一种基于深度学习法心电节拍特征自动化提取及分类方法技术

本发明专利技术涉及一种基于深度学习法心电节拍特征自动化提取及分类方法，其中，心电节拍特征自动化提取方法包括以下步骤：1）、采用双正交小波变换去除高频噪声和基线漂移；2）、通过二进样条小波变换产生极大极小值检测R波；3）、根据步骤2）R波基础上检测QRS波群及P、T波；然后，通过双向长短期记忆网络(Bi‑LSTM)对检测的波形数据信息进行心拍学习分类检测到的波形数据信息进行深度学习分类；本发明专利技术具有有效简化特征提取程序、对波形进行精准定位、心电信号精准分类的优点。

A method of automatic extraction and classification of ECG rhythms based on depth learning method

The invention relates to a method of deep learning ECG beat features automatic extraction and classification method based on ECG beat features automatic extraction method comprises the following steps: 1), to remove the high frequency noise and baseline drift using biorthogonal wavelet transform; 2), the two spline wavelet transform to produce minimax R wave detection; 3), according to step 2) R wave based on wave detection of QRS and P, T wave; then, through two-way short and long term memory network (Bi LSTM) waveform data information to detect heart beat waveform data classification detected deep learning classification; the invention has the advantages of simplified effective feature extraction procedure for accurate positioning, accurate classification of ECG waveform.

【技术实现步骤摘要】
一种基于深度学习法心电节拍特征自动化提取及分类方法
本专利技术属于心电图检测
，具体涉及一种基于深度学习法心电节拍特征自动化提取及分类方法。
技术介绍
在人体各项指标参数中,心脏活动分析是智能判断的关键部分,而心电图(electrocardiography,ECG)是全世界普遍采用的心律失常等多种心脏疾病非侵入性检查和诊断的重要手段，也是反映心脏周期性活动的重要指标,在临床中得到广泛的应用。心律失常(arrhythmia)是心血管疾病中重要的一组疾病。它是由于心脏活动的起源和（或）传导障碍导致心脏搏动的频率和（或）节律异常,而引发的一个极其常见而又非常重要的心电活动异常症状,它可单独发病,亦可与其他心血管病伴发。因此,心律失常分类是心电图智能诊断分析的重要内容之一。目前的心电图检测设备已不仅限于心电图的图形记录,并且可以进行心电图数字化采集和自动分析,从而提高分析速度和精度,并帮助医生找到最佳的治疗方法，减轻医生的工作强度。在过去几十年里，利用基于信号处理技术和模式识别技术的ECG检测和分类的方法代表了心脏病专家在诊断中的重要解决方案。最近有几种通用的方法基于机器学习和信号处理的ECG分类技术，如聚类，多层感知器（MLP）和隐马尔科夫模型，支持向量机。通常，这些方法的主要步骤是预处理，特征提取和分类。现有诊断模型基本上都是建立在有限时间段异常心电信号的低层特征之上，一些疑难病症的复杂性使其很难用一些规则来描述,该诊断模型存在很大的局限性。虽然对判断常见类型的心血管疾病有一定的辅助作用，但对复杂的疾病诊断仍然严重依赖医生的经验和诊断水平。传统模型诊断效果差的主要原因在于传统模型的学习能力有限，不能在心电信号的低层特征与心血管医生的经验和诊断知识的高层次语义特征之间建立有机连结。也就是说，传统模型无法像医生查图一样利用综合知识和经验充分挖掘心电信号的全部有用信息。最近一些研究人员进行了许多深度学习的工作来检测异常心电图信号，例如使用1-D卷积神经网络（CNN）做心电图分类或者使用34-layercnn进行心律失常检测，然而这些技术多是基于CNN，这些改进中的大多数重点是设计更多复杂，更深入和更广泛的cnn网络，并旨在学习基于大量和多样化数据集的特征表征,这些方法进一步提高了卷积神经网络（CNN）的处理能力，缺点是仅仅在某些具体数据结构下高效和有效，不能深度的精准对心电信号进行提取和分类。
技术实现思路
本专利技术的目的是克服现有技术的不足而提供一种简单易行、定位精准、分类精确的基于深度学习法心电节拍特征自动化提取及分类方法。本专利技术的技术方案如下：一种基于深度学习法心电节拍特征自动化提取法，包括以下步骤：1）、采用双正交小波变换去除高频噪声和基线漂移；2）、通过二进样条小波变换产生极大极小值检测R波；3）、根据步骤2）R波基础上检测QRS波群及P、T波。优选的，所述步骤3）中QRS波群的具体检测方法是：对第i个心拍进行类型的识别,把第i个心拍称为当前心拍记做C-B；第i-1个心拍记做P-B；第i+1个心拍记做N-B；C-B、P-B、N-B的R波峰值位置分别为Ri-1、Ri、Ri+1；Ri-1、Ri的时间差,即当前心拍的RR间期,记做C-RR；Ri-1、Ri-1的时间差，即第i-1个心拍的RR间期，记做P-RR；Ri+1、Ri的时间差，即第i+1个心拍的RR间期，记做N-RR；则，P-RR=Time(Ri-1-Ri-2)；C-RR=Time(Ri-Ri-1)；N-RR=Time(Ri+1-Ri)。优选的，对通过二进样条小波变换产生极大极小值检测到的波形采用双向长短时记忆网络(Bi-LSTM)对检测的波形数据信息进行深度学习分类。优选的，所述双向长短时记忆网络(Bi-LSTM)的具体做法是，训练序列向前和向后分别是两个长短时记忆网络，而且这两个长短时记忆网络都连接着一个输出层，该双向长短时记忆网络提供给输出层输入序列中每一个点的完整的过去和未来的上下文信息。与现有技术相比，本专利技术的有益效果是：1、本专利技术采用双正交小波变化对心电信号进行预处理，有效的简化后续心电信号特征提取程序部分，便于对心电信号的深度挖掘提取；2、本专利技术采用二进样条小波变化产生极大极小值对波群进行精准检测，针对同种病理不同心拍的波形差异各样的特点，通过检测两个QRS波中R波之间的时间反应波形差异的重要特征，从而能够对心电信号进行深度精准检测；3、本专利技术采用双向长短期记忆网络(Bi-LSTM)，采用当前训练序列分向前和向后为两个长短时记忆网络，从而获取输出层输入序列中每一个点的完整的过去和未来的上下文信息，从而对心电信号进行精准分类；总之，本专利技术具有有效简化特征提取程序、对波形进行精准定位、心电信号精准分类的优点。附图说明图1为实施例2中双向长短期记忆网络图。图2为公式原理图。图3为心拍数据表。图4为Bi-Lstm模型的超参数表。图5为MIT数据库心拍分类结果情况统计表。图6为实验结果表。图中：w1，输入层到向前隐含层的权值；w2，输入层到向后隐含层的权值；w3，向前隐含层到向前隐含层的权值；w4，向前隐含层到输出层的权值；w5，向后隐含层到向后隐含层的权值；w6，向后隐含层到输出层的权值。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例1一种基于深度学习法心电节拍特征自动化提取法，包括以下步骤：1）、采用双正交小波变换去除高频噪声和基线漂移；2）、通过二进样条小波变换产生极大极小值检测R波；3）、根据步骤2）R波基础上检测QRS波群及P、T波。本实施例中，所述步骤3）中R波的具体检测方法是：对第i个心拍进行类型的识别,把第i个心拍称为当前心拍记做C-B；第i-1个心拍记做P-B；第i+1个心拍记做N-B；C-B、P-B、N-B的R波峰值位置分别为Ri-1、Ri、Ri+1；Ri-1、Ri的时间差,即当前心拍的RR间期,记做C-RR；Ri-1、Ri-1的时间差，即第i-1个心拍的RR间期，记做P-RR；Ri+1、Ri的时间差，即第i+1个心拍的RR间期，记做N-RR；则，P-RR=Time(Ri-1-Ri-2)；C-RR=Time(Ri-Ri-1)；N-RR=Time(Ri+1-Ri)。本实施例中采用双正交小波变换去除高频噪声和基线漂移的依据如下：参阅附图，傅里叶变换无法对对于心电等非稳定信号中时间特性加以分析；小波变换良好的空间和频域局部化特性,使其可以对信号在时域和频域上进行多尺度细化分析,可以有效地从心电信号中提取信号信息；研究人员已经利用小波变换多种方法实现了QRS波的准确高效的定位；准确的波群检测结果是心拍识别的基础,本实施例选择它来处理心电信号；连续小波变换基本定义为公式（1），其中a为尺度因子，τ为平移因子，称ψa,τ(t)为小波基函数为公式（2），由于a和τ是连续变换的值,所以称其为连续小波变换；但连续小波变换实际运算过程复杂，且二位计算存在大量冗余，所以常将连续小波加以离散，得到离散小波变换，实际本文档来自技高网...

