1.一种基于统计特征和卷积循环神经网络的房颤信号检测方法,其特征在于,包括如下步骤:
a)对心电信号进行切片,得到相同长度的心电信号s(τ);
b)使用公式
c)使用pan-tompkins算法识别切片后的各心电信号s(τ)中的r波位点,根据心电信号的特异性阈值进行qrs波群检测,基于qrs波和p波、q波、r波、s波及t波计算统计特征,构建一个特征向量s;
d)使用2维卷积循环神经网络对步骤b)得到频谱图提取特征信息,得到特征向量m;
e)将特性向量s与特征向量m加权后进行特征融合;
f)将融合后的每个心电信号对应的特征向量输入到经过训练的带权重的支持向量机中判断心电信号的类型;
g)使用带有权重的支持向量机对心电信号进行分类。
2.根据权利要求1所述的基于统计特征和卷积循环神经网络的房颤信号检测方法,其特征在于,步骤a)具体操作步骤如下:
a-1)使用physionet/cincchallenge2017数据库将心电信号分为正常、房颤、噪声、其他四类信号;
a-2)将正常类的信号从中间截取一段长度为9s的信号;
a-3)将持续时间少于20s的其他类信号从中间截取一段长度为9s的信号,对于持续时间大于20s的其他类信号,将其从中间部分随机截取2个长度为9s的信号;
a-4)通过重叠长度为6s的方式对房颤类的信号截取长度为9s的信号;
a-5)通过重叠长度为8s的方式对噪声类的信号截取长度为9s的信号。
3.根据权利要求1所述的基于统计特征和卷积循环神经网络的房颤信号检测方法,其特征在于,步骤b)中短时傅里叶变换的窗口采用汉宁窗,汉宁窗大小为64个采样点,汉宁窗重叠区域大小为32个采样点。
4.根据权利要求1所述的基于统计特征和卷积循环神经网络的房颤信号检测方法,其特征在于,步骤c)构建特征向量s包括如下步骤:
c-1)计算心电信号rr间期标准差与方差,计算心电信号最大rr间期、最小rr间期以及平均rr间期,计算心电信号的pnn50、rmssd、sdsd;
c-2)计算心电信号样本熵、样本熵系数及变异系数;
c-3)在心电信号r峰确定后得到p波所在位置,将p波平均分为六个片段,计算每个片段的平均值,计算心电信号p波的方差、p波偏度以及p波斜度。
5.根据权利要求1所述的基于统计特征和卷积循环神经网络的房颤信号检测方法,其特征在于步骤d)中2为卷积循环神经网络使用6组且每组含4个卷积层的卷积块,在每组卷积块的所有卷积层在一个常数3×3接受域上应用若干个过滤器,之后使用批处理化和relu激活操作,每组卷积块的前三个卷积层的过滤器数量设置为32,前三个卷积层的步长为1,每组卷积块的最后一层过滤器数量增加32,最后一层步长为2,将经过卷积块处理输出的特征图通过flatten层一维化处理,一维化处理后的特征图使用两个神经元为200的双向lstm进行时间上的聚合,聚合后的输出结果为特征向量m。
6.根据权利要求1所述的基于统计特征和卷积循环神经网络的房颤信号检测方法,其特征在于步骤e)的操作步骤如下:
e-1)s∈rp,m∈rq,r为向量空间,p与q为特征维数,寻求两组投影方向α∈rp和β∈rq,使投影后的矩阵ats与βtm之间的相关性最大,t为矩阵转置,用遍历加权方式确定投影向量α的权重ws以及投影向量β的权重wm,ws+wm=1,从0.1至0.9遍历权重ws与wm,通过公式
e-2)通过公式
计算wsα和wmβ,式中λ1与λ2为拉格朗日乘子,sxx为wsα和wmβ所形成的矩阵x的协方差,syy为wsα和wmβ所形成的矩阵y的协方差,
e-3)将步骤e-2)中求wsα和wmβ的问题即化为求特征值问题,再将求得的的非零特征值以非递增的方式排列,选择非零特征值对应的特征向量作为所求典型相关投影矢量集,之后使用投影矢量集变换后的特征向量进行求和,得到融合后的特向向量集z。
7.根据权利要求1所述的基于统计特征和卷积循环神经网络的房颤信号检测方法,其特征在于:步骤f)中带权重的支持向量机使用二进制粒子群优化算法,粒子的适合度为分类的正确结果,选择fm值作为粒子的评价标准。