一种基于深度学习的心电信号分析方法技术

一种基于深度学习的心电信号自动分析处理方法，包括对原始心电信号进行预处理、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以及通过全连接神经网络或全卷积神经网络的深度学习模型对整理获得的数据进行训练的操作步骤，最终可以全面准确地输出不同的心电指标类别。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的重要辅助方案。

An ECG Signal Analysis Method Based on Deep Learning

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的重要辅助方案。所述方法具体包括如下步骤：(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。由于心电信号很容易受到噪声的影响，且噪声来源主要为几个类别，因此，所述步骤(1)中的预处理进一步包括对原始心电信号进行降噪处理和对数据幅度做最大最小归一化两个步骤。进一步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。同时，考虑到数据采集过程中可能会出现采集设备脱落，导致所采集的信号出现中断的情况，因此所述步骤(1)中还可以包括对信号的连续性做分析和处理。对于深度学习模型来说由于需要保证每一条输入样本的维度一致，因此所述步骤(2)中还包括如下步骤：定位一个QRS波的波峰；截取此波峰后连续定长时间的数据点。其中因为QRS波峰在波形中表现的较为突出，处于整段波形中的最高位置，更易检测识别出来，因此选择QRS波的波峰进行定位。进一步，所述定长时间可以通过实验进行确定，例如为1秒、2秒、3秒或4秒。进一步，为了获得全面准确输出结果，对所述全连接神经网络和全卷积申请网络进行了专门的设计。其中，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、BatchNormalization层和输出层；其中，输入层神经元数目依据所述步骤(2)整理的数据向量维度而定；并且在第二层和第三层隐藏层中间添加一个Maxpooling层，在第四层隐藏层和输出层之间添加Maxpooling层、Dropout层以及BatchNormalization层。优选地，所述隐藏层的神经元个数为2的次幂，例如四个隐藏层的神经元个数分别为256、128、64和32。而所述全卷积神经网络模型包括输入层、六层卷积层、Maxpooling层、Dropout层、BatchNormalization层和输出层；其中，输入层神经元数目依据所述步骤(2)整理的数据向量维度而定；并且每两层卷积层之间添加一个Maxpooling层，在最后的卷积层和输出层之间添加Dropout层和BatchNormalization层。优选地，六层卷积层的卷积核大小分别依次为7、7、5、5、3和3，六层卷积层的卷积核个数分别依次为128、128、64、64、32和32。采用上述深度学习模型可以准确地输出包括如下心电指标的类别：心律值、心律不齐率、心律值低于60次每分的比率、心律值超过120次每分的比率、PR间期超过0.2s、P波畸形和QRS波宽大畸形。与现有技术相比，本专利技术的技术方案具有如下的技术效果：1、得出的结果全面且准确，能够有效降低环境噪音或者病人个体差异带来的干扰；2、方法能够使用GPU进行并行计算实施，在分析处理速度上有很大提升，能够满足大规模应用中对得出诊断辅助信息速率的要求；3、方法基于深度学习，不需要进行人工提取特征，减少了心电图数据处理过程的复杂度；4、所采用的神经网络结构在经过大量真实可靠的原始数据学习训练之后，具有较强的可移植性，可进行广泛应用。附图说明图1：基于深度学习的心电信号分析处理技术方案框图；图2：原始心电信号波形图；图3：切分定长波形示意图；图4：全连接神经网络结构示意图；图5：全连接神经网络详细结构示意图；图6：卷积神经网络详细结构示意图；图7：卷积神经网络结构示意图。具体实施方式随着计算机技术和算法的发展，计算机辅助诊断技术越来越多地被融入到医疗领域方面中，适用于各种医疗数据的算法和模型不断被提出，这对实现分级诊疗，合理配置医疗资源等有重大意义。对于患者来说，可以更快速地实现健康检查，获得更为精准的诊断结果和更好的个性化治疗方案建议；对于医师来讲，则可以消减诊断时间，降低误诊的概率；对于医疗体系来说，人工智能则可以提高各种准确率，同时系统性降低医疗成本。本专利技术将人工智能、计算机辅助技术引入到心电图数据信息的分析处理当中，提出基于深度学习的心电信号分析处理方法。本方法模型结构简单，分析结果全面可靠。利用大量真实数据对模型进行训练与学习，最终获得稳定有效的模型，具有较强的可移植性。参见说明书附图1所示，本专利技术提出的一种基于深度学习的心电信号分析处理方法主要包括：降噪与归一化、切分定长波形、搭建深度学习模型、获得心电指标分析结果并输出。以下将详细说明上述各个操作步骤。1)降噪与归一化心电信号是体表的电生理信号，一般比较微弱，同时，其不仅是随机的，而且是非平稳的，幅度在10μV～4mV，频率为0.05～100Hz，参见说明书附图2。由于心电信号是十分微弱的，而且人体自身也是十分复杂的系统，各自系统对于心电信号的捕捉也会产生一定的影响，因此信号容易受到噪声干扰。同时，在心电图检测过程中极易受到各种噪声源的干扰，从而使图像质量变差，使均匀和连续变化的心电数值产生突变，在心电图上形成一些毛刺。这使得原本就很微弱的信号更难和噪声进行分解。根据最近研究表示，正常心电信号范围在0.05-100Hz之间，90％的心电信号(ECG)频谱能量是集中在0.25-35Hz之间，这也使得我们想要采集出有效的心电信号肯定会受到大量噪音的干扰。研究表明，这些噪音的来源往往是以下几种：工频干扰、电极接触噪声、人为运动、肌电干扰、基线漂移和呼吸时ECG幅值的变化、信号处理本文档来自技高网...

【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