[发明专利]一种基于ECG的多尺度特征提取方法及装置

说明书

本发明涉及一种基于ECG的多尺度特征提取方法及装置。该方法及装置先基于一个导联的ECG信号截取获得ECG信号识别单元，并将ECG信号识别单元进行多尺度分解，构建ECG多尺度空间；再将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。其中的ECG信号识别单元包括至少一个心动周期的波段，将更加有利于卷积神经网络进行心肌梗死的心电图变异特征与空间特征学习，并通过预设的卷积神经网络能够从心电信号中提取更深层次的变异特征，这种变异特征具有较强的疾病判别能力，并根据卷积神经网络的空间学习能力获取发病位置相关的空间特征，为医生进行心肌梗死的位置预判具有重要的实际参考价值。

技术领域

本发明涉及医学信息处理领域，具体而言，涉及一种基于ECG的多尺度特征提取方法及装置。

背景技术

心肌梗死是最常见的一种心血管疾病，它主要是由于冠状动脉堵塞引起的对应下游心肌缺氧，进而导致该区域的心肌发生坏死。ECG是测量心脏电活动的主要工具，12导联ECG能够对应相应的心脏区域，被广泛的应用于心肌梗死的临床诊断中。在临床上，确定心肌梗死发生位置对于进一步的治疗有重要意义。有经验的临床医生可以根据多个导联发生病变的耦合关系来确定梗死发生的位置。例如，ST段太高和病理性Q波发生在V1导联和V2导联表明心肌梗死的位置可能发生在心脏前侧壁位置；类似的波形改变如果发生在Ⅱ、Ⅲ、aVF导联，则预示着梗死发生在心脏的下壁位置。然而，这种判断对于医生的经验往往会有很高的要求，而且是费时和费力的过程。因此，开发心肌梗死位置自动检测系统十分有必要。当前相关研究主要基于特征提取与传统机器学习相结合的方法，这些方法首先通过特征提取算法获取心肌梗死相关特征，如通过特征点检测算法获取Q波、R波、S波以及T波等，然后基于这些特征点提取相应的波形特征，最后使用传统机器学习算法(BP神经网络、SVM、K-NN等)对特征进行分类识别。

但现有算法一般都需要进行Q波、R波、S波以及T波等的关键点检测，特征提取的准确性依赖于关键点检测的精准度，而关键点检测的精确度直接受到噪声的干扰，因此基于关键点检测的特征提取方法具有抗干扰能力弱的缺点；同时现有算法的模型泛化能力差，准确率低。

发明内容

本发明实施例提供了一种基于ECG的多尺度特征提取方法及装置，以至少解决现有对ECG信号进行特征提取时无法提取更深层次的变异特征的技术问题。

根据本发明的一实施例，提供了一种基于ECG的多尺度特征提取方法，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，ECG信号识别单元为一个导联的ECG信号中包括至少一个心动周期的波段；

将若干ECG信号识别单元进行多尺度分解，构建ECG多尺度空间；

将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。

进一步地，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(n+k)-R(n)]；其中：R(n+k)-R(n)表示第n个R波顶点和第n+k个R波顶点间的ECG序列，n、k＝1，2，3，4，…。

进一步地，k取值2。

进一步地，将若干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，…；然后将A1、A2、A3，…叠加为多维矩阵；其中为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；

ECG信号的多尺度空间构建公式如下：