申请/专利权人：齐鲁工业大学(山东省科学院);山东伟融信息技术有限公司

申请日：2023-11-22

公开（公告）日：2024-01-30

公开（公告）号：CN117257324B

主分类号：A61B5/361

分类号：A61B5/361;A61B5/00

优先权：

专利状态码：有效-授权

法律状态：2024.01.30#授权;2024.01.09#实质审查的生效;2023.12.22#公开

摘要：本申请提供了一种基于卷积神经网络和ECG信号的房颤检测方法。本发明包括以下步骤：S1：获取训练集和测试集：S2：构建CNN‑RdNet卷积神经网络；S3：构建总损失函数；S4：对CNN‑RdNet卷积神经网络进行训练，得到CNN‑RdNet卷积神经网络模型；S5：将心电图数据加载到CNN‑RdNet卷积神经网络模型中进行一次前向传播，输出一个范围为[0,1]的概率值以及准确率；当概率值大于0.5时，预测结果为房颤；当概率值小于0.5且大于0时，预测结果为不是房颤。本申请所述方法能够获得较高的准确率，且需要的运行时间也较短。

主权项：1.一种基于卷积神经网络和ECG信号的房颤检测方法，其特征在于：包括以下步骤：S1：获取训练集和测试集；S2：构建CNN-RdNet卷积神经网络，利用CNN-RdNet卷积神经网络先统计输入至CNN-RdNet卷积神经网络的标注后的心电图数量；然后对输入的标注后的心电图依次进行升维、提取浅层特征、对浅层特征重点关注、对被重点关注的特征进行捕捉并保留、对重点捕捉并保留的特征进行特征提取、重点关注边缘特征和纹理特征、对重点关注的特征进行重点捕捉并保留、对重点捕捉并保留的特征进行提取、对心脏跳动频率以及P波波形、QRS波形和ST段波形的频率进行重点关注、对重点关注的特征进行重点捕捉并保留、对重点捕捉并保留的特征进行特征提取、降维并生成特征向量、对特征向量进行特征映射、将参数矩阵进行映射操作得到一个范围在[0,1]的概率值以及计算准确率的操作；步骤S2中，CNN-RdNet卷积神经网络包括依次连接的输入层、计数器Ⅰ、卷积操作模块、特征提取块Ⅰ、空间注意力模块Ⅰ、最大池化层Ⅰ、特征提取块Ⅱ、空间注意力模块Ⅱ、最大池化层Ⅱ、特征提取块Ⅲ、空间注意力模块Ⅲ、最大池化层Ⅲ、特征提取块Ⅳ、全局最大池化层、预测层、计数层Ⅱ以及输出层；其中，计数器Ⅰ用于统计输入至CNN-RdNet卷积神经网络的输入层中的标注后的心电图数量；卷积操作模块用于对输入至卷积操作模块中的标注后的心电图进行升维，得到尺寸大小为64×56×56的初始特征图；特征提取块Ⅰ用于对初始特征图提取浅层特征，得到浅层特征图Ⅰ；空间注意力模块Ⅰ用于对浅层特征图Ⅰ中的P波波形的特征、QRS波波形中的Q波波形的特征和S波波形的特征和R波波形的波峰位置以及ST段波形中T波波形的特征和ST段波形的变化进行重点关注，得到浅层特征图Ⅱ；最大池化层Ⅰ用于对浅层特征图Ⅱ中被重点关注的特征进行捕捉并保留，得到浅层特征图Ⅲ；特征提取块Ⅱ用于对浅层特征图Ⅲ中重点捕捉并保留的特征进行特征提取，得到包括边缘特征和纹理特征的浅层特征图Ⅳ；空间注意力模块Ⅱ用于重点关注浅层特征图Ⅳ中的边缘特征和纹理特征，得到浅层特征图Ⅴ；最大池化层Ⅱ用于对浅层特征图Ⅴ中重点关注的特征进行重点捕捉并保留，得到浅层特征图Ⅵ；特征提取块Ⅲ用于对浅层特征图Ⅵ中重点捕捉并保留的特征进行提取，得到深层特征图Ⅰ；空间注意力模块Ⅲ用于对深层特征图Ⅰ中的心脏跳动频率以及P波波形、QRS波形和ST段波形的频率进行重点关注，同时重点关注P波波形、QRS波形和ST段波形之间的相关性和连续性，得到深层特征图Ⅱ；最大池化层Ⅲ用于深层特征图Ⅱ中重点关注的特征进行重点捕捉并保留，得到深层特征图Ⅲ；特征提取块Ⅳ用于对深层特征图Ⅲ中重点捕捉并保留的特征进行特征提取，得到深层特征图Ⅳ；全局最大池化层用于对深层特征图Ⅳ进行降维，并生成特征向量；预测层包括一个全连接层、一个Sigmoid层；全连接层用于对特征向量进行特征映射，得到参数矩阵[64,2]；Sigmoid层用于将参数矩阵进行映射得到一个范围为[0,1]的概率值；计数器Ⅱ用于统计概率值大于0.5的数量，并保存准确率；步骤S2中，特征提取块Ⅰ包括主干网络和残差网络，其中：主干网络包括依次连接的第一个卷积块Ⅰ、第一个卷积块Ⅱ、第二个卷积块Ⅰ、第一个Concat层、第三个卷积块Ⅰ、第二个卷积块Ⅱ、第四个卷积块Ⅰ、第二个Concat层；第一个卷积块Ⅰ还分别连接第二个卷积块Ⅰ和第一个Concat层，第一个卷积块Ⅱ还与第一个Concat层连接；第三个卷积块Ⅰ还与第四个卷积块Ⅰ连接、第二个Concat层；第二个卷积块Ⅱ还与第二个Concat层连接；输入层还与第二个Concat层连接；残差网络包括第五个卷积块Ⅰ、第三个卷积块Ⅱ、第六个卷积块Ⅰ、第四个卷积块Ⅱ，其中，第五个卷积块Ⅰ和第三个卷积块Ⅱ连接，第六个卷积块Ⅰ和第四个卷积块Ⅱ连接；输入层与第五个卷积块Ⅰ连接，第三个卷积块Ⅱ与第一个Concat层连接，第一个Concat层与第六个卷积块Ⅰ连接，第四个卷积块Ⅱ与第二个Concat层连接；步骤S2中，特征提取块Ⅰ、特征提取块Ⅱ、特征提取块Ⅲ和特征提取块Ⅳ的结构相同；S3：构建CNN-RdNet卷积神经网络的总损失函数；S4：利用训练集和总损失函数对CNN-RdNet卷积神经网络进行训练，得到CNN-RdNet卷积神经网络模型；S5：将标注后的心电图数据加载到步骤S4得到的CNN-RdNet卷积神经网络模型中进行一次前向传播，输出一个范围为[0,1]的概率值以及准确率；当概率值大于0.5时，表示输入至CNN-RdNet卷积神经网络模型中的标注后的心电图为房颤图形，预测结果为房颤；当概率值小于0.5且大于0时，表示输入至CNN-RdNet卷积神经网络模型中的标注后的心电图不是房颤图形，预测结果为不是房颤。

全文数据：

权利要求：

百度查询： 齐鲁工业大学(山东省科学院);山东伟融信息技术有限公司 基于卷积神经网络和ECG信号的房颤检测方法

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