心电信号波形的检测研究方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112137611A(43)申请公布日2020.12.29(21)申请号202011097680.5G06N3/08(2006.01)(22)申请日2020.10.14(71)申请人山东平伟医疗技术有限公司地址250000山东省济南市高新区大正路1777号生物医药园中小企业产业化基地5号楼405-3号(72)发明人王永涛薛汝成(74)专利代理机构山东高景专利代理事务所(特殊普通合伙)37298代理人高小荷(51)Int.Cl.A61B5/0402(2006.01)A61B5/00(2006.01)G06K9/00(2006.01)G06K9/62(2006.01)权利要求书1页说明书4页附图3页(54)发明名称心电信号波形的检测研究方法(57)摘要本发明公开了心电信号波形的检测研究方法，包括以下步骤：步骤一：心电信号类型的选择，深度神经网络参数是根据预先设计的学习规则对输入的心电样本进行学习，不断优化得到的，因此要选择合适的心电信号类型送入网络中进行学习训练；步骤二：心电信号特征选择，利用现有算法提取心电特征会在提取过程中造成心电特征信息损失，完整的心拍中保留了心电信号中所有的信息；在心电信号预处理的过程中，本发明使用双重滤波对心电信号去噪滤波，提出了自适应差分阈值算法对滤波后的心电信号进行特征提取。CN112137611ACN112137611A权利要求书1/1页1.心电信号波形的检测研究方法，其特征在于：包括以下步骤：步骤一：心电信号类型的选择，深度神经网络参数是根据预先设计的学习规则对输入的心电样本进行学习，不断优化得到的，因此要选择合适的心电信号类型送入网络中进行学习训练；步骤二：心电信号特征选择，利用现有算法提取心电特征会在提取过程中造成心电特征信息损失，完整的心拍中保留了心电信号中所有的信息；步骤三：深度神经网络学习参数设置，深度神经网络的学习率、网络误差等学习参数的设置对网络训练有着至关重要的影响，在网络设计过程中要对学习率、网络误差的选择进行优化。2.根据权利要求1所述的心电信号波形的检测研究方法，其特征在于：所述步骤二中还包括利用深度神经网络对完整心拍自学习避免了特征提取过程中的心电信息损失，有利于优化深度神经网络的参数，提高网络对ECG信号的识别率。3.根据权利要求1所述的心电信号波形的检测研究方法，其特征在于：所述步骤三中的深度神经网络对心电信号识别分类包括：A：在软件平台上读取标注好的心电数据库中的ECG信号；B：数据库中的心电信号带有干扰噪声，影响自适应差分阈值法对心电信号中R波的准确检测，采用双重滤波对心电信号进行去噪，心电信号滤波去噪有利于心电识别分类过程中避免噪声的干扰，提高心电信号识别分类率；C：合适的心电特征更能表达心电信号信息，心电信号特征信息保留在完整的心拍中；D：采用一折交叉验证法对深度神经网络进行训练和测试。4.根据权利要求3所述的心电信号波形的检测研究方法，其特征在于：在分类A中，训练样本的选择对深度神经网络的训练至关重要，若选择的训练样本数目较少，则深度神经网络对心拍特征不能够充分学习，容易造成神经网络对心电信号识别率低，深度神经网络的训练需要大量实验样本，因此，选择数据库中样本数目较多的八种心电信号：正常心电信号、完全左束支传导阻滞、完全右束支传导阻滞、室性早搏、起搏心率、房性早搏、房颤、一阶房室传导阻滞。5.根据权利要求3所述的心电信号波形的检测研究方法，其特征在于：在分类B中，常规的阈值函数一般有两种，其一主要是软阈值函数，其二主要是硬阈值函数。6.根据权利要求3所述的心电信号波形的检测研究方法，其特征在于：在分类C中，根据网络的误差反向传播，在训练过程中每经过一个批次，网络进行一次参数优化，待网络实际输出误差达到预先设置网络误差时，神经网络训练结束，将测试组数据输入深度神经中检验网络识别心电信号的性能。2CN112137611A说明书1/4页心电信号波形的检测研究方法技术领域[0001]本发明属于心电信号技术领域，具体涉及心电信号波形的检测研究方法。背景技术[0002]随着老龄化人口的增加、社会压力的增大和人们生活习惯的改变造成了心脏病患者的增多，从而导致医生的工作量大大增加，并且在一定程度上使医生产生了更大的压力，使得医生在工作过程中更容易产生疲劳可能会出现误判现象，而且在诊断过程中难免会存在经验模糊的局限性，随着科技的进步和发展，便携小巧低功耗的家庭式心电检测仪需求市场急剧增大，人们对心电信号检测和疾病预估有了更高的要求，因此心电信号波形的检测和分类不仅能够实现自动检测的目的也能够有效辅助医疗工作者的工作。[0003]近年来心电信号波形的检测研究方法可以概括为：斜率检测法、阈值检测法、小波检