一种房颤信号识别系统及方法技术方案

本发明专利技术公开了一种房颤信号识别系统及方法，包括：对获取的心电信号添加房颤类型标签，构建训练集；基于对注意力机制添加深层卷积网络和池化层后结合LSTM网络构建基于注意力机制的CNN‑LSTM网络模型；采用注意力机制提取训练集中包含房颤类型标签的显著性特征，并对基于注意力机制的CNN‑LSTM网络模型进行训练；以训练后的基于注意力机制的CNN‑LSTM网络模型对待测心电信号进行识别，得到待测心电信号是否为房颤信号的识别结果。采用注意力机制作为前项网络以抽取心电信号的重要特征，后接CNN‑LSTM网络实现对数据特征提取及序列上下文的学习，提供高精度房颤信号识别方法，提高房颤信号识别的可靠新和准确性。

【技术实现步骤摘要】
一种房颤信号识别系统及方法
本专利技术涉及信号处理
，特别是涉及一种房颤信号识别系统及方法。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。房颤即心房颤动，其心电波形常表现为RR间期绝对不规则、P波消失等，由于心电图中的R波幅值较大，相对于P波和f波而言，R波更易于对房颤信号的检测和定位。现有对房颤信号的识别方法中，采用RR间期作为房颤检测的依据，两个R波相隔的时间为RR间期；但是，专利技术人认为，由于心电信号中存在噪声，使用RR间期作为房颤识别依据，无法保证识别精度。现有的可穿戴式心电监测设备通过无线传输将心电波形的参数信息发送到远程服务器，并与各种移动终端结合，以达到完成心电监测的目的。目前可穿戴式心电监测设备中，使用卷积神经网络和QRS波相结合，将提取的特征输入不同的分类器进行自动检测，但是专利技术人发现，该方法存在重要特征丢失的隐患，且需要较长的心电信号，计算复杂度高、准确性差、分类存在误差，同样无法保证识别的准确性和可靠性。
技术实现思路
为了解决上述问题，本专利技术提出了一种房颤信号识别系统及方法，构建基于注意力机制的卷积神经网络CNN与联合长短时记忆网络LSTM的预测模型，采用注意力机制作为前项网络以抽取心电信号的重要特征，后接CNN-LSTM网络实现对数据特征提取及序列上下文的学习，提供一种高精度房颤信号识别方法，提高房颤信号识别的可靠新和准确性。为了实现上述目的，本专利技术采用如下技术方案：第一方面，本专利技术提供一种房颤信号识别系统，包括：获取模块，用于对获取的心电信号添加房颤类型标签，构建训练集；构建模块，用于基于对注意力机制添加深层卷积网络和池化层后结合LSTM网络构建基于注意力机制的CNN-LSTM网络模型；训练模块，用于采用注意力机制提取训练集中包含房颤类型标签的显著性特征，并对基于注意力机制的CNN-LSTM网络模型进行训练；识别模块，用于以训练后的基于注意力机制的CNN-LSTM网络模型对待测心电信号进行识别，得到待测心电信号是否为房颤信号的识别结果。第二方面，本专利技术提供一种房颤信号识别方法，包括：对获取的心电信号添加房颤类型标签，构建训练集；基于对注意力机制添加深层卷积网络和池化层后结合LSTM网络构建基于注意力机制的CNN-LSTM网络模型；采用注意力机制提取训练集中包含房颤类型标签的显著性特征，并对基于注意力机制的CNN-LSTM网络模型进行训练；以训练后的基于注意力机制的CNN-LSTM网络模型对待测心电信号进行识别，得到待测心电信号是否为房颤信号的识别结果。第三方面，本专利技术提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第二方面所述的方法。第四方面，本专利技术提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第二方面所述的方法。第五方面，本专利技术提供一种心电监测设备，包括第一方面所述的系统和/或完成第二方面所述的方法。与现有技术相比，本专利技术的有益效果为：本专利技术构建基于注意力机制的卷积神经网络CNN与联合长短时记忆网络LSTM的预测模型，提供一种高精度房颤信号识别方法，增强从原始心电信号数据中提取复杂非线性特征的能力，无需人为干预，用于心电信号中对于房颤信号的自动识别。本专利技术采用注意力机制作为前项网络以抽取心电信号的重要特征，后接CNN-LSTM网络实现对数据特征提取及序列上下文的学习，以此判断输入信号是否为房颤信号，通过神经网络实现对房颤信号的自动分类识别，具有较高的鲁棒性，全面识别房颤信号，提高房颤信号识别的可靠新和准确性。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1为本专利技术实施例1提供的一种房颤信号识别流程示意图；图2(a)-2(b)为本专利技术实施例1提供的房颤片段与正常片段的对比示意图；图3为本专利技术实施例1提供的基于注意力机制的CNN-LSTM网络结构图。具体实施方式：下面结合附图与实施例对本专利技术做进一步说明。应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。实施例1如图1所示，本实施例提供一种房颤信号识别系统，包括：获取模块，用于对获取的心电信号添加房颤类型标签，构建训练集；构建模块，用于基于对注意力机制添加深层卷积网络和池化层后结合LSTM网络构建基于注意力机制的CNN-LSTM网络模型；训练模块，用于采用注意力机制提取训练集中包含房颤类型标签的显著性特征，并对基于注意力机制的CNN-LSTM网络模型进行训练；识别模块，用于以训练后的基于注意力机制的CNN-LSTM网络模型对待测心电信号进行识别，得到待测心电信号是否为房颤信号的识别结果。在本实施例中，所述获取模块中：获取相同数目的包含房颤信号的心电信号和正常心电信号，如图2(a)-2(b)所示，根据心电信号是否为房颤信号的判断结果，添加房颤类型为是或否的标签；优选地，若正常心电信号数目大于房颤心电信号数目，将正常心电信号进行截取，保留与房颤心电信号相同数目的心拍，将获得的心电数据选取70％的作为训练集，选取30％作为测试集。在本实施例中，所述构建模块中，CNN网络广泛用于图像处理，同样也常用于生理信号的形态分析，CNN网络卷积核用于捕获和提取输入中的局部相关特征，但是由于过滤器大小的限制，CNN很难学习序列数据中的上下文相关性；LSTM通过使用存储单元和门机制解决上述问题，有助于模型在CNN获得的特征图中捕获时间动态；注意力机制可以使CNN关注高重要度特征，以实现数据特征的有效提取和LSTM输入信息的优化；因此，本实施例将三者结合，构建基于注意力机制的CNN-LSTM网络模型，以获得更好的分类识别结果。如图3所示，基于注意力机制的CNN-LSTM网络模型具体包括：注意力机制子模块：将训练集数据输入注意力机制模块中准确获取显著性特征；CNN网络子模块：对CNN网络模本文档来自技高网...

