基于深度卷积神经网络的房颤检测的实现方法技术

本发明专利技术公开了一种基于深度卷积神经网络的房颤检测的实现方法，该方法能够将单导联一维心电数据经过信号转换变成二维形式，使得其适用于处理二维数据的深度卷积神经网络，从而实现通过机器自动学习特征并进行分类，并最终实现房颤的自动化检测。将本发明专利技术的方法用于房颤检测时，无需检测P波或R‑R间期，也无需人为设计特征，极大地提高了房颤检测的效率和准确率，其中：基于静态小波变换结合深度卷积神经网络的房颤检测方法的准确率是98.63％，敏感性是98.79％，特异性是97.87％；基于短时傅里叶变换结合深度卷积神经网络的房颤检测方法的准确率是98.29％，敏感性是98.34％，特异性是98.24％。

Realization method of atrial fibrillation detection based on depth convolution neural network

The invention discloses a method for realizing the depth of convolutional neural network based on the detection of atrial fibrillation, the method can make single lead ECG data signal after conversion into a one-dimensional two-dimensional form, the depth of the convolutional neural network which is suitable for processing of two-dimensional data, so as to realize the automatic machine learning characteristics and classification, and finally realize the automatic detection atrial fibrillation. The method of the present invention is used for the detection of atrial fibrillation, without detection of P wave or R R interval, there is no need to design features, which greatly improves the efficiency and accuracy of detection of atrial fibrillation, including: accuracy with static wavelet transform depth convolution neural network AF detection method based on 98.63%. The sensitivity was 98.79%, specificity was 97.87%; the accuracy of depth based on the short-time Fourier transform convolution neural network method based on the detection of atrial fibrillation is 98.29%, sensitivity is 98.34%, specificity is 98.24%.

