一种基于联合神经网络的心电信号检测装置及分析方法制造方法及图纸

本发明专利技术公开了一种基于联合神经网络的心电信号检测装置及分析方法，首先在机器学习服务器上搭建联合神经网络算法并训练模型，针对预处理后的心电数据，该模型通过残差神经网络模块提取数据空间特征并得到空间分类概率，通过双向长短期记忆神经网络和注意力模块在降维后的空间特征图上提取数据的时序特征并得到时序分类概率，最后融合这两种分类概率得到检测结果；从可穿戴式装置获取患者少量心电数据，人工标记后输入机器学习服务器对模型fine‑tuning，将最终模型部署到智能移动设备；最后将可穿戴式装置与智能移动设备通过无线传输实现实时异常检测。本发明专利技术开发了心电信号从采集到实时检测的可穿戴式装置，为辅助诊断心脏疾病提供有效技术手段。

【技术实现步骤摘要】
一种基于联合神经网络的心电信号检测装置及分析方法
本专利技术属于心电信号异常检测领域，尤其涉及一种基于联合神经网络算法的心电信号可穿戴式装置及异常检测分析方法。
技术介绍
心电信号是由心脏活动产生的电流传至体表绘制而成，能够确切反映心脏的活动状态，是医生诊断心脏病的重要手段之一。心电信号是一种微弱的生理信号具有较小电压值和时间间隔，因此借助计算机提取心电信号特征并辅助检测能够提高医生诊断效率。近年来随着人工智能算法的不断发展改进，常用于心电信号检测分类的算法主要分为传统的机器学习方法和深度学习方法。基于传统机器学习识别心电信号的方法通常需要数据预处理、分析特征、提取特征、构建分类器等几个过程。文献[1]提出了一种MEES方法来检测并定位心电信号中心肌梗塞疾病特征，基于这些特征用支持向量机作为分类器对特征进行分类；文献[2]使用DWT对数据进行去噪，并通过将20阶多项式函数与心电信号拟合提出一种新的心电信号特征，最后使用决策树实现对心电信号的分类；文献[3]使用DWT去噪后，提取47个心肌梗塞特征，最后将这些特征输入到kNN算法作为最终分类器。在使用传统机器学习方法的过程中，每个步骤都需要人工分析并进行调控干预，但是由于心电信号特征的复杂性和多变性，手动提取信号特征较为困难，并且分类器效果受之前每一个过程的影响，分类效果不稳定，过程复杂。相对传统的机器学习方法，深度学习方法整个过程都是自动的，不需要人工提取特征。基于深度学习检测异常心电信号常用的算法主要有以卷积神经网络为基础构建的模型和以循环神经网络为基础构建的模型，它们分别能够提取心电信号的空间特征和时序特征。文献[4,5]分别构建11层的CNN架构和34层的残差网络架构实现对心肌梗塞的检测和心律不齐的分类；文献[6]使用LSTM架构提取心电信号的时序特征实现对心律不齐的分类；文献[7,8]使用叠加的CNN和LSTM模型，先用CNN架构提取数据空间特征，在此基础上用LSTM提取时序特征，根据LSTM的输出实现对心电信号的分类。许多研究构建模型时仅使用一种类型神经网络，导致无法充分利用心电的特征。而且尽管部分研究者同时使用了CNN和LSTM模型，但是叠加的结构会导致神经网络算法在反向传播更新参数时，误差大部分分配给了离分类层较近的LSTM网络，导致浅层提取空间的CNN网络无法得到最大程度更新。此外，许多研究者在训练并测试算法时没有考虑患者特异性这个问题，即他们使用的训练集和测试集数据可能来自于同一个病人，这会导致最终的模型的泛化能力较差，对新患者的心电数据无法实现精确检测。参考文献：[1]L.Sharma,R.Tripathy,S.Dandapat,Multiscaleenergyandeigenspaceapproachtodetectionandlocalizationofmyocardialinfarction,IEEETrans.Biomed.Eng.62(2015)1827–1837.[2]B.Liu,J.Liu,G.Wang,K.Huang,F.Li,Y.Zheng,Y.Luo,F.Zhou,Anovelelectrocardiogramparameterizationalgorithmanditsapplicationinmyocardialinfarctiondetection,Comput.Biol.Med.61(2015)178–184.[3]U.R.Acharya,H.Fujita,V.K.Sudarshan,S.L.Oh,M.Adam,J.E.Koh,J.H.Tan,D.N.Ghista,R.J.Martis,C.K.Chua,others,Automateddetectionandlocalizationofmyocardialinfarctionusingelectrocardiogram:acomparativestudyofdifferentleads,Knowl.-BasedSyst.99(2016)146–156.[4]U.R.Acharya,H.Fujita,S.L.Oh,Y.Hagiwara,J.H.Tan,M.Adam,ApplicationofdeepconvolutionalneuralnetworkforautomateddetectionofmyocardialinfarctionusingECGsignals,Inf.Sci.415(2017)190–198.[5]A.Y.Hannun,P.Rajpurkar,M.Haghpanahi,G.H.Tison,C.Bourn,M.P.Turakhia,A.Y.Ng,Cardiologist-levelarrhythmiadetectionandclassificationinambulatoryelectrocardiogramsusingadeepneuralnetwork,Nat.Med.25(2019)65.[6]S.Saadatnejad,M.Oveisi,M.Hashemi,LSTM-BasedECGClassificationforContinuousMonitoringonPersonalWearableDevices,IEEEJ.Biomed.HealthInform.(2019).[7]Q.Yao,R.Wang,X.Fan,J.Liu,Y.Li,Multi-classArrhythmiadetectionfrom12-leadvaried-lengthECGusingAttention-basedTime-IncrementalConvolutionalNeuralNetwork,Inf.Fusion.53(2020)174–182.[8]J.H.Tan,Y.Hagiwara,W.Pang,I.Lim,S.L.Oh,M.Adam,R.SanTan,M.Chen,U.R.Acharya,Applicationofstackedconvolutionalandlongshort-termmemorynetworkforaccurateidentificationofCADECGsignals,Comput.Biol.Med.94(2018)19–26.
技术实现思路
本专利技术针对以上问题，设计了一种高效地底层信号可穿戴式采集装置，实时获取单导连心电信号，并通过无线蓝牙与移动智能设备，实现实时精准心电信号异常检测；同时使用并行结构引入多种类型神经网络算法，克服这些缺点，构建能够自动提取心电数字信号空间特征和时序特征的联合神经网络模型，并且模型用于训练和测试的数据集来自不同病人，并使用装置采集的新数据对模型fine-tuning完成最终训练，提升模型的检测能力。本专利技术的装置所采用的技术方案是：一种基于联合神经网络的心电信号检测装置，其特征在于：包括电极、心电信号采集单元、信号处理与传输单元、智能移动设备；所述电极设置在人体胸腔表面；所述心电信号采集单元通过导线与所述电极本文档来自技高网...

