心电图心拍智能分类识别方法技术

本发明专利技术属于心电信号识别技术领域，涉及一种心电图心拍智能分类识别方法，包含：获取心电图心拍信号样本数据，该样本数据包含健康者心电图心拍信号数据及不同类型病患者心电图心拍信号数据，并对样本数据进行预处理；构建堆叠自编码器，以无监督的方式自动提取心拍信号中特征信息；基于该特征组建分类识别数据库，训练通用背景模型，学习一般特征，其参数用来初始化心拍专用识别模型；采集每位患者前m分钟的心拍，训练专用识别模型，使其学习心拍特异性；利用后续分钟数数据对模型识别准确度进行测试。本发明专利技术提升心电识别准确度，实现心电信号实时持续监测，可适用于临床、可穿戴设备监护等多个领域，以便辅助医生快速进行相关诊断。

【技术实现步骤摘要】
心电图心拍智能分类识别方法
本专利技术属于心电信号识别
，特别涉及一种心电图心拍智能分类识别方法。
技术介绍
近年来，我国居民主要疾病死亡率中心血管疾病占比最高，它已成为我国乃至全球居民死亡的主要原因，对人们的健康造成了严重威胁。常见的心血管病包括心脏病发作、缺血性中风、出血性中风、心力衰竭、不同类型的心律失常和心脏瓣膜等疾病。心电图信号是心脏活动的记录，可以被心电图仪捕捉到，上述疾病引起的心脏异常在患者的心电图信号中均会以某种异常波形表现出来。心电图的诊断目前往往直接由人工分析完成，但是因心电图数据量极为庞大，且心跳类型非常多样化，因此人工对心电图进行逐个心拍的管理和分析是一项难以有效完成的任务；特别是在临床监护或穿戴式健康监护环境下，对于初级医生来说，实时诊断是一项艰巨并且困难的任务；此外，因一些异常心跳出现的突然性和不频繁性，致使心脏病专家很难及时捕获一些紧急病情的重要变化信息，直接威胁病人的生命安全。因此，从大量心电图数据中自动、及时识别异常心跳是一项重要而必需的工作。心电图的自动诊断是心电图研究领域的热点之一，特别是在实时心电信号诊断领域更是如此。各类心脏病患者的心拍波形不仅比较异常且多样化，而且心拍信号的实时记录设备常会受工作环境的影响而引入大量不同类型的噪音信息，致使心电图的有效诊断非常困难，至今仍是一个具有较高挑战性的研究问题。现有心电图自动诊断大致分为信号预处理、特征生成和识别三个阶段；特征提取虽然取得了显著进展，但是对噪音干扰较为严重的心拍识别性能仍然很低，难以满足临床诊断的要求；另外，识别分类主要关注各类心拍的识别，而不关注实时记录情况下特定患者的心拍识别，忽略了不同患者之间的心拍波形的差异，对新病人的心拍识别的性能并不理想，其性能有待进一步提升。
技术实现思路
为此，本专利技术提供一种心电图心拍智能分类识别方法，提升心电信号识别准确度，可内嵌穿戴设备中以实现心电信号实时持续监测，提升实用性。按照本专利技术所提供的设计方案，提出一种心电图心拍智能分类识别方法，包含：获取心电图心拍信号样本数据，该样本数据包含健康者心电图心拍信号数据及不同类型病患者心电图心拍信号数据，并对样本数据进行预处理，所述预处理至少包含：采用小波变换和中值滤波器相结合来去除样本数据中的噪声；对去噪后的样本数据标注R峰位置及波形间隔，将样本数据中的所有心拍信号分割位同尺度的单一心拍，并采用均值填充度分割结果进行缩放，以确保心拍信号特征不变形；构建基于余弦距离的堆叠自编码器，提取心拍信号中具有鲁棒性和辨别性的信号特征信息；并基于该信号特征信息组建分类识别数据库；构建用于一维心拍信号分类的卷积神经网络模型，包含用于学习心拍信号一般特征的通用背景模型UCNN，和用于学习不同患者间特异性心拍特征的心拍识别模型SPCNN；使用训练集训练通用背景模型UCNN，学习患者的一般特征，其参数用来初始化用于特定患者的心拍识别模型SPCNN；采集待检测者前m分钟的心拍数据，并输入到SPCNN进行训练，使其学习到不同患者心拍中的特异性；利用采集到的剩余分钟数据以测试SPCNN的准确率。