短时训练卷积神经网络的心电信号分类方法技术

本发明专利技术公开了一种短时训练卷积神经网络的心电信号分类方法，包括如下步骤：载入数据库中的心电信并进行去噪，得到去噪后的心电信号；对心电信号进行R波检测并截取QRS波所处的心拍段；根据数据库中心拍标签对截取的心拍段进行分类，得到心拍矩阵和与之对应的标签矩阵；利用小波变换对心拍矩阵进行特征系数提取得到特征矩阵；对特征矩阵进行随机切分得到训练集心拍和测试集心拍，并根据标签矩阵生成训练集心拍对应的标签矩阵和测试集心拍对应的标签矩阵；建立卷积神经网络，利用训练集和测试集对建立的网络进行训练与测试，得到心电信号分类结果的准确率。本发明专利技术在保持准确度较高的情形下，降低消耗时间，提高了算法的实时性。提高了算法的实时性。提高了算法的实时性。

【技术实现步骤摘要】
短时训练卷积神经网络的心电信号分类方法


[0001]本专利技术属于心电信号分类识别
，涉及一种短时训练卷积神经网络的心电信号分类方法。

技术介绍

[0002]心电信号是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术，是临床最常用的检查之一，应用广泛，包括，记录人体正常心脏的电活动、帮助诊断心律失常、帮助诊断心肌缺血、心肌梗死及部位、诊断心脏扩大、肥厚、判断药物或电解质情况对心脏的影响、判断人工心脏起搏状况等。不同波形的心电信号能够反映出心脏不同类型的病变，识别出心电信号不同类型的波形对于临床诊断具有相当重要的意义，更是对于心内科医生必备的技能之一，为了辅助医生的诊断，降低误诊率和提高诊疗效率，近几年来随着信息技术的发展，利用人工智能对心电信号进行分类的算法渐渐出现。
[0003]随着机器学习的发展，其中典型的算法支持向量机。支持向量机是一种小样本学习方法，能够高效的实现从训练样本到预测样本的推导，且具有较好的鲁棒性。将支持向量机应用在心电信号分类任务中可实现心电信号的精准分类，能够达到甚至超过心内科医生的准确度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.短时训练卷积神经网络的心电信号分类方法，其特征在于：具体包括如下步骤：步骤1，载入MIT
‑
BIH数据库中的心电信号g(n)并进行去噪，得到去噪后的心电信号f(n)；步骤2，对步骤1所得的心电信号f(n)进行R波检测并截取QRS波所处的心拍段w；步骤3，根据MIT
‑
BIH数据库中心拍标签对步骤2截取的心拍段w进行分类，并在每一类中随机选取N个心拍得到心拍矩阵D和与心拍矩阵D对应的标签矩阵L；步骤4，利用小波变换对步骤3中的心拍矩阵D进行特征系数提取得到特征矩阵F；步骤5，对特征矩阵F进行随机切分得到训练集心拍train_F和测试集心拍test_F，并根据标签矩阵L生成训练集心拍对应的标签train_L和测试集心拍对应的标签test_L；步骤6，建立卷积神经网络，利用步骤5中得到的训练集和测试集对建立的网络进行训练与测试，分别得到正常心拍准确度A1、左束支阻滞心拍准确度A2、右束支阻滞心拍准确度A3、早搏心拍准确度A4及整体准确度A。2.根据权利要求1所述的短时训练卷积神经网络的心电信号分类方法，其特征在于：所述步骤2的具体过程为：步骤2.1，利用动态双阈值法对心电信号f(n)进行R波检测，得到R波的位置向量p；步骤2.2，以检测出R波的位置为基准，并根据Q波和S波相对于R波的时间位置分别向前向后截取，得到QRS波所在的心拍段w：w＝[
…
,p(i)
‑
W
Q
*f
s
:p(i):p(i)+W
S
*f
s
，
…
]；其中，W
Q
代表Q波相对于R波的时间距离，W
S
代表S波相对于R波的时间距离，f
s
代表采样率，p(i)为第i个R波对应的采样点数，i＝1，2，
…
,N
R
，N
R
表示步骤2.1检测出R波的总个数。3.根据权利要求1所述的...

【专利技术属性】
技术研发人员：赵永红，辛菁，吴思杰，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：