基于多尺度特征提取的多导联心跳信号分类方法及装置制造方法及图纸

本发明专利技术公开了基于多尺度特征提取的多导联心跳信号分类的方法及装置，首先对多导联心跳信号进行预处理，得到心跳信号堆叠矩阵，然后将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块，得到心跳信号的浅层特征图，将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块，得到三种不同尺度的深层特征向量，最后将三种不同尺度的深层特征向量进行融合，得到特征融合向量，并基于此对多导联心跳信号进行分类。本发明专利技术先提取浅层特征，在提取深层特征，可使深层特征质量更加优秀，进而提升最终分类的性能。

【技术实现步骤摘要】
基于多尺度特征提取的多导联心跳信号分类方法及装置
本专利技术属于医疗图像处理领域，尤其涉及了一种基于多尺度特征提取的多导联心跳信号分类方法及装置。
技术介绍
心电图(ECG)作为一项简单、快速、非侵入式的检查方式，被广泛作为心血管疾病的初步检查手段。标准的心电图一般由12条导联组成，每条导联以电信号的方式记录着心脏不同方向上的跳动情况，从而能综合反映心脏的健康状况。而每条导联又由若干个心跳波形构成，根据心脏跳动的规律，一个标准的心跳波形主要由P波段、QRS波群、T波段组成。这些波段以固定的顺序出现，记录着心脏的健康状况。异常波形的出现往往表明心脏产生病变，例如心肌梗死可能产生ST段压低、ST段抬高、T波倒置等异常波形，所以心跳波形对于分析心电图具有重要意义。然而，逐一分析心电图中的心跳波形是一项十分耗时，耗精力的任务，且对于医生的经验要求较高，有存在误诊的可能性。所以需要自动化的分析检测系统以辅助医生分析心电信号，从而做出更主观、更准确的判断。公开号为CN109063552A的中国专利申请，公开了一种多导联心电信号分类和系统，该系统通过多支路卷积残差神经网络处理多导联心电信号以提取特征，对提取的特征进行融合，最后基于Softmax函数对融合后的特征进行分类。但方法针对整条心电信号提取特征，而单个心电信号包含众多心跳信号，故较难提取出能够区分不同类型的有效特征，从而导致分类性能较为一般。现有技术普遍存在提取的特征不够全面，分类准确度、精确度较差、效率较等问题。
技术实现思路
本申请的目的是提供一种基于多尺度特征提取的多导联心跳信号分类方法及装置，用以避免现有技术所存在的提取的特征不够全面，分类准确度、精确度较差、效率较等问题。为了实现上述目的，本申请技术方案如下：一种基于多尺度特征提取的多导联心跳信号分类的方法，包括：获取多导联心跳信号，将每条导联信通过基线校准、振幅归一化、心跳分离操作，将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵；将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块，得到心跳信号的浅层特征图；将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块，得到三种不同尺度的深层特征向量Fα、Fβ和Fγ；将特征向量Fα、Fβ和Fγ进行融合，得到特征融合向量Ffusion，并基于此对多导联心跳信号进行分类。进一步的，所述获取多导联心跳信号，将每条导联信通过基线校准、振幅归一化、心跳分离操作，将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵，包括：步骤1.1、输入多导联心电信号Soriginal，对于每条导联心跳信号使用中值滤波器消除基线偏移现象，滤波器窗口大小为WS，得到基线矫正后的导联心跳信号步骤1.2、对基线校正后的导联心跳信号按如下公式进行振幅归一化，得到归一化后的导联心跳信号其中，x和xp分别表示信号值和信号值，min和max分别表示的最小、最大值，newmin和newmax分别表示的最小、最大值；步骤1.3、将各导联心跳信号分割为若干个心跳信号，根据导联心跳信号中的R点标注信息，以R点为基准，左右各取0.3秒间隔作为单个心跳的长度，得到长度为0.6秒的心跳信号BSi，i表示该心跳属于i导联；步骤1.4、将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵Ml×n，l为导联数量，n为单个心跳的长度。进一步的，所述将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块，得到心跳信号的浅层特征图，包括：步骤2.1、将心跳信号堆叠矩阵Ml×n输入至卷积核大小为l×3的一维卷积块C1，l为导联心跳信号数量，n为单个心跳的长度，得到输出特征图Ft，其维度为heightt×widtht；步骤2.2、将特征图Ft输入至卷积核大小为heightt×3的一维卷积块C2，得到输出的浅层特征图Fshallow，其维度为heightt×widtht。进一步的，所述将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块，得到三种不同尺度的深层特征向量Fα、Fβ和Fγ，包括：步骤3.1、将浅层特征图Fshallow输入至卷积核大小为shallowheight×3的一维残差卷积块RC3_1，得到特征图其维度为步骤3.2、将特征图输入至卷积核大小为的一维残差卷积块RC3_2，得到特征图其维度为步骤3.3、将特征图输入至卷积核大小为的一维残差卷积块RC3_3，得到特征图其维度为步骤3.4、对特征图使用全局平均池化，得到尺度为3的深层特征向量Fα，其维度为heightα×1；步骤3.5、将浅层特征图Fshallow输入至卷积核大小为shallowheight×5的一维残差卷积块RC5_1，得到特征图其维度为步骤3.6、将特征图输入至卷积核大小为的一维残差卷积块RC5_2，得到特征图其维度为步骤3.7、将特征图输入至卷积核大小为的一维残差卷积块RC5_3，得到特征图其维度为步骤3.8、对特征图使用全局平均池化，得到尺度为5的深层特征向量Fβ，其维度为heightβ×1；步骤3.9、将浅层特征图Fshallow输入至卷积核大小为shallowheight×7的一维残差卷积块RC7_1，得到特征图其维度为步骤3.10、将特征图输入至卷积核大小为的一维残差卷积块RC7_2，得到特征图其维度为步骤3.11、将特征图输入至卷积核大小为的一维残差卷积块RC7_3，得到特征图其维度为步骤3.12、对特征图使用全局平均池化，得到尺度为7的深层特征向量Fγ，其维度为heightγ×1。进一步的，所述一维卷积块C1和一维卷积块C2均分别包括卷积层、批量归一化层、激活层和最大池化层，所述卷积层的卷积核大小为heightinput×widthinput，heightinput为输入矩阵的行数，widthinput可以设置为3、5或7。进一步的，所述一维残差卷积块RC3_1、RC3_2、RC3_3、RC5_1、RC5_2、RC5_3、RC7_1、RC7_2、RC7_3均分别包括两个一维卷积层、两个批量归一化层、两个激活层和一个最大池化层，将输入的特征图F依次通过一维卷积层、批量归一化层、激活层、一维卷积层、批量归一化层的计算，得到特征图F’，然后将输入特征图F与特征图F’进行点对点相加后再依次输入激活层和最大池化层，得到输出特征图。进一步的，所述将特征向量Fα、Fβ和Fγ进行融合，得到特征融合向量Ffusion，并基于此对心跳信号进行分类，包括本文档来自技高网...

