、设备和分类方法。

背景技术

心电检测是目前最主要的检测和诊断心脏疾病的手段，人体心电信号(Electrocardiograph，ECG)是心脏电活动在体表的综合表现，通过提取心电图中的特征信息，可以得到心脏各部位的生理状况。

以心律失常为例，目前的心律失常分析主要采用波形分析法和模板匹配法。波形分析法首先获取特征波形参数，如特征波形的幅值、时间长度、上升/下降时间、波形间期等，这些波形参数和根据临床经验获取的判断阈值进行对比，可以得到心律失常的分析结果。模板匹配法主要通过计算出被检测者心电信号中的平均R-R间期和R波平均形态作为模板，将被检测者每次心跳的R-R间期和R波形态与模板对比，若两者的差异超出一定范围，则认为发生了心律失常。

波形分析法采用固化的特征波形参数的经验阈值作为判断依据，较为简单和直观，特征值较少，分类类型有限，且心电图形态对噪声非常敏感，各种变换域和统计方法对心律失常类型的定义比较混乱，分类结果和效果也各不相同。而模板匹配法只有在被检测者的R波形态与模板具有较大差异时，才能做出有效判断，对差异不明显的心律失常波形不能有效判断。

人体是一个非线性的复杂系统，个体心电信号的形态会随时间发生改变，而且身体健康情况对心电信号也有较大影响，心电信号数据非常庞大复杂，需要进行更加充分的特征信息提取。

发明内容

本发明提供了一种基于深度神经网络的心电图信号特征提取方法、装置、系统、设备和分类方法，提高心电图信号特征提取的准确性和多样性。

一种基于深度神经网络的心电图信号特征提取方法，包括如下步骤：

在待处理的十二导联心电图中随机截取一段连续的心电图信号，该心电图信号至少包含两个心动周期；

将截取的心电图信号以图片形式输入特征提取模型中，提取得到心电图信号特征；所述特征提取模型基于VGG模型训练得到。

以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。

通过特征提取模型提取到的特征应作宽泛理解，既包括直接从心电图提取到的信息，也包括对直接提取的信息做一进步处理得到的信息，进一步处理包括分类等处理方式。

可选地，所述特征提取模型包括卷积层、池化层和全连接层，其中，卷积层和池化层均采用Relu激活函数或其变体，全连接层采用softmax函数。

可选地，所述卷积层中第一卷积层包括3个卷积通道，每个卷积通道的卷积核均为{{1，1，1}，{1，1，1}，{1，1，1}}。

可选地，所述池化层采用取最大值法，池化窗口大小为(2，2)。

可选地，所述全连接层包含三层，第一层的神经元个数为4096，第二层的神经元个数为1024，第三层的神经元个数为20。

一种基于深度神经网络的心电图信号特征提取装置，包括：