一种可穿戴设备上的ECG信号的干扰波识别方法，所述方法包括如下步骤：1.采集数据和预处理：2.训练神经网络模型：3.导入神经网络模型：4.导入数据并进行识别：5.根据识别结果进行分类：（1）对比最终输出的4个概率Xp，取其中最高的；（2）对比最高值和提前设定的阈值，如没有超过阈值；6.计算干扰分数：（1）设定分数矩阵Grade；（2）最终输出的四个类的概率与分数矩阵相乘得到最终的分数F。本发明专利技术能够快速准确自动识别出在采集心电过程中由于外部因素导致的干扰波，有助于减少后续分析的麻烦，提高后续程序的分析速度和准确率，并提高心电医生分析效率，本发明专利技术具有能对干扰波进行细致区分，整体分析速度快且准确等优点。整体分析速度快且准确等优点。整体分析速度快且准确等优点。
【技术实现步骤摘要】
一种可穿戴设备上的ECG信号的干扰波识别方法
[0001]本专利技术涉及一种可穿戴设备上的ECG信号的干扰波识别方法，属于医疗检测
技术介绍
[0002]在单导联采集心电的过程中，不可避免的会受到诸多外界，例如肌肉运动，电磁波干扰等，干造成数据无法分析。而对于可穿戴设备，由于使用干电极采集数据，还会遇到诸如湿度变化，电极接触不良等问题，有必要进行针对性的对这些不佳的采集数据进行筛选。快速准确的自动识别这些干扰波，有助于减少后续分析的麻烦，提高后续程序的分析速度和准确率，也是提高心电医生分析效率的有效方法。
[0003]目前的关于心电信号的噪声污染程度的分析方法主要都是适用在湿电极下采集的心电信号，并不能很好的适应干电极的应用场景。本专利采用四段分级，能对干扰波做出更加细致的区分度，同时也能增加有效的心电波数据以满足更多的需求。
技术实现思路
[0004]本专利技术的目的在于克服上述存在的不足，而提供一种对干扰波进行细致区分，整体分析速度快且准确的可穿戴设备上的ECG信号的干扰波识别方法。
[0005]本专利技术的目的是通过如下技术方案来完成的：一种可穿戴设备上的ECG信号的干扰波识别方法，所述方法包括如下步骤：
[0006]1)采集数据和预处理：
[0007](1)收集各种不同干扰程度的心电数据，数据需要尽可能覆盖不同性别，不同年龄，不同职业等多种不同的人群，以保证数据的多样性，同时限制电压值的绝对值在一定范围内，由此防止个别大数值带来的影响过大；
[0008](2)将心电数据按照3秒钟长度切片，每一份数据为一个长度L1的一维向量,并对其进行标注得到y；
[0009](3)将切片的3秒钟心电数据进行间隔2的下采样，采用之后，数据长度L2，经过实验得知，下采样可以在基本不损失波形特征的情况下，减小输入长度，增加之后模型特征的感受野，也就是之后模型中间层输出的特征所对应的波形长度更长；
[0010]2)训练神经网络模型：
[0011](1)对输入的心电波X进行傅里叶变换F，并将其实部标准化Norm之后和X相加，得到输出XF：
[0012]X
F
＝X+Norm(real(F(X)))
[0013][0014]Norm(x)＝(x
‑
x
min
)/(x
max
‑
x
min
)
[0015]傅里叶变换的结果针对频域的分析能够较好的区分出低频区的大的漂动干扰和
高频区的毛刺干扰，这两种干扰较为更常见于可穿戴设备上，这使得该神经网络能够更有针对性的对干扰波进行筛选；
[0016](2)设计一个四层的一维卷积神经网络来提取特征，并规定每一层合适的通道数C，卷积核长度K和卷积步长strides，strides值能够更快缩小数据长度，加快模型运行效率，K和C的数值合适能保证输出的特征在足够表征波形数据的同时，也不过分稀释每个特征在传递信息过程中的权重，同时在第二个卷积层之后加一个Maxpooling层，用来筛选特征，该层同样有K和strides需要设定，最终得到第四个卷积层输出的特征Xconv；
[0017](3)随后接一个Averagepool层和两层全连接层来解码提取到的特征，全连接层的通道数分别为C和4，第二个全连接层的输出为Xfc，Xfc通过softmax层，得到4个类别的概率的一维向量Xout：
[0018][0019](4)设定学习率Lr、损失函数Loss:
[0020][0021](5)导入采集的数据，用Adam优化器进行训练，直到模型收敛；
[0022](6)保存模型为pb格式；
[0023]3)导入神经网络模型：
[0024](1)创建新的TensorFlow流程图；
