[发明专利]基于多尺度自回归模型的心电图识别方法

说明书

本发明公开了一种基于多尺度自回归模型的心电图识别方法，具体包括如下步骤：步骤1，获取心电信号，并对心电信号进行预处理；步骤2，对步骤1处理后的信号分别进行动态心拍切分、子拍切分与多拍切分；步骤3，将步骤2得到的切分结果输入一维神经网络中，得到输入特征图；步骤4，将步骤3得到的输入特征图输入通道注意力模块，获取通道注意力图，提高分类器识别准确率。本发明将一维神经网络分类器同通道注意力模块一起使用，实现通道信息提取与通道信息学习的双方面改善。

技术领域

本发明属于心电波形的形态识别技术领域，涉及基于多尺度自回归模型的心电图识别方法。

背景技术

随着时代的发展，我们的生活越来越便利，但是随之而来的是各种压力的不断增加，因此患心血管疾病的人也越来越多。跟据WHO的相关报告，上世纪初，全球因心血管疾病死亡的人数占总死亡人数的10％不到，但是进入21世纪后，该占比在发达国家已上升到了50％，在发展中国家上升到了25％。据统计，每年有将近2000万人死于心血管疾病，且主要分布于发展中国家。

从上面的各种报道可以看到，患有心血管疾病的人越来越多，然而目前的相关医疗资源却相当短缺，特别是在高发病率的农村。因此，对于能够动态地实时地检测心脏活动的系统的需求越来越大，如果能研究出一种便携式心电图检测装置来自动识别心电图信号并分析其类型就非常有意义。患者可以随时了解自己的心电图是否异常，遇到问题时可以及时寻求帮助，确保自己的生命安全。不仅如此，有了心电图类型自动识别系统，医生们也能在其帮助下做出更好的判断，提高效率，同时减轻医疗资源短缺的压力。

典型的基于机器学习的心电图识别系统都由三个步骤组成，包括心拍切分、特征提取和分类。现有工作在这三个方面都存在局限与不足。在切分心拍时，使用固定长度切分法，缺少动态性，会使切分结果出现冗余或缺少的情况，不利于特征提取和分类，降低准确率和性能；提取特征时，手动特征与深度特征没能很好的结合，而且尺度较为单一，都是基于单个心拍的，子拍和多拍提及较少；在分类时，传统的支持向量机分类器的提取通道信息能力不足，需要改善。所以，在这些方面的研究仍有很多的提升空间。

发明内容

本发明的目的是提供一种基于多尺度自回归模型的心电图识别方法，采用该方法能够实现心电图的心拍切分、特征提取及分类。

本发明采用的技术方案是，基于多尺度自回归模型的心电图识别方法，具体包括如下步骤：

步骤1，获取心电信号，并对心电信号进行预处理；

步骤2，对步骤1处理后的信号分别进行动态心拍切分、子拍切分与多拍切分；

步骤3，将步骤2得到的切分结果输入一维神经网络中，得到输入特征图；

步骤4，将步骤3得到的输入特征图输入通道注意力模块，获取通道注意力图，用于分类器分类识别。

本发明的特点还在于：

步骤1的具体过程为：

步骤1.1，心电信号获取：

从设备读取或者从数据库中获取心电信号；

步骤1.2，心电信号预处理：

将步骤1.1获取的心电信号依次经过FIR带通滤波、双斜率、低通滤波器处理及滑动窗口积分处理。

步骤2中，动态切分心拍时，对切分结果进行截断或填补；采用重叠采样方法进行子拍切分时；多拍切分时，对切分结果进行截断或填补。

步骤3的具体过程为：

步骤3.1，根据步骤2所得的心拍切分、子拍切分及多拍切分结果，获取心电图的手动特征；