[发明专利]组合神经网络心电图分类方法及系统

说明书

本发明涉及一种组合神经网络心电图分类方法，包括获取心电原始数据并进行滤波处理；将数据按照时间戳截取为样本数据并记录其对应的标签；将样本数据整理成训练集和验证集；将训练集依次送入Inception模块和一维卷积神经网络模块中进行学习，其中Inception模块包括多个并联的一维卷积神经网络；将学习输出的数据依次送入LSTM模块和Softmax函数中进行学习并输出类别；利用验证集对训练学习好的模型进行验证获得标签预测值，并得到分类模型的精确度。本发明在一维卷积神经网络前应用了一个Inception模块，通过利用不同尺度的核提取信号中不同尺度的空间信息，明显提升了分类的精度。

技术领域

本发明涉及心电图分类技术领域，尤其是指一种组合神经网络心电图分类方法及系统。

背景技术

房颤是临床疾病中最常见的心律失常类型，并逐渐成为世界上日益上升的医疗保健负担。其患病率占总人口的1％-2％，预计到2050年，该数字将增加三倍，这是一个严重的健康问题，在65岁以上的人群中，患病率随着年龄的增长而增加到6％-8％。因此，房颤的辅助诊断可以帮助医生改善患者的治疗策略，实现更高的治疗质量，从而降低房颤和危重病的发病率和死亡率。由此可见，开发房颤自动检测算法具有重要的临床意义和社会意义。

一般而言，心电图信号与正常心律有显著差异。在房颤(AF)过程中， RR间隔是绝对不规则，p波被连续的不规则f波所取代，这是一个重要的房颤特征。许多研究者提出了基于心房活动分析的AF检测算法，包括小波样本熵、小波熵、相对小波能量、基于p波缺失的检测算法和基于f波的检测器。然而，p波和f波对噪声极其敏感。特别是在可穿戴监测的情况下，日常活动会产生复杂的干扰，心房活动分析将不适用。对于基于RR区间特征的各种方法，由于心电信号的复杂性，AF的准确性不够，加上各种噪声干扰，现有的统计和一般方法的模式识别能力不令人满意。由于个体的显著差异，在可穿戴心电监测设备上测试时，泛化能力差是不可避免的，这限制了开发的AF 探测器在可穿戴监测中可以稳健使用的情况。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术存在的问题，提出一种组合神经网络心电图分类方法及系统，在一维卷积神经网络前应用了一个Inception模块，通过利用不同尺度的核提取信号中不同尺度的空间信息，明显提升了分类的精度，此外CNN-LSTM模型组合同时结合了CNN和 LSTM的优点，在学习空间数据结构和时间序列结构方面有着明显的优势，对原始数据的滤波处理能够加速网络的学习效率并提高心率类别的分类的精度。

为解决上述技术问题，本发明提供一种组合神经网络心电图分类方法，包括以下步骤：

S1：获取心电原始数据，对所述心电原始数据进行滤波处理；

S2：将滤波后的数据按照时间戳截取为样本数据，并记录其对应的标签，其中每个样本数据表示为X＝{x₁，x₂，....，x_i，....，x_L}，x_i为第i个点位对应的电压值，L为矩阵长度；

S3：将所述样本数据进行归一化处理，并将归一化处理后的样本数据整理成训练集和验证集；

S4：将所述训练集送入Inception模块进行学习，其中Inception模块包括多个并联的一维卷积神经网络，并将经过Inception模块输出的数据送入一维卷积神经网络模块中进行学习；

S5：将经过一维卷积神经网络模块输出的数据送入双向的LSTM模块中进行学习并输出类别，将经过LSTM模块输出的数据输入至Softmax函数，对输出的类别的预测概率进行归一化处理；

S6：利用所述验证集对训练学习好的模型进行验证，获得标签预测值，通过所述标签预测值和标签真实值得到分类模型的精确度，并判断所述精确度是否达到预设的精确度阈值或训练轮次，若判断结果为是，则结束训练，若判断结果为否，则重复步骤S4-S6。