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。专利技术内容为了解本文档来自技高网...

【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