The invention discloses an intelligent electrocardiogram classification method. The invention filters the original data of I-lead ECG waveform sampling points with a sampling rate of 500 Hz in 30 seconds by band-pass filter of 3 Hz to 45 Hz, extracts the position of R peak by using the R peak recognition algorithm based on wavelet transform, extracts the heartbeat template of 195 sampling points based on the position of R peak, and then extracts the characteristics of traditional ECG signals such as maximum, minimum, average, logarithmic entropy, PQRS amplitude and position. The original ECG waveform, corresponding classification labeling and gradient descent method were used to train deep residual network and superimpose long-term and short-term memory network to extract deep features of ECG waveform. Finally, all extracted features were input into random forest model for classification diagnosis. The invention can largely remove noise interference, reduce the dependence on artificial feature recognition, and greatly improve the speed and accuracy of ECG classification.
【技术实现步骤摘要】
一种智能心电图分类方法
本专利技术属于智能心电图分类
,具体涉及一种基于机器学习和信号处理的心电图智能分类方法。
技术介绍
随着生活水平的不断提高,人们越来越关注心脏的健康状况,而心电图因其包含信息多、非侵入、廉价等特点成为获悉心脏状态的重要参考,对于实时监测自身心电图并快速对心电图分类的需求也越来越迫切。传统的心电图分类通过肉眼进行分析,非常依赖已有的实践心电图分类经验,早期也尝试通过使用传统信号处理的方法识别其中的特征波形,再通过统计分析进行辅助分析,但某些重要特征波形(例如P波)的识别算法效果较差,容易受到噪声影响,造成辅助分析信息不准确,无法快速准确地完成心电图分类。随着机器学习技术的发展和计算能力的进步,其在图像识别、自然语言处理等方面都被大规模运用,通过机器学习智能分类心电图成为可能。但特征的浅层性、真实心电图数据缺少、噪声干扰、异常心电图的多样性造成心电图智能分类方法至今未取得非常重大的突破,如何利用机器学习提取心电图中的深层特征成为一大难点。
技术实现思路
为了克服上述
技术介绍
所存在的不足,本专利技术提供一种智能心电图分类方法。本专利技术通过QRS模板匹配方法结合带通滤波去除心电采集过程的噪声并提取传统波形特征,深度卷积网络提取深层次心电图特征,再使用随机森林模型进行心电图分类。本专利技术解决其技术问题所采用的技术方案是:一种智能心电图分类方法,包括以下步骤:步骤1、对30秒采样率为500Hz的I导联心电图波形采样点原始数据进行3Hz-45Hz的带通滤波,滤除基线漂移、工频干扰。步骤2、利用基于小波变换的R峰识别算法提取R峰位置序列,取每 ...
【技术保护点】
1.一种智能心电图分类方法,其特征在于所述方法步骤如下:步骤1、对30秒采样率为500Hz的I导联心电图波形采样点原始数据进行3Hz‑45Hz的带通滤波,滤除基线漂移、工频干扰;步骤2、利用基于小波变换的R峰识别算法提取R峰位置序列,取每个R峰前75采样点、R峰后120采样点形成195采样点的心拍模板序列,然后取各时间点中位数获得中位模板作为标准心拍模板,计算所有心拍模板与标准心拍的相关系数;步骤3、在提取所有可用模板后,进行信号特征提取,包括:完整波形特征:包括幅值最大、最小、平均值、中位数、标准差、峰度、斜率、波形时间跨度、小波变换特征、对数熵和信噪比;心拍模板特征:包括P、Q、R、S、T波幅值及位置,PR间期、QS间期、RT间期和P波能量;RRI特征:包括心率、心率加速度的时间序列的平均值,PNN5、PNN10医学指标和RRI 序列能量熵;步骤4、使用第一步骤处理后的心电图波形以及相应分类标注作为深度卷积神经网络输入,利用梯度下降算法进行网络训练,获得网络参数;步骤5、将30秒采样率为500Hz的I导联心电图波形输入深度卷积神经网络,取最后一层卷积层的输出作为深层次心电信号特征, ...
【技术特征摘要】
1.一种智能心电图分类方法,其特征在于所述方法步骤如下:步骤1、对30秒采样率为500Hz的I导联心电图波形采样点原始数据进行3Hz-45Hz的带通滤波,滤除基线漂移、工频干扰;步骤2、利用基于小波变换的R峰识别算法提取R峰位置序列,取每个R峰前75采样点、R峰后120采样点形成195采样点的心拍模板序列,然后取各时间点中位数获得中位模板作为标准心拍模板,计算所有心拍模板与标准心拍的相关系数;步骤3、在提取所有可用模板后,进行信号特征提取,包括:完整波形特征:包括幅值最大、最小、平均值、中位数、标准差、峰度、斜率、波形时间跨度、小波变换特征、对数熵和信噪比;心拍模板特征:包括P、Q、R、S、T波幅值及位置,PR间期、QS间期、RT间期和P波能量;RRI特征:包括心率、心率加速度的时间序列的平均值,PNN5、PNN10医学指标和RR...
【专利技术属性】
技术研发人员:韦张跃昊,洪慧,钱升谊,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:浙江,33
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。