[发明专利]一种基于深度学习的强泛化能力的T波形态分类系统

说明书

本公开提供了一种基于深度学习的强泛化能力的T波形态分类系统，数据预处理模块，被配置为：获取心电信号数据，并对获取的数据进行预处理；片段提取模块，被配置为：提取R波波峰位置和T波终点位置，得到包含R波与T波的信号片段；预测概率向量提取模块，被配置为：将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频域预测概率向量；分类模块，被配置为：将时域和时频域的预测概率向量进行加权融合，根据新得到的向量得到T波形态分类结果；本公开针对动态穿戴式心电监测或强噪声心电信号极大的提高了T波形态分类的准确度。

技术领域

本公开涉及心电信号分类技术领域，特别涉及一种基于深度学习的强泛化能力的T波形态分类系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

心血管疾病已经成为人类死亡的首要原因。随着穿戴式技术的不断进步，心电信号的长时间连续监控成为可能。动态心电图是一种可以长时间连续记录并分析人体自然状态下心电图变化的方法，一般24小时内可连续记录多达10万次左右的心电信号，可以提高对非持续性心律失常，尤其是对心律失常及短暂的心肌缺血发作的检出率，扩大了心电图临床运用的范围；而如此巨大的数据量会造成数据灾难，故心电波形的自动筛选成为心电监控的必要条件，是可穿戴设备中重要的研究热点。T波是心电图的5个主要波之一，反应心脏收缩周期变化，是心室复极化过程，其形态主要由心室电活动的空间顺序决定，并受解剖学、病理学等多重因素影响，是心肌缺血、急性心肌梗死、急性心包炎以及脑血管意外等病理的关键指标。由于T波幅值较小且形态复杂，实时监护是在不影响受试者正常活动的情况下完成的，往往伴随着复杂的噪声和干扰，这给T波的检测与分类带来了很大困难。

目前，已有许多学者在T波的检测识别方面做了相关工作。有研究人员使用小波变换来检测T波电交替，这种方法需要针对不同形态的T波来设置不同标准的阈值来进行检测，但是由于T波形态变化复杂，该方法中的阈值设置只适用于少数形态T波的识别，应用范围受限。有研究人员建立了一个关于T波的数学模型并利用该模型检测T波并完成T波的分类，但这种数学模板检测法极易受噪声干扰和T波形态变化的影响，导致模型泛化性能较差。有研究人员提出了一种改进的算法检测异常T波。首先去除心电信号中的QRS波群后，利用小波变换方法获取剩余心电信号的模极值对，从中提取出T波形态模极大值的个数与正负顺序作为特征输入支持向量机，对6种不同形态的T波进行分类，最终对异常T波的检测准确率达到了96.38％。

上述算法虽然在区分正常、异常形态的T波时准确率较高，但是多基于静态数据且未列出对每一类异常形态的T波的分类结果，导致模型泛化能力较差。

有研究人员设计了一种基于集成分类器的算法来检测异常T波，该方法将机器学习中的决策树、逻辑回归及支持向量机等算法融合构成集成分类器。首先检测QT间期的起止点并提取QT间期的形态特征，然后将其输入集成分类器来判断T波形态，经欧盟ST-T数据库验证，算法分类准确率为92.54％。有研究人员将T波形态分为5类，首先基于当前RR间期的长度，用滑动搜索窗的方法确定了T波终点和T波峰点，然后利用ST段起点与T波峰值点这两点间的拟合直线和信号差值，当差值达到最大时确定了T波的起点，最后基于决策树思想，使用T波幅值、T波峰值、T波极大值点的位置和时间等特征参数来区分五种不同形态的T波，经欧盟ST-T数据库验证，最终测试组的分类准确率为91.8％。该算法主要是基于规则形态下的T波检测与分类，对信号质量有较高的要求。有研究人员采用基于主成分分析、阈值法、线性回归和符号法的综合方法对T波形态进行分析，用“ABCDE”五种符号表示T波的异常形态，经欧盟ST-T数据库验证，T波形态分析准确率最终在92％。

但是上述基于人为特征的算法大大影响了算法的鲁棒性，并且算法识别准确率也遇到了瓶颈。

发明内容