[发明专利]基于神经网络时频分析相结合的心电身份识别方法及系统

权利要求书

1.一种基于神经网络时频分析相结合的心电身份识别方法，其特征在于，包括：

对心电信号进行预处理；

将预处理后的心电信号进行时频转换，提取出每个心拍的倒谱系数作为识别特征，得到初始频域特征向量，再将初始频域特征向量输入至第一神经网络模型，得到抽象后的频域特征向量；基于第二神经网络模型提取预处理后的心电信号的时域特征，获取时域特征向量；

第二神经网络模型为时延神经网络，时延神经网络为一维卷积网络；

特征提取的具体过程为：

使用改进的时延神经网络对心电信号的时域特征进行提取，其中L1层输入为1维的原始心拍，L2层对L1输出的feature map进行一维空洞卷积，即不连续卷积，使得每一次卷积得到的输出可以体现出当前时刻更早之前和更晚之后的特征，L3层同样为不连续卷积，但卷积间隔相比L2层更大，其中各层均使用relu作为激活函数并添加dropout防止过拟合，最后的池化层是对L3层的输出在时间维度上计算平均值以及标准差，将平均值以及标准差拼接在一起最终得到时域特征向量；

将得到的频域特征向量输入到一个3层的BP神经网络，激活函数同样为relu，得到抽象后的频域特征向量；

将抽象后的频域特征向量与时域特征向量拼接后输入最后的激活函数为softmax的全连接层进行识别，输出识别结果。

2.如权利要求1所述的基于神经网络时频分析相结合的心电身份识别方法，其特征在于，在对心电信号进行预处理的过程中，使用Pan-Tompkins算法检测出R峰的位置，基于两个R峰选取它们之间的采样点的信号得到一个心拍。

3.如权利要求2所述的基于神经网络时频分析相结合的心电身份识别方法，其特征在于，将各心拍重采样，使每个心拍采样点数相同。

4.如权利要求1所述的基于神经网络时频分析相结合的心电身份识别方法，其特征在于，根据线性频率与Mel频率的映射公式，将Mel频率转换到线性频率上的滤波器组分布。

5.如权利要求4所述的基于神经网络时频分析相结合的心电身份识别方法，其特征在于，滤波器组的具体计算方法如下：

确定心电信号最低及最高线性频率以及Mel滤波器个数；

计算最低最高线性频率对应的Mel频率；

计算相邻两个Mel滤波器中心频率的距离：(最高Mel频率-最低Mel频率)/(滤波器个数+1)；

将各个中心Mel频率转成线性频率；

计算频率对应FFT中点的下标。

6.一种基于神经网络时频分析相结合的心电身份识别系统，其特征在于，包括：

预处理模块，其用于对心电信号进行预处理；

特征提取模块，其用于将预处理后的心电信号进行时频转换，提取出每个心拍的倒谱系数作为识别特征，得到初始频域特征向量，再将初始频域特征向量输入至第一神经网络模型，得到抽象后的频域特征向量；基于第二神经网络模型提取预处理后的心电信号的时域特征，获取时域特征向量；第二神经网络模型为时延神经网络，时延神经网络为一维卷积网络；

特征提取的具体过程为：

使用改进的时延神经网络对心电信号的时域特征进行提取，其中L1层输入为1维的原始心拍，L2层对L1输出的feature map进行一维空洞卷积，即不连续卷积，使得每一次卷积得到的输出可以体现出当前时刻更早之前和更晚之后的特征，L3层同样为不连续卷积，但卷积间隔相比L2层更大，其中各层均使用relu作为激活函数并添加dropout防止过拟合，最后的池化层是对L3层的输出在时间维度上计算平均值以及标准差，将平均值以及标准差拼接在一起最终得到时域特征向量；

将得到的频域特征向量输入到一个3层的BP神经网络，激活函数同样为relu，得到抽象后的频域特征向量；

识别模块，其用于将抽象后的频域特征向量与时域特征向量拼接后输入最后的激活函数为softmax的全连接层进行识别，输出识别结果。

7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的基于神经网络时频分析相结合的心电身份识别方法中的步骤。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的基于神经网络时频分析相结合的心电身份识别方法中的步骤。