The invention discloses an automatic arrhythmia analysis method based on channel signal fusion depth neural network, which includes: generating multi-channel ECG samples by two sampling methods; the obtained 600-dimensional ECG signals are spliced along the second dimension; when the original ECG signals are two leads, they are equivalent to forming 4*600*1-dimensional ECG samples. The input signals of four channels are input into the merging layer and merged along the last dimension. The merging layer outputs a 600*4 dimension signal. After the merging layer, two convolution layer units are connected in series, and there is attention layer between convolution layer units and LSTM layer units; convolution layer units include convolution layer using one-dimensional convolution to extract one-dimensional ECG signal characteristics, one excitation unit operation in series and one pooling layer operation in sequence; LSTM layer units are connected in series with a whole connection of excitation units as soft max. Layer connection; output; learning the parameters of deep neural network to automatically identify the samples; solving the problem that the existing arrhythmia analysis system is not enough to meet the accuracy requirement of clinical application.
【技术实现步骤摘要】
基于通道信号融合神经网络的自动心律失常分析方法
本专利技术涉及医学信号处理
,更确切地说,本专利技术涉及一种基于通道信号融合神经网络的自动心律失常分析方法。
技术介绍
近些年,针对心电图的辅助诊断设备发展迅速,随着信息领域的科技进步,特别是随着模式识别技术的进展,心电图设备的功能不再是仅仅获取心电信号、打印心电图,而是向着挖掘心电图中的有效数据以及自动识别、统计心拍信息方向发展。带自动识别心拍功能的分析设备能够为医生提供更直观有效的心电图信息,有效节省诊断时间,提高医生的诊断效率,是重要的辅助医疗设备之一。工作在计算器件上的自动心律失常分析系统是此类设备的核心,技术途径有两种,一是通过提取表征了心电图有效信息的特征向量,输入到分类器算法得到心拍的类别;二是通过深度学习技术自动学习特征并进行识别,得到心拍的类别。基于深度学习技术的心律失常分析系统可以利用数据红利,有效提高识别精度,然而目前的心律失常分析系统尚不足以满足临床应用的准确率需求。
技术实现思路
本专利技术的目的是为解决现有心律失常分析系统尚不足以满足临床应用的准确率需求的问题,而提供一种基于通道信号融合神经网络的自动心律失常分析方法。一种基于通道信号融合神经网络的自动心律失常分析方法,它包括:1)采用两种采样方式进行复合采样,生成多通道心电图样本;a.对每个导联的心电信号,前后各取100个点再重采样到固定维度600;b.对每个导联的心电信号,前取2个周期的R-R波区间,后取1个周期的R-R波区间,再重采样到固定维度600;将上述两种采样方式所得的600维心电信号沿第二个维度拼接,每导联心电信号由 ...
【技术保护点】
1.一种基于通道信号融合神经网络的自动心律失常分析方法,它包括:1)采用两种采样方式进行复合采样,生成多通道心电图样本;a.对每个导联的心电信号,前后各取100个点再重采样到固定维度600;b.对每个导联的心电信号,前取2个周期的R‑R波区间,后取1个周期的R‑R波区间,再重采样到固定维度600;将上述两种采样方式所得的600维心电信号沿第二个维度拼接,每导联心电信号由600*1维扩增为2*600*1维,此时的2为该导联心电信号的通道数;将原始每个导联的心电数据经过所述复合采样方式形成上述4*600*1维的心电信号样本X,作为深度神经网络模型的输入Input,即为图一中的Input1, Input2, Input3, Input4;2)搭建深度神经网络深度神经网络包括多个依次串联的卷积层单元和LSTM层单元,且在卷积层单元和LSTM层单元间有attention层作为连接单元;每个所述卷积层单元包括一个卷积层以及该卷积层输出端依次串联的一激励单元操作和一池化层操作;所述卷积层单元使用的是一维卷积,用于提取一维心电信号的特征;LSTM层单元的输出串联一个激励单元为softmax的全连接层; ...
【技术特征摘要】
1.一种基于通道信号融合神经网络的自动心律失常分析方法,它包括:1)采用两种采样方式进行复合采样,生成多通道心电图样本;a.对每个导联的心电信号,前后各取100个点再重采样到固定维度600;b.对每个导联的心电信号,前取2个周期的R-R波区间,后取1个周期的R-R波区间,再重采样到固定维度600;将上述两种采样方式所得的600维心电信号沿第二个维度拼接,每导联心电信号由600*1维扩增为2*600*1维,此时的2为该导联心电信号的通道数;将原始每个导联的心电数据经过所述复合采样方式形成上述4*600*1维的心电信号样本X,作为深度神经网络模型的输入Input,即为图一中的Input1,Input2,Input3,Input4;2)搭建深度神经网络深度神经网络包括多个依次串联的卷积层单元和LSTM层单元,且在卷积层单元和LSTM层单元间有attention层作为连接单元;每个所述卷积层单元包括一个卷积层以及该卷积层输出端依次串联的一激励单元操作和一池化层操作;所述卷积层单元使用的是一维卷积,用于提取一维心电信号的特征;LSTM层单元的输出串联一个激励单元为softmax的全连接层;输出;3)学习深度神经网络的参数;4)对样本进行自动识别。2.根据权利要求1所述的一种基于通道信号融合神经网络的自动心律失常分析方法,其特征在于:所述的搭建深度神经网络,当心电数据集拥有两导联信号时,输入信号维度为4*600*1;将四个通道的输入信号输入到合并层中沿最后一维合并,合并层输出为600*4维的信号,合并层后连接串联的两层卷积层单元中;每一路导联通道中每一层卷积层单元的输出端依次串联一激励单元操作和一池化层操作;第一个卷积层单元的卷积核数为64个,卷积核大小为5,其后的激励单元为relu函数,池化层单元的池化核大小为6,池化步长为3;经过第一层池化单元后的特征图维度为200*64;第二个卷积层单元的卷积核数为128个,卷积核大小为6,其后的激励单元为relu函数...
【专利技术属性】
技术研发人员:刘通,危义民,臧睦君,邹海林,贾世祥,柳婵娟,周树森,
申请(专利权)人:鲁东大学,
类型:发明
国别省市:山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。