[发明专利]一种基于深度学习的心电信号分类诊断方法

权利要求书

1.一种基于深度学习的心电信号分类诊断方法，其特征在于，包括：

步骤1：利用心电采集设备对左上肢和右上肢之间的心电信号进行采集得到原始心电信号；

步骤2：将原始心电信号进行预处理得到去噪后心电信号，提取去噪后心电信号的特征波；

步骤3：将心电信号的特征波进行四阶多贝西小波的小波变换，将小波系数按照一定规律构建变换矩阵；

步骤4：将变换矩阵视为心电信号的特征波对应的时频图，传入深度学习模块，得到心电信号采集者可能患有的疾病。

2.根据权利要求1所述的基于深度学习的心电信号分类诊断方法，其特征在于：步骤1中所述原始心电信号为s_orig＝[a₁,a₂,…,a_N]，其中N为采集的样本数。

3.根据权利要求1所述的基于深度学习的心电信号分类诊断方法，其特征在于：步骤2中所述原始心电信号进行预处理得到去噪后心电信号为：

将原始心电信号s_orig＝[a₁,a₂,…,a_N]，其中N为采集的样本数输入至6阶巴特沃斯低通滤波器，滤除原始心电信号的高频噪声，得到去噪后心电信号s_denois＝_e[b₁,b₂,…,b_N]；

步骤2中所述提取去噪后心电信号的特征波s_feature为：

利用提出的快速检测心电信号中qrs波群的算法，提取s_denoise＝[b₁,b₂,…,b_N]中的R波并计算第n段心电信号s_denoise中R波的总数量K_n，n为R波心电信号的序号，n∈[1,M]，M为R波段的数量；

在心电信号采样时间t分钟内，依据相关医学知识，每段心电信号s_denoise中R波数量K_n应该在50t≤Kn≤100t范围内，对经过提取特征波后心电信号进行初步检测，K_n＞100t或K_n＜50t的R波可认为是噪声信号或受噪声影响过大的心电信号，用全0序列代替第n段心电信号s_denoise；

依据第n段心电信号s_denoise中R波的总数量K_n对心电信号s_denoise提取特征波s_feature，提取特征波过程如下：

若第n段心电信号s_denoise为非0序列，则在不超出信号长度范围内，选择位于第n段心电信号s_denoise中部的R峰峰值点，并以该点为中心，分别从左右各取一定数量的信号点作为该心电信号的特征波，为了更好体现信号的特征和降低计算量，选取的特征波长度L包含正常心率下的四个完整心跳波形；

若第n段心电信号s_denoise为0序列，则用长度L的0序列作为这类信号的特征波。

4.根据权利要求1所述的基于深度学习的心电信号分类诊断方法，其特征在于：步骤3中所述心电信号的特征s_feature进行四阶多贝西小波的小波变换为：

将特称波s_feature用mallet算法对信号进行小波分析，使用四阶多贝西小波对特征波进行尺度为f/60-0.6f的小波变换，其中f为采样频率，提取信号的小波系数，得到相应变换后的小波系数λ_d，d∈[1,D]；

步骤3中所述将小波系数按照一定规律存放在矩阵中为：

特征波s_feature不同尺度的小波变换后的系数λ₁，λ₂，...，λ_D，按照顺序放入矩阵的每一行中，得到每一个特征波s_feature所对应的变换矩阵A＝[λ₁，λ₂，...，λ_D]。

5.根据权利要求1所述的基于深度学习的心电信号分类诊断方法，其特征在于：步骤4中所述传入深度学习模块，得到心电信号采集者可能患有的疾病：

将变换矩阵视为特征波s_feature对应的时频图；

每一个特征波s_feature所对应的变换矩阵A＝[λ₁，λ₂，...，λ_D]采用ResNet-34模型，利用该网络可以获得原始心电信号s_orig＝[a₁,a₂,…,a_N]的采集者可能患有的疾病和可能性的大小,每种疾病患病的可能性由softmax函数计算得到，当可能性大于设定阈值时即可认为信号采集者患有该种疾病。