[0025](2)载入训练好的pb文件；
[0026](3)初始化全模型节点；
[0027]4)导入数据并进行识别：
[0028](1)转换数据排列格式为NHC；
[0029](2)载入模型进行推导和预测；
[0030]5)根据识别结果进行分类：
[0031](1)对比最终输出的4个概率Xp，取其中最高的；
[0032](2)对比最高值和提前设定的阈值，如没有超过阈值；
[0033]6)计算干扰分数：
[0034](1)设定分数矩阵Grade；
[0035](2)最终输出的四个类的概率与分数矩阵相乘得到最终的分数F：
[0036]F＝X
p
*Grade。
[0037]本专利技术能够快速准确自动识别出在采集心电过程中由于外部因素导致的干扰波，有助于减少后续分析的麻烦，提高后续程序的分析速度和准确率，并提高心电医生分析效率，本专利技术具有能对干扰波进行细致区分，整体分析速度快且准确等优点。
附图说明
[0038]图1是本专利技术的算法流程图。
[0039]图2是本专利技术的网络模型结构图。
具体实施方式
[0040]下面将结合附图对本专利技术作详细的介绍：如图1
‑
2所示，一种可穿戴设备上的ECG信号的干扰波识别方法，所述方法包括如下步骤：
[0041]1)采集数据和预处理：
[0042](1)收集各种不同干扰程度的心电数据，数据需要尽可能覆盖不同性别，不同年龄，不同职业等多种不同的人群，以保证数据的多样性，同时限制电压值的绝对值在一定范围内，由此防止个别大数值带来的影响过大；
[0043](2)将心电数据按照3秒钟长度切片，每一份数据为一个长度L1的一维向量,并对其进行标注得到y；
[0044](3)将切片的3秒钟心电数据进行间隔2的下采样，采用之后，数据长度L2，经过实验得知，下采样可以在基本不损失波形特征的情况下，减小输入长度，增加之后模型特征的感受野，也就是之后模型中间层输出的特征所对应的波形长度更长；
[0045]2)训练神经网络模型：
[0046](1)对输入的心电波X进行傅里叶变换F，并将其实部标准化Norm之后和X相加，得到输出XF：
[0047]X
F
＝X+Norm(real(F(X)))
[0048][0049]Norm(x)＝(x
‑
x
min
)/(x
max
‑
x
min
)
[0050]傅里叶变换的结果针对频域的分析能够较好的区分出低频区的大的漂动干扰和高频区的毛刺干扰，这两种干扰较为更常见于可穿戴设备上，这使得该神经网络能够更有针对性的对干扰波进行筛选；
[0051](2)设计一个四层的一维卷积神经网络来提取特征，并规定每一层合适的通道数C，卷积核长度K和卷积步长strides，strides值能够更快缩小数据长度，加快模型运行效率，K和C的数值合适能保证输出的特征在足够表本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种可穿戴设备上的ECG信号的干扰波识别方法，其特征在于：所述方法包括如下步骤：1)采集数据和预处理：(1)收集各种不同干扰程度的心电数据，数据需要尽可能覆盖不同性别，不同年龄，不同职业等多种不同的人群，以保证数据的多样性，同时限制电压值的绝对值在一定范围内，由此防止个别大数值带来的影响过大；(2)将心电数据按照3秒钟长度切片，每一份数据为一个长度L1的一维向量，并对其进行标注得到y；(3)将切片的3秒钟心电数据进行间隔2的下采样，采用之后，数据长度L2，经过实验得知，下采样可以在基本不损失波形特征的情况下，减小输入长度，增加之后模型特征的感受野，也就是之后模型中间层输出的特征所对应的波形长度更长；2)训练神经网络模型：(1)对输入的心电波X进行傅里叶变换F，并将其实部标准化Norm之后和
×
相加，得到输出XF：X
F
＝X+Norm(real(F(X)))Norm(x)＝(x
‑
x
min
)/(x
max
‑
x
min
)傅里叶变换的结果针对频域的分析能够较好的区分出低频区的大的漂动干扰和高频区的毛刺干扰，这两种干扰较为更常见于可穿戴设备上，这使得该神经网络能够更有针对性的对干扰波进行筛选；(2)设计一个四层的一维卷积神经网络来提...
【专利技术属性】
技术研发人员：方舟，符灵建，
申请(专利权)人：浙江好络维医疗技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。