【技术保护点】
1.一种房颤信号识别系统，其特征在于，包括：/n获取模块，用于对获取的心电信号添加房颤类型标签，构建训练集；/n构建模块，用于基于对注意力机制添加深层卷积网络和池化层后结合LSTM网络构建基于注意力机制的CNN-LSTM网络模型；/n训练模块，用于采用注意力机制提取训练集中包含房颤类型标签的显著性特征，并对基于注意力机制的CNN-LSTM网络模型进行训练；/n识别模块，用于以训练后的基于注意力机制的CNN-LSTM网络模型对待测心电信号进行识别，得到待测心电信号是否为房颤信号的识别结果。/n

【技术特征摘要】
1.一种房颤信号识别系统，其特征在于，包括：
获取模块，用于对获取的心电信号添加房颤类型标签，构建训练集；
构建模块，用于基于对注意力机制添加深层卷积网络和池化层后结合LSTM网络构建基于注意力机制的CNN-LSTM网络模型；
训练模块，用于采用注意力机制提取训练集中包含房颤类型标签的显著性特征，并对基于注意力机制的CNN-LSTM网络模型进行训练；
识别模块，用于以训练后的基于注意力机制的CNN-LSTM网络模型对待测心电信号进行识别，得到待测心电信号是否为房颤信号的识别结果。


2.如权利要求1所述的一种房颤信号识别系统，其特征在于，所述构建模块中的基于注意力机制的CNN-LSTM网络模型，将CNN网络的输出传输至LSTM网络隐藏层，所述LSTM网络隐藏层的输入包括当前时刻心电特征序列和前一时刻隐藏层状态，得到当前时刻隐藏层状态及其输出矢量。


3.如权利要求1所述的一种房颤信号识别系统，其特征在于，所述LSTM网络通过忘记门将删除前一时刻隐藏层状态，将删除的信息传递到当前时刻隐藏层状态中，以将新信息添加到下一个状态中，输出当前时刻隐藏层状态及其输出矢量。


4.如权利要求1所述的一种房颤信号识别系统，其特征在于，所述构建模块中，对注意力机制添加深层卷积网络和池化层，扩大显著性特征对应的输入感受野，学习当前局部序列显著性特征的重要程度。


5.如权...

【专利技术属性】
技术研发人员：马凤英，张敬瑶，梁玮，纪鹏，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东;37