【技术实现步骤摘要】
基于深度卷积神经网络的房颤检测的实现方法
本专利技术属于房颤检测
，涉及一种心电信号识别中的房颤信号检测的实现方法，具体涉及一种基于机器学习算法的心电信号中房颤信号检测的实现方法。
技术介绍
随着人工智能技术的发展，房颤信号的检测可以不再依赖于专业医生的经验判断，而使用人工智能技术中的机器学习算法让机器进行房颤信号的检测，提高了房颤检测的效率。传统的基于机器学习算法进行房颤信号的检测大多都需要先检测心电信号中的P波或者R-R间期，然后根据这些特征利用机器学习算法设计一个分类器进行房颤信号的检测。但由于P波易受到噪声或者运动的污染，基于P波的房颤检测算法在有噪声出现的情况下表现很差，这会导致房颤检测的准确率下降；而基于R-R间期的房颤检测算法在少于1分钟的数据段上表现出的性能也很差，这会使得持续时间较短的房颤片段无法被检测出来。最近也有一些研究采用了其他特征，如小波变换后提取峰值平均功率和对数能量熵等特征，然后再利用支持向量机进行训练与测试。但这种房颤检测算法的性能在很大程度上都依赖于人为设计的特征对原信号的表征能力，所以这些人为设计的特征的可靠性是不确定的。这是因为不是每个个体的房颤信号都会存在这些人为设计的特征，所以这种方法在实际的应用中的性能不是很好。基于上述分析，现有的房颤检测方法还存在很大的缺陷，急需提出新的检测方法来提高检测的性能。深度卷积神经网络是目前机器学习研究领域的一个热点，它已经被成功应用于图像识别、语音识别、目标检测和许多其他领域(比如药物发现和基因研究)。它能够允许机器自动的发现那些在检测或分类中要用到的数据的内在特征，这样就免于人为的进行一些与特征相关的计算。但由于心电信号的特殊性，在房颤检测领域至今还没有发现关于深度卷积神经网络成功应用的报道。这其中一个很大的原因就是深度卷积神经网络适用于输入是二维形式的数据，而心电信号是一维数据，这就使得直接将心电信号送入网络进行房颤检测成为一大难点。
技术实现思路
本专利技术的目的是提供一种基于深度卷积神经网络的房颤检测的实现方法，该方法能够将单导联一维心电数据经过信号转换变成二维形式，使得其适用于处理二维数据的深度卷积神经网络，从而实现通过机器自动学习特征并进行分类，并最终实现房颤的自动化检测。将本专利技术的方法用于房颤检测时，无需检测P波或R-R间期，也无需人为设计特征，极大地提高了房颤检测的效率和准确率，对临床医学和社会都有着重要的作用和意义。本专利技术的目的是通过以下技术方案实现的：一种基于深度卷积神经网络的房颤检测的实现方法，包括如下步骤：(1)利用心电图(ECG)采集设备采集患者单个导联的连续心电数据；(2)将采集到的心电数据按固定时间长度L分段，得到由多段时间长度均为L的心电数据段构成的房颤信号检测的基本单元；(3)对每一段长度为L的心电数据段进行预处理，得到无噪声的心电数据段；(4)对无噪声的心电数据段进行信号转换，将一维的心电信号转换成适用于深度卷积神经网络的二维形式；(5)对转换后的心电信号数据段进行逐样本均值削减和数据格式转换；(6)重复步骤(2)-(5)，将一条连续采集的心电数据段转换成多段长度为L的符合深度卷积神经网络系统数据输入形式要求的心电数据；(7)重复步骤(1)-(6)，得到心电数据段的数据集，基于该数据集，利用深度卷积神经网络进行训练，得到用于房颤检测的深度卷积神经网络参数模型。本专利技术具有如下优点：1、本专利技术先将一维心电数据经过恰当的变换处理后转变成二维形式，然后利用深度卷积神经网络来让机器自动学习二维形式的心电数据的内在特征，完全抛弃P波或R-R间期的检测以及其他人为设计的特征，无需人为进行大量复杂的处理，用于房颤检测时可以极大地提高房颤检测的效率和准确率。2、本专利技术在MIT-BIH心房颤动数据库上进行了测试，取得了良好的性能。基于静态小波变换结合深度卷积神经网络的房颤检测方法的准确率是98.63％，敏感性是98.79％，特异性是97.87％；基于短时傅里叶变换结合深度卷积神经网络的房颤检测方法的准确率是98.29％，敏感性是98.34％，特异性是98.24％。附图说明图1是本专利技术所述基于深度卷积神经网络的房颤检测方法的总体流程图；图2是本专利技术所述基于静态小波变换结合深度卷积神经网络的房颤检测方法的流程图；图3是本专利技术所述基于短时傅里叶变换结合深度卷积神经网络的房颤检测方法的流程图；图4是本专利技术所述基于静态小波变换结合深度卷积神经网络的房颤检测方法中一维心电信号转换成的二维形式的小波变换系数图；图5是本专利技术所述基于短时傅里叶变换结合深度卷积神经网络的房颤检测方法中一维心电信号转换成的二维形式的时频谱图。具体实施方式下面结合附图对本专利技术的技术方案作进一步的说明，但并不局限于此，凡是对本专利技术技术方案进行修改或者等同替换，而不脱离本专利技术技术方案的精神和范围，均应涵盖在本专利技术的保护范围中。具体实施方式一：本实施方式提供了一种基于深度卷积神经网络的房颤检测的实现方法，为了使原本的一维的心电信号能够适用于处理二维数据形式的卷积神经网络结构，需要对一维的心电信号进行适当的变换，从而满足深度卷积神经网络对输入信号的要求。此外，本实施方式提供的基于深度卷积神经网络的房颤检测的实现方法，其深度卷积神经网络是基于当前最流行的深度学习框架之一的Caffe来构建的。具体实施方式步骤如下：(1)利用ECG采集设备采集患者单个导联的连续心电数据，并由医生对心电数据的每一个心拍标记其是否存在房颤。(2)将采集到的心电数据按固定时间长度分段，时间长度可自行设定，这里定义为L；从而一段连续的心电数据被分成了多段时间长度均为L的心电数据段，这些数据段构成了房颤信号检测的基本单元。经过分段后，最后一段长度若小于L，则舍弃该数据段。(3)对每一个长度为L的心电数据段，基于医生在原始心电数据上的房颤标记进行重新标记，标记的基本规则为：该数据段中异常的房颤时间长度若大于一定比例就标记为房颤段，否则就是非房颤段。(4)将步骤(3)中得到的任意一个心电数据段进行预处理，去除常见的心电噪声，主要包括基线漂移、肌电干扰、工频干扰等。(5)对去除噪声后的心电数据段进行信号转换，将一维的心电信号转换成适用于深度卷积神经网络的二维形式。(6)对转换后的心电数据段进行后处理，后处理包括逐样本均值削减和数据格式转换，其中：前者可以提高深度卷积神经网络的检测性能，后者用于将原有的数据格式转换成所用深度学习框架要求的数据格式。(7)重复步骤(3)-(6)，将一条连续采集的心电数据段转换成多段长度为L的符合深度卷积神经网络系统数据输入形式要求的心电信号数据，且有是否为房颤的标记。(8)重复步骤(1)-(7)，得到心电数据段的数据集，基于该数据集，利用深度卷积神经网络进行训练，得到用于房颤检测的深度卷积神经网络参数模型。(9)在实际房颤检测应用中，对每一个患者进行步骤(1)-(7)的操作，从而获得经过处理的二维信号。值得注意的是上述步骤中的房颤标记环节需要忽略。然后利用步骤(8)中训练出来的深度卷积神经网络参数模型对该信号进行检测，从而可以对一段连续的单导联心电信号进行房颤判定，并且以时间长度L为单位进行检测。任何一段时间长度L上出现房颤就判定为病人有房颤疾病。根据图1中本文档来自技高网...

【技术保护点】
一种基于深度卷积神经网络的房颤检测的实现方法，其特征在于所述方法步骤如下：(1)利用心电图采集设备采集患者单个导联的连续心电数据；(2)将采集到的心电数据按固定时间长度分段，得到由多段时间长度均为L的心电数据段构成的房颤信号检测的基本单元；(3)对每一段长度为L的心电数据段进行预处理，得到无噪声的心电数据段；(4)对无噪声的心电数据段进行信号转换，将一维的心电信号转换成适用于深度卷积神经网络的二维形式；(5)对转换后的心电信号数据段进行逐样本均值削减和数据格式转换；(6)重复步骤(2)‑(5)，将一条连续采集的心电数据段转换成多段长度为L的符合深度卷积神经网络系统数据输入形式要求的心电数据；(7)重复步骤(1)‑(6)，得到心电数据段的数据集，基于该数据集，利用深度卷积神经网络进行训练，得到用于房颤检测的深度卷积神经网络参数模型。

【技术特征摘要】
1.一种基于深度卷积神经网络的房颤检测的实现方法，其特征在于所述方法步骤如下：(1)利用心电图采集设备采集患者单个导联的连续心电数据；(2)将采集到的心电数据按固定时间长度分段，得到由多段时间长度均为L的心电数据段构成的房颤信号检测的基本单元；(3)对每一段长度为L的心电数据段进行预处理，得到无噪声的心电数据段；(4)对无噪声的心电数据段进行信号转换，将一维的心电信号转换成适用于深度卷积神经网络的二维形式；(5)对转换后的心电信号数据段进行逐样本均值削减和数据格式转换；(6)重复步骤(2)-(5)，将一条连续采集的心电数据段转换成多段长度为L的符合深度卷积神经网络系统数据输入形式要求的心电数据；(7)重复步骤(1)-(6)，得到心电数据段的数据集，基于该数据集，利用深度卷积神经网络进行训练，得到用于房颤检测的深度卷积神经网络参数模型。2.根据权利要求1所述的基于深度卷积神经网络的房颤检测的实现方法，其特征在于所述步骤(2)中，经过分段后，最后一段长度若小于L，则舍弃该数据段。3.根据权利要求1所述的基于深度卷积神经网络的房颤检测的实现方法，其特征在于所述步骤(4)中，信号转换的方法是基于静态小波变换的处理方法或者是基于短时傅里叶变换的处理方法。4.根据权利要求3所述的基于深度卷积神经网络的房颤检测的实现方法，其特征在于所述基于静态小波变换的处理方法的具体过程如下：a、对每一个数据段进行J层的静态小波变换，按照以下公式递归的计算J个近似系数序列和J个细节系数序列：

【专利技术属性】
技术研发人员：夏勇，乌兰娜仁，王宽全，张恒贵，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：山东,37