The invention provides an ECG signal analysis method for abnormal cardiac rhythm classification, which can use SB LSTM and TD CNN to mine the long-term dependence and local characteristics of signals from ECG signals; the designed TAG, FAM and LAM can fine-tune the obtained long-term dependence and local characteristics, thereby obtaining accurate ECG overall fluctuation mode and local fluctuation mode. Finally, the processing results of ECG signal segment are obtained by FCN. This method fully combines the global and local fluctuation modes of ECG signals, and can be used in large-scale data sets with better performance. In addition, this method avoids the differences between individuals and individuals caused by manual classification, and can obtain stable classification results. In particular, this method is a typical end-to-end method, which does not need any expert knowledge, manual design of features, feature selection and processing, and the construction of classifiers separately. It has the characteristics of convenient use and high classification accuracy.
【技术实现步骤摘要】
一种面向异常心脏节律分类的ECG信号分析方法
本专利技术涉及生物健康计算领域,具体地,涉及一种面向异常心脏节律分类的ECG信号分析方法。
技术介绍
心脏节律通常分为五类:非异位型(N:Non-ectopic)、室性异位型(V:Ventricularectopic)、室上性异位型(S:Supraventricularectopic)、混合型(F:Fusion)、未知型(Q:Unknown)。每种子类型通常具有不同的临床表现,需要不同的治疗方法,因此,对异常心脏节律进行准确分类是提供有效治疗的前提。现有的异常心脏节律分类方法主要分为两大类:1)基于专业医生的人工视检法;2)基于特征工程的计算机辅助分类方法。前者需要医生具有极其丰富的临床经验,且需耗费大量的时间成本,效率很低;此外,由于ECG往往会表现出个体间差异和个体内差异,因此基于专业医生的人工视检法通常精度较低。后者虽然借助计算机技术大大降低了时间成本,且保证了结果的一致性,但其必须根据专家知识提前设计若干个特征。由于ECG波动模式在个体间和个体内都存在巨大差异,统一设计的特征难以准确刻画所有情况下的ECG波动模式,这在某种程度上限制了基于特征工程的计算机辅助处理方法的处理精度。
技术实现思路
针对以上问题,本专利技术提供一种面向异常心脏节律分类的ECG信号分析方法,以解决基于特征工程的计算机辅助处理方法精度较低的问题。本专利技术种基于异常心脏节律分类的ECG信号分析方法的技术方案为:一种面向异常心脏节律分类的ECG信号分析方法,包括以下步骤:S1:对ECG信号进行预处理操作,得到格式统一的ECG信号段;S2 ...
【技术保护点】
1.一种面向异常心脏节律分类的ECG信号分析方法,其特征在于:包括以下步骤:S1:对ECG信号进行预处理操作,得到格式统一的ECG信号段;S2:设计基于趋势注意门的多层双向长短时记忆神经网络,从S1输出的结果中挖掘ECG信号的整体波动模式;S3:设计基于特征注意机制及位置注意机制的二维卷积神经网络,从S2输出的结果中挖掘ECG信号的局部波动模式;S4:利用全连接神经网络对S3的输出结果进行进一步处理,使用全连接神经网络对S3输出的结果进行拟合,并使用softMax函数将拟合结果映射为概率分布,从而得出每个ECG信号段的处理结果。
【技术特征摘要】
1.一种面向异常心脏节律分类的ECG信号分析方法,其特征在于:包括以下步骤:S1:对ECG信号进行预处理操作,得到格式统一的ECG信号段;S2:设计基于趋势注意门的多层双向长短时记忆神经网络,从S1输出的结果中挖掘ECG信号的整体波动模式;S3:设计基于特征注意机制及位置注意机制的二维卷积神经网络,从S2输出的结果中挖掘ECG信号的局部波动模式;S4:利用全连接神经网络对S3的输出结果进行进一步处理,使用全连接神经网络对S3输出的结果进行拟合,并使用softMax函数将拟合结果映射为概率分布,从而得出每个ECG信号段的处理结果。2.根据权利要求1所述的一种面向异常心脏节律分类的ECG信号分析方法,其特征在于:所述S1中对ECG信号进行预处理操作包括:首先使用Z-score算法对ECG信号进行归一化处理;然后以ECG信号中的R峰为中心,截取适当数量的采样点作为当前心跳所对应的ECG信号段;最后对所得ECG信号段的集合进行上采样处理,使得每个心脏节律类型包含相同数量的实例个数。3.根据权利要求1所述的一种面向异常心脏节律分类的ECG信号分析方法,其特征在于:所述S2中挖掘ECG信号的整体波动模式是指:使用基于趋势注意门的多层双向长短时记忆神经网络挖掘ECG信号的长期依赖关系,并根据每个采样点在ECG中所处的位置及其周围波形对所挖掘的长期依赖关系进行微调,从而获得精确的ECG长期波动模式。4.根据权利要求1所述的一种面向异常心脏节律分类的ECG信号分析方法,其特征在于:所述多层双...
【专利技术属性】
技术研发人员:周兴社,刘帆,王柱,倪红波,於志文,
申请(专利权)人:西北工业大学,
类型:发明
国别省市:陕西,61
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。