[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

说明书

一种基于特征提取与深度学习的心电信号自动分类方法，将心电信号由一维数据转化为二维数据，利用图像处理与深度学习相结合，提高了心电信号房颤分类的准确性。将心电信号形成多种变换图像，分别从中提取出有益的深度学习特征，辅以提取的心电信号的特征，从而达到精准判别、精准分类的效果，在融合特征5折分类测试中，准确度能达到99%以上。二维图像的采集可分别通过时域信号加强变换、短时傅里叶变换（STFT）、S变换、格拉姆角变换等时域与时频信号处理算法实现。将不同图像采集方法得到的二维图像在深度学习网络中都取得了理想的效果，融合了手工提取特征后模型的抗干扰能力与分类准确率进一步增强。

技术领域

本发明涉及动态心电信号处理领域，具体涉及一种基于特征提取与深度学习的心电信号自动分类方法。

背景技术

心电信号是反映心脏活动重要指标，在心电信号分类领域，特征提取主要靠手动。首先，在提取特征时会遇到诸如噪声、信号倒置等问题，影响最终的分类效果。其次，手动提取特征过程复杂、繁琐，且部分特征分类效果不好，甚至会误导分类的结果，而单纯采用基于深度学习的分类方法也存在提取特征无效、分类准确性不高等问题。

发明内容

本发明为了克服以上技术的不足，提供了一种能够降低心电信号中的各类干扰对分类的影响，还能够从多角度、多层次获得特征的心电信号自动分类方法。

本发明克服其技术问题所采用的技术方案是：

一种基于特征提取与深度学习的心电信号自动分类方法，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；

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)将步骤c)中深度学习特征提取出来，与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一步骤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。

进一步的，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。

进一步的，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。

进一步的，步骤b)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；