作为本专利技术中心电图心拍智能分类识别方法，进一步地，利用小波变换去除心拍信号数据中工频干扰和肌电干扰噪声，利用中值滤波器去除基线漂移噪声。作为本专利技术中心电图心拍智能分类识别方法，进一步地，利用中值滤波器去除基线漂移噪声中，首先，确定窗口大小，获取心电信号的基线轮廓；然后使用原始信号减去基线轮廓，得到去除基线漂移的样本数据。作为本专利技术中心电图心拍智能分类识别方法，进一步地，堆叠自编码器采用三层结构，前一隐藏层的输出作为后一隐藏层的输入，无监督的逐层训练，使得每层自编码器输入重构与输入间的误差最小；之后通过随机梯度下降算法对整个堆叠自编码器进行微调，得到最优参数解。作为本专利技术中心电图心拍智能分类识别方法，进一步地，自编码器编码阶段采用非线性sigmoid函数作为编码器激活函数；解码阶段，利用与编码器对称变换的解码器实现，同样采用非线性sigmoid函数作为解码器激活函数。作为本专利技术中心电图心拍智能分类识别方法，进一步地，采用余弦距离作为自编码器的损失函数，其中，预测输入样本和输出样本之间的关系表示为：其中，n为样本个数，x(i)为CDSAE的输入样本，为输出样本，两者都为一维信号。作为本专利技术中心电图心拍智能分类识别方法，进一步地，非线性sigmoid函数表示为：作为本专利技术中心电图心拍智能分类识别方法，进一步地，卷积神经网络模型包含9个卷积层，2个池化层及2个全连接层，其中，卷积核采用多尺度相结合，以捕捉心跳之间的微小异常及避免提取的单一化，实现多角度分析输入数据。作为本专利技术中心电图心拍智能分类识别方法，进一步地，非线性激活函数表示为：f(x)＝max(0,x)，其中，x表示神经元输入。作为本专利技术中心电图心拍智能分类识别方法，进一步地，损失函数表示为：其中，yi表示期望输出，表示原始的实际输出。本专利技术的有益效果：本专利技术首先利用小波变换和中值滤波器去除肌电干扰、工频干扰和基线漂移，形成一个修正的心电信号，提升心电准确率和识别率；其次，为了减少患者间变异的影响，提高从有限数量患者中学习到的特征表示，通过基于余弦距离的堆叠自编码器(CosineDistancebasedstackauto-encoder，CDSAE)，对心跳进行降维和关键特征增强，使提取后的心电信号具有更好的去噪性能，有助于提升分类准确率；然后，利用一个一维的卷积神经网络模型来训练修改后的信号特征以进行分类，获取通用卷积神经网络模型，然后再利用被测试者通过穿戴设备提取的部分数据量，训练通用模型以调整模型参数及权重，最终得到适用于特定人群的专用神经网络模型模型，利用提取的另一部分数据输入该模型中以识别心电信号患者类型。并在MIT-BIH数据库上进行评估，最终实验结果中，准确率可提升为97.18％，F1值提升为96.23％，进一步证明本专利技术方案的有效性；且专用神经网络模型可用于每个被测试者包含心血管患者，可嵌入到穿戴设备中，用于实时监测诊断，提高实用性，可适用于临床、诊断等多个领域，以便辅助医生快速进行相关诊断，具有较好的推广价值和应用前景。附图说明：图1为实施例中心拍智能分类识别流程示意图；图2为实施例中心电信号检测分类和识别原理示意；图3为实施例中工频干扰噪声去除前后对比示意；图4为实施例中肌电干扰噪声去除前后对比示意；图5为实施例中记录113前5000个采样点噪声去除示意；图6为实施例中标准心跳分割示意；图7为实施例中堆叠自编码器模型示意；图8为实施例中自编码器特征提取结果示意；图9为实施例中CNN训练模型示意；图10为实施例中特定患者心电分类示意；图11为实施例中记录101部分数据展示示意。具体实施方式：为使本专利技术的目的、技术方案和优点更加本文档来自技高网...

