一种基于特征融合的ECG信号分类的方法技术

本发明专利技术公开了一种基于特征融合的ECG信号分类的方法，包括以下步骤：对原始连续时间内的心电数据预处理得到单心跳的离散数值样本，并对这些一维信号样本提取1D‑CNN卷积特征和PQRST数值特征；对提取的两种特征进行融合操作，使不同类型、不同维度的特征整合一体，作为单心跳的代表特征集；测试集和训练集的每个样本经过特征融合，可得到一个100维的特征向量；对特征融合后的样本进行分类，得到每种心电信号的分类精度。本发明专利技术提取出一维卷积特征和PQRST特征并将两者相融合的方法，从而提高心电信号计算机辅助诊断系统的准确率。

【技术实现步骤摘要】
一种基于特征融合的ECG信号分类的方法
本专利技术涉及机器学习技术与生物医学工程
，尤其涉及一种基于特征融合的ECG(心电图)信号分类的方法。
技术介绍
心律不齐导致的心血管疾病是全世界面临的一大健康难题，它能导致病患暂时性休克甚至猝死。当前，精确诊断与及时治疗是应对心血管疾病最为有效的措施。ECG是目前最主要的检测和诊断心脏疾病的手段。然而，在疾病的检查中产生的大量影像信息易使医生疲劳，且诊断精度受医师的职业能力、经验等主观因素影响。在此背景下，通过机器学习方法来判定心脏是否有问题或心脏疾病的具体类型成为一个得到广泛关注的研究热点。在心脏疾病尤其是心律失常的计算机辅助诊断技术中，被检测者心跳所属的具体类型需要通过分类技术实现。为获得良好的诊断准确率，需找到可以准确描述心律失常心跳样本的特征量。常用的描述心跳的特征包括形态特征、纹理特征及小波特征等。专利“一种心电信号分类识别方法”(CN107184198A)对原始心电图波形数据进行心电图节律信息和PQRST(心电图的五个基本波)波形的提取，获取心电图节律信息和PQRST波形的数字化数据，从而完成心电信号的分类识别，很好的发挥了本文档来自技高网...

【技术保护点】
1.一种基于特征融合的ECG信号分类的方法，其特征在于，所述方法包括以下步骤：对原始连续时间内的心电数据预处理得到单心跳的离散数值样本，并对这些一维信号样本提取1D‑CNN卷积特征和PQRST数值特征；对提取的两种特征进行融合操作，使不同类型、不同维度的特征整合一体，作为单心跳的代表特征集；测试集和训练集的每个样本经过特征融合，可得到一个100维的特征向量；对特征融合后的样本进行分类，得到每种心电信号的分类精度。

【技术特征摘要】
1.一种基于特征融合的ECG信号分类的方法，其特征在于，所述方法包括以下步骤：对原始连续时间内的心电数据预处理得到单心跳的离散数值样本，并对这些一维信号样本提取1D-CNN卷积特征和PQRST数值特征；对提取的两种特征进行融合操作，使不同类型、不同维度的特征整合一体，作为单心跳的代表特征集；测试集和训练集的每个样本经过特征融合，可得到一个100维的特征向量；对特征融合后的样本进行分类，得到每种心电信号的分类精度。2.根据权利要求1所述的一种基于特征融合的ECG信号分类的方法，其特征在于，所述对原始连续时间内的心电数据预处理得到单心跳的离散数值样本，并对这些一维信号样本提取1D-CNN卷积特征和PQRST数值特征具体为：用低频和高频的组合滤波器作用原始心跳数据，目的是去除数据噪声和基线漂移；对处理后连续时间内单个人的心跳数据集进行分割，获得大量单心跳的数据样本；利用一维卷积神经网络作用于分割后的单心跳数据，提取高度抽象化的一维卷积特征；同样作用于分割后的单心跳数据，利用不同频率和起始位置的频率窗获取单心跳的PQRST特征。3.根据权利要求1所述的一种基于特征融合的ECG信号分类的方法，其特征在于，所述1D-CNN卷积特征具体为：1)卷积层：第一个卷积层设置5个卷积通道，每个通道的卷积核均设置为21*1；第二...

【专利技术属性】
技术研发人员：吕卫，孙宏博，侯弘慧，褚晶辉，王粟瑶，汪虹，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12