[发明专利]一种基于ECG的多尺度特征提取方法及装置

权利要求书

1.一种基于ECG的多尺度特征提取方法，其特征在于，包括以下步骤：

基于一个导联的ECG信号截取获得若干ECG信号识别单元，所述ECG信号识别单元为一个导联的所述ECG信号中包括至少一个心动周期的波段；

所述基于一个导联的ECG信号截取获得若干ECG信号识别单元包括：

对一个导联的所述ECG信号进行关键点检测获取R波顶点，然后根据检测到的R波顶点位置对每个导联进行ECG信号识别单元截取，截取表达式为：ECG_cell＝EGG[R(m+p)-R(m)]；其中：ECG[R(m+p)-R(m)]表示第m个R波顶点和第m+p个R波顶点间的ECG序列，m、p＝1，2，3，4，…；

将若干所述ECG信号识别单元进行多尺度分解，构建ECG多尺度空间；

所述将若干所述ECG信号识别单元进行多尺度分解，构建ECG多尺度空间包括：

分别取12个导联的横向排列为二维矩阵A1，横向排列为二维矩阵A2，横向排列为二维矩阵A3，…，横向排列为二维矩阵A12；然后将A1、A2、A3、…、A12叠加为多维矩阵；其中…、为所述ECG信号识别单元根据ECG信号的多尺度空间构建公式被分解的小波频带；

所述ECG信号的多尺度空间构建公式如下：

其中表示导联信号的近似小波系数，表示导联信号的细节小波系数，h(n-2k)和g(n-2k)为对应的低通滤波器和高通滤波器，其中n、k＝1，2，3，4，…；

将所述ECG多尺度空间中的ECG多尺度空间信号通过预设的卷积神经网络进行多尺度特征提取；

所述预设的卷积神经网络结构设计为：输入层→卷积层1→卷积层2→池化层1→卷积层3→卷积层4→池化层2→卷积层5→池化层3→卷积层6→池化层4→卷积层7→全连接层1→全连接层2→SoftMax分类器→输出层。

2.根据权利要求1所述的基于ECG的多尺度特征提取方法，其特征在于，对所述ECG信号识别单元根据ECG信号的多尺度空间构建公式进行3尺度分解。

3.根据权利要求1所述的基于ECG的多尺度特征提取方法，其特征在于，在所述预设的卷积神经网络结构中，使用ReLu函数作为激活函数；所述预设的卷积神经网络结构的训练阶段分别在全连接层1和全连接层2中加入Dropout操作；在所述预设的卷积神经网络结构中，在其目标函数中加入L2正则项。

4.根据权利要求1所述的基于ECG的多尺度特征提取方法，其特征在于，所述方法在基于一个导联的ECG信号截取获得若干ECG信号识别单元之前还包括：

对采集的导联ECG信号进行滤波处理。

5.根据权利要求4所述的基于ECG的多尺度特征提取方法，其特征在于，所述对采集的导联ECG信号进行滤波处理包括：

通过小波技术去除导联ECG信号基线漂移，然后通过小波与巴特沃兹滤波器联合去噪方法去除ECG信号的工频干扰。

6.一种基于ECG的多尺度特征提取装置，其特征在于，包括：

识别单元截取单元，用于基于一个导联的ECG信号截取获得若干ECG信号识别单元，所述ECG信号识别单元为一个导联的所述ECG信号中包括至少一个心动周期的波段；

所述识别单元截取单元基于一个导联的ECG信号截取获得若干ECG信号识别单元包括：

对一个导联的所述ECG信号进行关键点检测获取R波顶点，然后根据检测到的R波顶点位置对每个导联进行ECG信号识别单元截取，截取表达式为：ECG_cell＝ECG[R(m+p)-R(m)]；其中：ECG[R(m+p)-R(m)]表示第m个R波顶点和第m+p个R波顶点间的ECG序列，m、p＝1，2，3，4，…；

ECG多尺度空间构建单元，用于将若干所述ECG信号识别单元进行多尺度分解，构建ECG多尺度空间；

所述ECG多尺度空间构建单元将若干所述ECG信号识别单元进行多尺度分解，构建ECG多尺度空间包括：

分别取12个导联的横向排列为二维矩阵A1，横向排列为二维矩阵A2，横向排列为二维矩阵A3，…，横向排列为二维矩阵A12；然后将A1、A2、A3、…、A12叠加为多维矩阵；其中…、为所述ECG信号识别单元根据ECG信号的多尺度空间构建公式被分解的小波频带；

所述ECG信号的多尺度空间构建公式如下：

其中表示导联信号的近似小波系数，表示导联信号的细节小波系数，h(n-2k)和g(n-2k)为对应的低通滤波器和高通滤波器，其中n、k＝1，2，3，4，…；

多尺度特征提取单元，用于将所述ECG多尺度空间中的ECG多尺度空间信号通过预设的卷积神经网络进行多尺度特征提取；

所述预设的卷积神经网络结构设计为：输入层→卷积层1→卷积层2→池化层1→卷积层3→卷积层4→池化层2→卷积层5→池化层3→卷积层6→池化层4→卷积层7→全连接层1→全连接层2→SoftMax分类器→输出层。