[发明专利]一种心律异常预测方法

说明书

本发明公开了一种心律异常预测方法，包括以下步骤：将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量；将输入向量通过多个RNN模型训练获得多个底层分类器；采用全连接神经网络融合多个底层分类器预测ECG异常事件。本发明先采用多种CNN模型提取ECG数据的特征向量后组合成输入向量，再采用RNN提取输入向量中的时序信息，构成具有预测ECG异常能力的底层分类器，最后底层分类器再次预测ECG数据获得预测结果，并采用全连接神经网络将预测结果融合形成最佳的预测结果，进一步使预测结果更为精准。

技术领域

本发明属于心电生理分析技术领域，具体涉及一种心律异常预测方法。

背景技术

心律失常是心血管疾病中重要的一组疾病，它可单独发病，亦可与其他心血管病伴发，可突然发作而致猝死，亦可持续累及心脏而致其衰竭。因此，对心律的精准诊断与及时治疗是应对心血管疾病的有效措施。目前，通过利用心电图机从体表记录心脏每一心动周期所产生的电活动，制成心电图（ECG）用于检测和诊断心律情况。然而，通过医生对心电图分析和判断，容易受医生的职业能力或经验等主观因素影响，同时数量庞大的心电图影像会使医生疲劳，导致工作效率较低。近年来，心律异常的计算机辅助诊断系统出现在学术研究和临床实验中，它能够高效且精准地定位异常问题，受到广大医护人员青睐。

深度学习技术通过对处理后的ECG进行特征提取与选择，分析并判断心脏的运转情况。因此，对ECG的特征提取效果直接决定了分类性能，目前主要方法模型有两种，一种是采用卷积神经网络（CNN）提取某段ECG数据后通入神经网络进行预测判断，另一种是采用循环神经网络（RNN）对ECG数据进行预测判断。只使用一个模型，或者使用一类模型对于ECG异常事件的预测虽然已经能有不错的效果，但是对于一些特定的异常事件的预测，某一类模型可能会出现较大的误判率。

发明内容

本发明的目的是为了解决上述单一模型对ECG数据预判容易出现误判的技术问题，提供一种心率异常预测方法，采用多种不同模型预测ECG数据的异常情况，并采用全连接神经网络模型将多种预测结果融合后生成最佳预测结果，使预测结果更真实地反映ECG数据情况。

为了解决上述问题，本发明按以下技术方案予以实现的：

本发明所述一种心律异常预测方法，包括以下步骤：

将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量；

将输入向量通过多个RNN模型训练获得多个底层分类器；

采用全连接神经网络融合多个底层分类器预测ECG异常事件。

进一步地，所述将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量具体为：

采用多个CNN模型提取ECG数据集的空间特征，得到多个相同维数的特征向量；

将多个特征向量在深度方向合并，形成输入向量。

进一步地，所述CNN模型包括卷积层和池化层，所述卷积层用于提取ECG数据集的空间特征后形成特征图，所述池化层用于对特征图特征选择和信息过滤后生成特征向量。

进一步地，所述将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量之前包括获取ECG数据集并对其预处理，具体为：

获取医疗心电样本；

对医疗心电样本进行增强操作，并对其竖直翻转后获得ECG数据集。

进一步地，所述对原始心跳样本的数据进行增强操作包括对医疗心电样本数据进行随机平移或加减。

进一步地，所述将输入向量通过多个RNN模型训练获得多个底层分类器具体为：