[发明专利]一种基于特征提取与深度学习的心电信号自动分类方法

权利要求书

1.一种基于特征提取与深度学习的心电信号自动分类方法，其特征在于，包括如下步骤：

a)获取用于训练的心电信号，获得心电信号的类别标签，并进行预处理；

b)将步骤a)中的心电信号分别转化为时域增强图、S变换时频图、STFT时频图和格拉姆角矩阵图，具体的包括如下步骤：

b-1)通过公式signalImage＝f(signal,mapH,mapW)计算得到心电信号signal的二维时域增强图signalImage，式中mapH为构建的二维时域增强图的图像高度，mapW为构建的二维时域增强图的图像宽度；

b-2)通过公式及计算二维时域增强图signalImage的横坐标x和纵坐标y，式中x₀为位于横坐标x左侧的心电信号signal中对应点的横坐标，x₁为位于横坐标x右侧的心电信号signal中对应点的横坐标，y₀为位于纵坐标y左侧的心电信号signal中对应点的纵坐标，y₁为位于纵坐标y右侧的心电信号signal中对应点的纵坐标，sigRangeW为心电信号signal的信号长度，n为小于mapW的正整数，N^*为正整数，通过公式Imagex＝ceil((1:sigRangeW)·*(mapW/sigRangeW))及Imagey＝ceil((y-min(y))·*(mapH/(max(y)-min(y))))计算二维时域增强图signalImage中显示为亮色的点的横坐标Imagex及纵坐标Imagey，式中·*为点乘计算，ceil()为ceil函数，max(y)为纵坐标y中的最大值，min(y)为纵坐标y中的最小值，通过公式signalImage＝zeros(mapH,mapW)及signalImage(Imagex,Imagey)得到以纯黑色为底色，增强后的心电信号为白色的二维图像，式中zeros()为zeros函数；

b-3)利用公式计算得到心电信号的一维S变换时频图S(f,τ)，式中f为频率，τ为时移因子，j为虚数单位，e为自然常数，t为时间；

b-4)利用公式计算得到心电信号signal的象函数F(ω)，式中ω为频率，通过公式计算得到心电信号的STFT时频图STFT(t,ω)，w(τ-t)为窗函数；

c)将步骤b)中转化后的心电信号的图像送入卷积神经网络中，获得各个图像的深度学习特征；

d)通过如下步骤提取心电信号特征：

d-1)通过公式计算心电信号中R-R间期的平均值MeanRR，计算心电信号中R-R间期差分值的平均值MeanΔRR，式中RRinterval_i为每一个间期的时长，ΔRRinterval_i为相邻间期的时长差；

d-2)通过公式计算可定义检测比RatioPR；

d-3)通过公式计算得到心电信号中的SDNN信号，通过公式计算得到心电信号中的SDSD信号，通过公式计算得到心电信号中的rMSSD信号，通过公式计算得到心电信号中pNN50信号，式中NN50为ΔRRinterval_i中大于50ms的个数；

将步骤c)中深度学习特征提取出来，与步骤d-1)至d-3)中提取的心电信号特征进行融合，形成特征融合分类器；

e)将待分类的心电信号以步骤b)中的方式转化为时域增强图、S变换时频图、STFT时频图和格拉姆角矩阵图，将转化后的图像输入步骤c)中的卷积神经网络中获得深度学习特征，将深度学习特征提取出来；

f)将步骤e)中提取的特征输入到步骤d)中的特征融合分类器中进行分类，得到分类结果。

2.根据权利要求1所述的基于特征提取与深度学习的心电信号自动分类方法，其特征在于：步骤a)中采用椭圆带通滤波器对心电信号中存在的基线漂移、运动伪影的噪声信号进行去除，对心电信号倒置进行纠正，完成心电信号的预处理。

3.根据权利要求1所述的基于特征提取与深度学习的心电信号自动分类方法，其特征在于：步骤a)中的心电信号从可穿戴心电衣中获取或从标准心电数据库中获取。

4.根据权利要求1所述的基于特征提取与深度学习的心电信号自动分类方法，其特征在于：所述窗函数为汉明窗。

5.根据权利要求1所述的基于特征提取与深度学习的心电信号自动分类方法，其特征在于：步骤c)从卷积层中提取特征时通过公式进行最大池化处理，得到最大值y_max(i,j)，式中a为以坐标i,j为中心相邻的若干点的横坐标，b为以坐标i,j为中心相邻的若干点的纵坐标，f()为激活函数，通过公式A＝f(xW+b)计算非线性变换后的输出结果A，A为深度学习特征，式中b为偏置项，W为全连接权重。