申请/专利权人：鲁东大学

申请日：2020-07-29

公开（公告）日：2020-11-20

公开（公告）号：CN111956211A

主分类号：A61B5/046(20060101)

分类号：A61B5/046(20060101);A61B5/0456(20060101)

优先权：

专利状态码：失效-发明专利申请公布后的驳回

法律状态：2024.02.13#发明专利申请公布后的驳回;2021.06.08#实质审查的生效;2020.11.20#公开

摘要：本发明公开了一种单导联心电信号房颤自动检测方法，它包括：1）提取原始心电信号的R波顶点；2）截取心拍心电数据，生成心拍心电信号样本；3）搭建心拍心电信号的卷积神经网络模型；4）训练卷积神经网络的参数；5）对测试集样本进行自动识别；运用现代的卷积神经网络算法对心拍心电数据进行底层卷积，随后对心拍心电数据底层卷积所得到的特征进一步进行高维特征的高层融合，得到最终特征进而输入到分类器进行分类得到心拍心电数据分类结果。然后通过对每一条单导联心电信号的所有心拍心电数据分类结果进行处理，得到单导联心电信号的预测类别；此方法对单导联心电信号的识别得到了较高的准确率；其中房颤信号的识别的准确率可达到99.84%。

主权项：1.单导联心电信号房颤自动检测方法，它包括：1）提取原始心电信号的R波顶点读取单导联心电信号数据，对单导联心电信号进行切比雪夫型带通滤波，得到去噪信号x0；对去噪信号x0求希尔伯特变换，得到变换后信号x1，对变换后信号x1取绝对值，得到去噪信号的包络信号x2；识别包络信号矩阵x2波峰点，并将包络信号矩阵x2的波峰点集合作为该条心电信号的过检测类QRS点的包络幅度值存入矩阵H_place1，并将包络信号矩阵x2的波峰点下标集合作为该条心电信号的过检测类QRS点的坐标点，存入矩阵R_place1；其中矩阵R_place1和矩阵H_place1的元素是一一对应的；取矩阵H_place1中最大的七个元素的和减去矩阵H_place1中最小的十个元素的和得到数值t；t乘以0.25等于硬阈值thr；然后去除矩阵H_place1中元素值小于thr的元素以及对应矩阵R_place1下标下的元素，完成R波顶点的硬阈值筛选，矩阵R_place1的有元素即为该条单导联心电信号的R波顶点；而每一个R波顶点代表一个单个心拍；2）截取心拍心电数据，生成心拍心电信号样本读取单导联心电信号数据，通过对单导联心电信号数据的每一个R波顶点的位置向前截取P个点，其中向前截取的时候需要将R点截取在内，向后截取Q个点，这里截取点数W=P+Q，则每个R波顶点截取W个点的数据，完成对心拍心电数据的截取，截取的W个点的数据作为卷积神经网络模型的输入X，而每个心拍心电数据的标签与该单导联心电信号数据的标签相同；将所有单导联心电信号通过上述对心拍心电数据的截取的方式对所有的心拍进行截取，形成数据集U，其中数据集U中的每个样本都是1*W维的心拍心电数据；记录每个单导联心电信号数据的R波顶点的个数，并依次存入矩阵N；3）搭建心拍心电信号的卷积神经网络模型卷积神经网络模型核心由两部分组成：a.针对单导联的心电信号中每个心拍心电数据的包含八个串联卷积层的底层卷积层结构，与输入X连接；b.针对心拍的心电信号的包含六个全连接层的高层融合特征层结构，与a部分连接，得出的特征经过一个全连接层得到单个心拍的输出分类结果y_pred；4）训练卷积神经网络的参数初始化所述卷积神经网络的参数，将采样好的数据集U随机抽取90%数目的样本当作训练集，数据集U的所有样本视为测试集；将训练集中的心拍心电数据样本输入到初始化后的神经网络中，以最小化代价函数为目标进行迭代，生成所述卷积神经网络的参数并保存；5）对测试集样本进行自动识别将测试集样本输入到卷积神经网络中并运行，获得测试集样本对应的4维预测值向量输出，然后选取4维预测向量输出的最大值的索引值作为测试集中每个心拍心电数据的预测类别，按照心拍心电数据输入预测集的顺序存入矩阵RE中；提取RE矩阵中前D个元素，存入矩阵T中，其中D为矩阵N中的元素，即当下心电信号的心拍数；然后删除RE矩阵中前D个元素，提取矩阵T中心拍心电数据类别数出现最多的类别作为当下单心拍心电数据的类别，保存到矩阵E中，最后与单心拍心电数据参考类别进行比较，使用所得结果作为模型的判别模型性能的标准。

全文数据：

权利要求：

百度查询： 鲁东大学 单导联心电信号房颤自动检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD