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 ...
【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
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。