[发明专利]一种基于时频分析和循环神经网络的心电图波形分割方法

说明书

本发明公开了一种基于时频分析和循环神经网络的心电图波形分割方法,通过将获取的经标注的原始心电图(Electrocardiogram,ECG)数据集，利用时频分析的方法进行预处理，并按预设比例分为训练集和测试集；构建循环神经网络，送入训练集进行训练，得到训练好的循环神经网络；将测试集代入训练好的循环神经网络，结合测试结果和评价指标选择出最优的ECG波形分割模型。将待标注的ECG数据序列输入ECG波形分割模型，得到ECG分割结果。本发明提供的基于信号处理和深度学习方法的ECG波形分割方法能自动对ECG信号的各个区域进行标注，提高了医生或者ECG自动分类装置对患者心脏健康状态诊断的效率和准确率。

技术领域

本发明涉及心电图波形分割相关领域，具体讲是一种基于时频分析和循环神经网络的心电图波形分割方法。

背景技术

心电图(Electrocardiogram,ECG)是人体心肌细胞膜两侧电位信号的反应，其可以反应人体心脏的健康状态，是医生进行心脏疾病诊断治疗的重要依据之一。对于单个正常的心跳周期，ECG信号可分为以下几种波形形态：P波(表示心房去极化的QRS复波前的小偏移)、QRS复波(心跳的最大幅值部分)、T波(表示心室复极化的QRS复波后的小偏移)。医生在拿到患者的心电图之后，首先便是对各个波形趋于进行标注(即波形分割)，以便根据波形的变化趋势判断心脏的状态。然而，对于一段采样时间十分钟左右的ECG信号，其心跳周期便达数千个，靠医生手动注释ECG信号的每个区域便是一项非常耗时乏味的任务，且有可能标注错误。虽然随着人工智能技术的发展，出现了ECG信号自动分析、分类的装置，但也需要对原始ECG信号进行波形分割等预处理，以提高ECG信号分类的效率和准确率。

发明内容

本发明的目的在于提供一种基于时频分析和循环神经网络的心电图波形分割方法，有助于简化并自动对ECG信号区域的波形标注，以便提高医生和ECG信号自动分类装置的效率和准确率。

实现本发明目的的技术解决方案为：一种基于时频分析和循环神经网络的心电图波形分割方法，包括以下步骤：

步骤1，获取经标注的原始ECG数据集，将每组ECG数据划分为多个包含5000个采样点的时序数据段，丢弃其余采样段，并将数据集转换为元胞数组；

考虑到将非常长的数据序列传递到循环神经网络将影响模型的标注性能，同时将占用过多计算内存，影响神经网络模型的训练效率，因此将每组ECG数据划分为多个包含5000个采样点的时序数据段，余下的数据段便丢弃。为了便于神经网络的读取，将数据集转化为元胞数组。

步骤2，设计一个带通带频率范围为[0.5 40]Hz的带通滤波器，并将其应用于ECG数据集；

ECG中三种典型心跳波形占据不同的频带，其中：QRS复波的典型频谱以大约10-25Hz为中心频率，并且其分量低于40Hz，发生P波和T波的频率甚至更低，P波分量低于20Hz，T波分量低于10Hz。由患者呼吸运动引起的基线漂移是一种低频(0.5Hz)振荡，这种振荡与心跳形态无关，不会对ECG波形分割及分类提供有意义的信息。因此，设计一个通带频率范围为[0.5 40]Hz的带通滤波器，以消除基线漂移和任何高频噪声，消除这些分量可改进循环神经网络的训练，因为网络不会学习不相关特征。

步骤3，对ECG数据集进行傅里叶同步压缩变换，将经傅里叶同步压缩变换后的实部和虚部视为单独的特征；

ECG数据是一组组前后联系紧密的时间序列，针对时序数据的分类，比较成功的方法是提取时序数据的时频特征将其送入网络进行训练而不是原始数据，然后，网络同时从时间和频率两个维度学习数据的特征。因此，本发明使用傅里叶同步压缩变换处理ECG数据集，采样频率Fs为原始ECG数据的采样频率，kaiser窗设为128，频率显示轴设为’yaxis’。

步骤4，将ECG数据集中的每组数据顺序打乱，按预设比例划分为训练集和测试集，并标准化训练集和测试集；