【技术保护点】
1.一种心电图心拍智能分类识别方法，其特征在于，包含如下内容：/n获取心电图心拍信号样本数据，该样本数据包含健康者心电图心拍信号数据及不同类型病患者心电图心拍信号数据，并对样本数据进行预处理，所述预处理至少包含：采用小波变换和中值滤波器相结合来去除样本数据中的噪声；对去噪后的样本数据标注R峰位置及波形间隔，将样本数据中的所有心拍信号分割位同尺度的单一心拍，并采用均值填充度分割结果进行缩放，以确保心拍信号特征不变形；/n构建基于余弦距离的堆叠自编码器，提取心拍信号中具有鲁棒性和辨别性的信号特征信息；并基于该信号特征信息组建分类识别数据库；/n构建用于一维心拍信号分类的卷积神经网络模型，包含用于学习心拍信号一般特征的通用背景模型UCNN，和用于学习不同患者间特异性心拍特征的心拍识别模型SPCNN；/n使用训练集训练通用背景模型UCNN，学习患者的一般特征，其参数用来初始化用于特定患者的心拍识别模型SPCNN；/n采集待检测者前m分钟的心拍数据，并输入到SPCNN进行训练，使其学习到不同患者心拍中的特异性；利用采集到的剩余分钟心拍数据以测试SPCNN的准确率。/n

【技术特征摘要】
1.一种心电图心拍智能分类识别方法，其特征在于，包含如下内容：
获取心电图心拍信号样本数据，该样本数据包含健康者心电图心拍信号数据及不同类型病患者心电图心拍信号数据，并对样本数据进行预处理，所述预处理至少包含：采用小波变换和中值滤波器相结合来去除样本数据中的噪声；对去噪后的样本数据标注R峰位置及波形间隔，将样本数据中的所有心拍信号分割位同尺度的单一心拍，并采用均值填充度分割结果进行缩放，以确保心拍信号特征不变形；
构建基于余弦距离的堆叠自编码器，提取心拍信号中具有鲁棒性和辨别性的信号特征信息；并基于该信号特征信息组建分类识别数据库；
构建用于一维心拍信号分类的卷积神经网络模型，包含用于学习心拍信号一般特征的通用背景模型UCNN，和用于学习不同患者间特异性心拍特征的心拍识别模型SPCNN；
使用训练集训练通用背景模型UCNN，学习患者的一般特征，其参数用来初始化用于特定患者的心拍识别模型SPCNN；
采集待检测者前m分钟的心拍数据，并输入到SPCNN进行训练，使其学习到不同患者心拍中的特异性；利用采集到的剩余分钟心拍数据以测试SPCNN的准确率。


2.根据权利要求1所述的心电图心拍智能分类识别方法，其特征在于，利用小波变换去除心拍信号数据中工频干扰和肌电干扰噪声，利用中值滤波器去除基线漂移噪声。


3.根据权利要求2所述的心电图心拍智能分类识别方法，其特征在于，利用中值滤波器去除基线漂移噪声中，首先，确定窗口大小，获取心电信号的基线轮廓；然后使用原始信号减去基线轮廓，得到去除基线漂移的样本数据。


4.根据权利要求1所述的心电图心拍智能分类识别...

【专利技术属性】
技术研发人员：武相军，白淑雯，游大涛，朱凯歌，王慧，马文娜，张长春，吴潇飞，
申请(专利权)人：河南大学，
类型：发明
国别省市：河南;41