【技术保护点】
1.一种基于联合神经网络的心电信号检测装置，其特征在于：包括电极、心电信号采集单元、信号处理与传输单元、智能移动设备；/n所述电极设置在人体胸腔表面；/n所述心电信号采集单元通过导线与所述电极连接，用于提取单导联原始心电信号，经过滤波、放大、A/D转换处理操作后转换为心电数字信号并传输给所述信号处理与传输单元；/n所述信号处理与传输单元，首先将心电数字信号进行去噪、重采样、分割和归一化处理，并通过蓝牙与智能移动设备实现无线通信；/n所述智能移动设备，用于实现心电数据的实时异常检测，遇到异常数据实时报警，并将此数据发送医院做进一步判断。/n

【技术特征摘要】
1.一种基于联合神经网络的心电信号检测装置，其特征在于：包括电极、心电信号采集单元、信号处理与传输单元、智能移动设备；
所述电极设置在人体胸腔表面；
所述心电信号采集单元通过导线与所述电极连接，用于提取单导联原始心电信号，经过滤波、放大、A/D转换处理操作后转换为心电数字信号并传输给所述信号处理与传输单元；
所述信号处理与传输单元，首先将心电数字信号进行去噪、重采样、分割和归一化处理，并通过蓝牙与智能移动设备实现无线通信；
所述智能移动设备，用于实现心电数据的实时异常检测，遇到异常数据实时报警，并将此数据发送医院做进一步判断。


2.根据权利要求1所述的基于联合神经网络的心电信号检测装置，其特征在于：所述电极包括设置在人体左、右锁骨下方的RA、LA两电极与设置在右腹部作为参考电极的RL电极，这些电极构成差分回路；所述电极连接到ADS1298采集心电信号。


3.根据权利要求1所述的基于联合神经网络的心电信号检测装置，其特征在于：所述心电信号采集单元为ADS1298芯片。


4.根据权利要求1所述的基于联合神经网络的心电信号检测装置，其特征在于：所述信号处理与传输单元包括MCU芯片和BLE芯片。


5.根据权利要求1-4任意一项所述的基于联合神经网络的心电信号检测装置，其特征在于：所述包括电极、心电信号采集单元、信号处理与传输单元、智能移动设备组成可穿戴设备。


6.一种基于联合神经网络的心电信号分析方法，其特征在于，包括以下步骤：
步骤1：从包含多个不同病人的心电数据库中提取大量带标签的单导联心电数字信号并进行预处理；
步骤2：将处理后的心电数据分为训练集，验证集和测试集，三种数据集的数据分别来自不同病人；
步骤3：在机器学习服务器上构建联合神经网络；
步骤4：先用训练集、验证集、测试集在机器学习服务器上完成对联合神经网络的初步训练和测试；
步骤5：利用基于联合神经网络的心...

【专利技术属性】
技术研发人员：袁志勇，何紫阳，杜博，赵俭辉，袁帅英，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42