一种心电图异常信号中的房颤信号自动检测方法技术

一种心电图异常信号中的房颤信号自动检测方法，通将一维的心电信号经过短时傅里叶变换转变为二维形式，适用于深度残差收缩网络对输入信号的要求。使用注意力机制同时改进残差深度网络和Relu激活函数，通过注意力机制注意到不重要的特征，通过软阈值函数将它们设置为零，可以加强深度神经网络提取有用特征的能力，提高房颤信号的检测精度。同时通过注意力机制对Relu激活函数进行改进，可以提高DRSN模型对房颤信号识别的准确率。通过注意力机制的ReLu，可以提高DRSN模型识别的准确率。可以提高DRSN模型识别的准确率。可以提高DRSN模型识别的准确率。

【技术实现步骤摘要】
一种心电图异常信号中的房颤信号自动检测方法


[0001]本专利技术涉及深度学习和信号处理
，具体涉及一种心电图异常信号中的房颤信号自动检测方法。

技术介绍

[0002]心房颤动(AF)是典型的持续性心律失常，对心房颤动的精准识别具有重要意义。ECG信号中心房颤动(AF)的表现的特征在于P波的消失或RR间期的绝对不规则性。如今所使用的房颤异常检测方法主要为基于波形特征的房颤异常检测方法，但是由于波形特征需要进行手工提取并且P波不易检测等原因，使得房颤检测准确率一般、效率低下。同时，基于波形特征的房颤异常检测方法需要足够的节律信息，这就需要采集比较长时间的心电图信号，实际上很难满足实时的房颤检测需求。
[0003]研究人员已经尝试使用深度神经网络来对房颤信号进行识别和检测，研究表明，心电图房颤异常识别的准确率与深度神经网络的层数之间具有很强的关联性。由于常见的方法是基于静息数据建模，测试数据少，难以适用于动态心电信号；更重要的是在短时心电信号中节律信息有限，从短时心电信号中检测出房颤异常仍然是一个挑战。
专利
技术实现思路

本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心电图异常信号中的房颤信号自动检测方法，其特征在于，包括如下步骤：a)将原始心电信号f(t)进行切分，形成以Ns一段的n个数据x；b)将心电信号表示为X＝{(x
(0)
,y
(0)
),(x
(1)
,y
(1)
),
···
,(x
(m
‑
1)
,y
(m
‑
1)
)}，集成数据以形成带有标签信号的数据集X，其中x
(i)
∈R
n
，x
(i)
为第i个数据x，0≤i≤m
‑
1，R
n
为第n条切分后的数据，y
(i)
∈{0,1,2}为标签，y
(i)
＝0表述输入心电信号为正常信号，y
(i)
＝1表述输入心电信号为房颤信号，y
(i)
＝2表述输入心电信号为正常信号为其他异常信号或噪声信号；c)对原始心电信号进行短时傅里叶变换操作，确定心电数据一定区域中的正弦波的频率和相位，之后进行频谱转换处理，将心电信号转换为图像；d)将图像匹配相对应的数据标注信息，标注后的图像用作深度残差收缩网络的输入，将图像加载到深度残差收缩网络的卷积层，对图像进行卷积处理；e)建立残差构建模块，该残差构建模块包括两个BN层、两个ReLU层、两个卷积层、恒等映射及一个子网络，所述子网络用于自适应地设置阈值，所述子网络中依次包括一个全局均值池化层、一个全连接层、一个ReLU层、一个全连接层及一个Sigmoid函数，对输入的图像的所有特征求绝对值，之后经过子网络的全局均值池化层后得到全局均值池化和平均的特征图，将全局均值池化和平均的特征图输入到两个全连接层中，获得尺度化参数，通过Sigmoid函数将尺度化参数规整到零和一之间，将规整后的尺度化参数乘以图像的绝对值的平均值作为阈值；f)使用阈值对图像的各个特征通道进行软阈值化；g)对经步骤f)处理后的图像进行标准化处理，将每个特征的值分布转化为均值为0和方差为1的标准正态分布，避免梯度消失；h)将步骤g)处理后的图像加载到激励层，该激励层中使用的激活函数为改...

【专利技术属性】
技术研发人员：王英龙，石京京，舒明雷，刘辉，陈超，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：