【技术保护点】
一种基于深度学习法心电节拍特征自动化提取法，其特征在于，包括以下步骤：1)、采用双正交小波变换去除高频噪声和基线漂移；2)、通过二进样条小波变换产生极大极小值检测R波；3)、根据步骤2）R波基础上检测QRS波群及P、T波。

【技术特征摘要】
1.一种基于深度学习法心电节拍特征自动化提取法，其特征在于，包括以下步骤：1)、采用双正交小波变换去除高频噪声和基线漂移；2)、通过二进样条小波变换产生极大极小值检测R波；3)、根据步骤2）R波基础上检测QRS波群及P、T波。2.如权利要求1所述的基于深度学习法心电节拍特征自动化提取方法，其特征在于：所述步骤3）中QRS波群的具体检测方法是：对第i个心拍进行类型的识别,把第i个心拍称为当前心拍记做C-B；第i-1个心拍记做P-B；第i+1个心拍记做N-B；C-B、P-B、N-B的R波峰值位置分别为Ri-1、Ri、Ri+1；Ri-1、Ri的时间差,即当前心拍的RR间期,记做C-RR；Ri-1、Ri-1的时间差，即第i-1个心拍的RR间期，记做P-RR；Ri+1、Ri的时间差，...

【专利技术属性】
技术研发人员：李润川，
申请(专利权)人：郑州大学，
类型：发明
国别省市：河南,41