【技术保护点】
1.一种基于多尺度特征提取的多导联心跳信号分类的方法，其特征在于，所述基于多尺度特征提取的多导联心跳信号分类的方法，包括：/n获取多导联心跳信号，将每条导联信通过基线校准、振幅归一化、心跳分离操作，将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵；/n将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块，得到心跳信号的浅层特征图；/n将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块，得到三种不同尺度的深层特征向量F

【技术特征摘要】
1.一种基于多尺度特征提取的多导联心跳信号分类的方法，其特征在于，所述基于多尺度特征提取的多导联心跳信号分类的方法，包括：
获取多导联心跳信号，将每条导联信通过基线校准、振幅归一化、心跳分离操作，将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵；
将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块，得到心跳信号的浅层特征图；
将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块，得到三种不同尺度的深层特征向量Fα、Fβ和Fγ；
将特征向量Fα、Fβ和Fγ进行融合，得到特征融合向量Ffusion，并基于此对多导联心跳信号进行分类。


2.根据权利要求1所述的基于多尺度特征提取的多导联心跳信号分类的方法，其特征在于，所述获取多导联心跳信号，将每条导联信通过基线校准、振幅归一化、心跳分离操作，将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵，包括：
步骤1.1、输入多导联心电信号Soriginal，对于每条导联心跳信号使用中值滤波器消除基线偏移现象，滤波器窗口大小为WS，得到基线矫正后的导联心跳信号
步骤1.2、对基线校正后的导联心跳信号按如下公式进行振幅归一化，得到归一化后的导联心跳信号



其中，x和xp分别表示信号值和信号值，min和max分别表示的最小、最大值，newmin和newmax分别表示的最小、最大值；
步骤1.3、将各导联心跳信号分割为若干个心跳信号，根据导联心跳信号中的R点标注信息，以R点为基准，左右各取0.3秒间隔作为单个心跳的长度，得到长度为0.6秒的心跳信号BSi，i表示该心跳属于i导联；
步骤1.4、将属于同一时刻、来自多条导联的心跳信号按照I、II、III、aVR、aVL、aVF、V1、V2、V3、V4、V5、V6导联顺序进行纵向堆叠，得到心跳信号堆叠矩阵Ml×n，l为导联数量，n为单个心跳的长度。


3.根据权利要求1所述的基于多尺度特征提取的多导联心跳信号分类的方法，其特征在于，所述将心跳信号堆叠矩阵输入至构建并训练完成的浅层特征提取模块，得到心跳信号的浅层特征图，包括：
步骤2.1、将心跳信号堆叠矩阵Ml×n输入至卷积核大小为l×3的一维卷积块C1，l为导联心跳信号数量，n为单个心跳的长度，得到输出特征图Ft，其维度为heightt×widtht；
步骤2.2、将特征图Ft输入至卷积核大小为heightt×3的一维卷积块C2，得到输出的浅层特征图Fshallow，其维度为heightt×widtht。


4.根据权利要求3所述的基于多尺度特征提取的多导联心跳信号分类的方法，其特征在于，所述将上一步得到的浅层特征图输入至构建并训练完成的多尺度深层特征提取模块，得到三种不同尺度的深层特征向量Fα、Fβ和Fγ，包括：
步骤3.1、将浅层特征图Fshallow输入至卷积核大小为shallowheight×3的一维残差卷积块RC3_1，得到特征图其维度为
步骤3.2、将特征图输入至卷积核大小为的一维残差卷积块RC3_2，得到特征图其维度为
步骤3.3、将特征图输入至卷积核大小为的一维残差卷积块RC3_3，得到特征图其维度为
步骤3.4、对特征图使用全局平均池化，得到尺度为3的深层特征向量Fα，其...

【专利技术属性】
技术研发人员：郝鹏翼，尹鑫，吴福理，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33