An automatic analysis and processing method of ECG signals based on in-depth learning includes pre-processing of original ECG signals, segmentation of long waveforms to organize ECG data into vectors with multi-dimensional consistency, and operation steps of training the data acquired through the in-depth learning model of fully connected or fully convoluted neural networks, which can be completely and accurately in the end. Output of different categories of ECG indicators. This method can reduce the workload of doctors in interpretation, help doctors improve the accuracy of interpretation, and become an important auxiliary program for doctors to diagnose heart disease.
【技术实现步骤摘要】
一种基于深度学习的心电信号分析方法
本专利技术涉及心电图的分析与处理。具体而言,涉及一种基于深度学习的心电信号自动分析处理方法。
技术介绍
近几年来,心血管疾病已经成为全球人类的主要死亡原因之一,然而这类疾病往往急发或突发,为医院进行诊断造成了极大的困难。而心电图能够反应人体心脏的健康状况,在临床上被广泛用于心血管疾病的前期诊断,至今仍是医院诊断心血管疾病的主要方式。因此,对于心电图信号进行更加精准的分析成为了治疗及预防与心脏相关疾病的重要手段。目前已经有许多科研工作者基于心电图信号做了大量的研究,医生基于心电图中的各种波段信息能够做出越来越多的诊断。例如在“冠心病心绞痛心电图检查及其价值分析,曾莲,《陕西医学杂志》,2017年1月第46卷第1期”中,依据心电图数据,基于心电信号中ST段改变、T波异常、心率、心律等信息可以对冠心病心绞痛做初期判断,其敏感性可达83.5%。心电图中包含了各种波形,一次心动周期就会在心电图上记录出一系列的波形,例如包括P波、QRS波群、T波,各个波形之间都有一定时间的记录是在等电位线上的,因而心电图中还包括P-R间期、S-T段、Q-T间期,上述这些数据信息都是医生进行诊断的重要参考。然而,随着心电图数据量的剧增,心电图数据的判读给医生们每天带来巨大的工作量。而且很多心电监测仪还容易受到外界噪音的干扰,这进一步增加了医生对心电图数据信息判读的难度。
技术实现思路
针对上述现有技术中的不足,本专利技术提出一种基于深度学习的心电信号自动分析处理方法,通过该方法能够减少医生在判读时的工作量,帮助医生提高判读的准确率,成为医生诊断心脏病疾患 ...
【技术保护点】
1.一种基于深度学习的心电信号分析方法,其特征在于,包括如下步骤:(1)对原始心电信号进行预处理;(2)切分定长波形,以将心电信号数据整理成多个维度一致的向量;(3)通过深度学习模型对步骤(2)中整理获得的数据进行训练,输出不同的心电指标类别;其中,所述步骤(3)中的深度学习模型为全连接神经网络或全卷积神经网络。
【技术特征摘要】
1.一种基于深度学习的心电信号分析方法,其特征在于,包括如下步骤:(1)对原始心电信号进行预处理;(2)切分定长波形,以将心电信号数据整理成多个维度一致的向量;(3)通过深度学习模型对步骤(2)中整理获得的数据进行训练,输出不同的心电指标类别;其中,所述步骤(3)中的深度学习模型为全连接神经网络或全卷积神经网络。2.根据权利要求1所述的心电信号分析方法,其特征在于,所述步骤(1)中的预处理进一步包括如下步骤:(1-1)对原始心电信号进行降噪处理;(1-2)对数据幅度做最大最小归一化。3.根据权利要求2所述的心电信号分析方法,其特征在于,所述降噪处理包括对不同种类的噪声使用不同的处理方法:针对工频干扰采用数字滤波系统进行降噪;针对基线漂移引起的噪声采用滑动平均方法进行处理;针对表面肌电噪声使用最小二乘多项式拟合的方法处理。4.根据权利要求2或3所述的心电信号分析方法,其特征在于,所述步骤(1)中还包括对信号的连续性做分析和处理。5.根据权利要求1所述的心电信号分析方法,其特征在于,所述步骤(2)中还包括如下步骤:(2-1)定位一个QRS波的波峰;(2-2)截取此波峰后连续定长时间的数据点。6.根据权利要求5所述的心电信号分析方法,其特征在于,所述步骤(2-2)中的定长时间为1秒、2秒、3秒或4秒。7.根据权利要求1所述的心电信号分析方法,其特征在于,所述全连接神经网络模型包括输入层、四层隐藏层、Maxpooling层、Dropout层、Batch...
【专利技术属性】
技术研发人员:袁学光,张阳安,汪萃萃,
申请(专利权)人:北京邮电大学,
类型:发明
国别省市:北京,11
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。