[发明专利]一种基于深度学习的智能化异常心电辅助诊断方法

说明书

本发明实施例公开了一种基于深度学习的智能化异常心电辅助诊断方法，该基于深度学习的智能化异常心电辅助诊断方法包括：预处理心电图信号，得到心电图信号中各心动周期的二值图像；采用深度卷积神经网络提取二值图像的深层次的隐式特征；通过分类器根据特征对心电图中的心拍进行分类。

技术领域

本发明涉及生物信号处理技术领域，具体涉及一种基于深度学习的智能化异常心电辅助诊断方法。

背景技术

在我国，由心血管疾病引起的死亡占到了总死亡构成比的40％左右，对人们的健康造成了极大的威胁。心血管病具有突发想和危险性，Norris等研究也指出了72％的患者在心脏骤停发生前有明显的不适，其中70％的患者的症状持续超过15分钟。因此，对患者进行实时心电诊断以及时发现心电异常变化对心血管疾病防治有重要意义。心电信号处理是移动医疗领域的研究热点，其心拍的多分类是诊断心血管疾病的重要依据，在医疗上，人工的分类往往需要耗费大量的时间与精力，所以智能化异常心电辅助诊断作为一种近些年来新兴的医疗诊断模式，它将医学传感、移动终端、云服务等技术融为一体，在智能终端普及率逐日提升与通信技术快速发展的形势下，有利于提高人们的生活质量，有效缓解“民众看病难”的问题。尽管，市场上现已有多种类似的心电异常诊断系统，然而通过对相关技术进行了深入研发，综合来看，现有产品已经渐渐无法满足人们的需求。

发明内容

本发明实施例的目的在于提供一种基于深度学习的智能化异常心电辅助诊断方法，用以解决(1)传统的面向心电图心拍分类的一维输入CNN模型中的局部感受野(卷积核)是在时间维度上划分的，只包含了心拍表达的一个维度，不能表达心拍在不同维度间的关系、规律建模，无法使心拍在多维度上建立分布式的特征表达，限制了CNN的卷积层的局部感受野和池化层的池化分组的设计理念；(2)一维深度卷积神经网络不能很好的算法复杂、低效的“人工”的心电信号特征提取方式；(3)传统的手工调整网络中学习率参数，训练网络时易出现过拟合现象；(4)神经网络中每一层输出的神经元个数过多，导致过长训练和测试周期时间和降低的识别精度；(5)缺乏系统、全面的系统性能评估指标的问题。

为解决上述目的，本发明实施例提供一种基于神经网络的智能化异常心电监测方法，该方法包括：预处理心电图信号，得到心电图信号中心拍的二值图像；采用深度卷积神经网络提取二值图像的深层次的隐式特征；通过分类器根据特征对心电图心拍进行分类。

可选的，预处理心电图信号，得到心电图信号中心拍的二值图像，包括：

对心电图信号进行去噪处理；

将去噪后的心电图信号分割成心拍，并将心拍对应的幅度值归一化，得到心拍形态学信息；

将心电图中相邻两个心拍间的时间信息的值归一化，得到心拍节律信息；

将心拍形态学信息和心拍节律信息进行融合，得到心拍的信息融合向量；

将心拍的信息融合向量进行独热编码，得到二值图像。

可选的，对心电图信号进行去噪处理，包括：

对心电图信号进行小波变换，并根据估计阈值对阈值以下的小波分解的高频系数进行阈值化处理，对小波分解的低频系数和阈值化处理后的高频系数进行重构，得到去噪后的心电图信号。

可选的，对心电图信号进行小波分解，并根据估计阈值对阈值以下的小波分解的高频系数进行阈值化处理，对小波分解的低频系数和阈值化处理后的高频系数进行重构，得到去噪后的心电图图信号，包括：

采用小波基函数对心电图信号在三尺度上进行小波分解；

对第一层到第三层的高频系数，采用基于Stein无偏似然估计方法估计阈值，并采用软阈值方法对阈值以下的高频系数进行阈值化处理；

根据第三层低频系数和阈值化处理后的各层高频系数进行重构，得到去噪后的心电图信号。