(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211290787.0 (22)申请日 2022.10.21 (71)申请人 齐鲁工业大学 地址 250353 山东省济南市长清区大 学路 3501号 (72)发明人 董爱美　齐志云　 (74)专利代理 机构 济南信达专利事务所有限公 司 37100 专利代理师 孙园园 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/82(2022.01) G06V 10/30(2022.01) G06T 7/00(2017.01)G06N 3/04(2006.01) G06N 3/08(2006.01) A61B 5/349(2021.01) A61B 5/00(2006.01) (54)发明名称 基于深度学习的心电图图像分类方法及系 统 (57)摘要 本发明公开了基于深度学习的心电图图像 分类方法及系统， 属于智能医疗及图像 分类技术 领域， 本发 明要解决的技术问题 为如何利用深度 学习实现对心电图图像的分类及预测， 减轻专业 医师的工作量的同时， 提高心电图图像 分类的准 确性以及 有效性， 为及时判断病人病情提供有效 帮助， 采用的技术方案为： 该方法具体如下： 选取 心电图图像； 对心电图图像进行去噪预处理； 提 取去噪后的心电图图像的波形特征点； 利用支持 向量机模型和线性回归模型进行分类； 利用长短 期记忆模型对 待分类心电图 图像进行 预测。 权利要求书5页 说明书15页 附图6页 CN 115546557 A 2022.12.30 CN 115546557 A 1.一种基于深度学习的心电图 图像分类方法， 其特 征在于， 该 方法具体如下： 选取心电图 图像； 对心电图 图像进行去噪预处 理； 提取去噪后的心电图 图像的波形 特征点； 利用支持向量机模型和线性回归 模型进行分类； 利用长短期记 忆模型对待分类心电图 图像进行 预测。 2.根据权利要求1所述的基于深度学习的心电图图像分类方法， 其特征在于， 对心电图 图像进行去噪预处 理具体如下： 小波变换： 获取心电图图像的原始波形后， 使用小波基函数对心电图图像的原始波形 进行处理获取小 波变换后的波形， 公式如下： 其中， x表示心电图 图像的原 始波形； y表示经 过小波基函数变换后的波形； 去噪处理： 使用MATLAB中的wavedec函数对经过小波变换后的波形进行分解获取去噪 波形， 公式如下： [C,L]＝wavedec(E,3,co if5)； 其中， [C,L]＝wavedec(E,3,coif5)是coif5小波基， 对经过小波变换后的波形E进行3 层分解获取分别去噪波形； C表示各层分量； L表示分量长度。 3.根据权利要求1或2所述的基于深度学习的心电图图像分类方法， 其特征在于， 提取 去噪后的心电图 图像的波形 特征点具体如下： 提取R波： 使用固定 差分阈值分析法对去噪波形进行R波的检测提取， 尺度为 n； 提取Q波和S波： 检测提取R波后， 对可能是Q波和S波 的位置进行预判断， 判断是否存在 模极大值点， 模极大值点在R波波峰为中心的前后位置上， 对模极大值点进行两次位置校 正， 以便得到最后的Q 点或S点； 提取P波和T 波： 采用斜 率阈值对P波和T 波进行提取检测。 4.根据权利要求3所述的基于深度学习的心电图图像分类方法， 其特征在于， 提取R波 具体如下： 对去噪波形 上的所有的极值 点进行检测， 并按照幅值进行排序； 根据幅值大小确定阈值的大小： 将幅值的极大值与极小值差的r％作为阈值， 即临界 值； 将去噪波形上的所有极值点与临界值进行比较， 判断去噪波形上的极值点是否高于临 界值： 若是， 则预判为R波； 对去噪波形上所有极值点判定完毕后， 进行R波的错误检测及排除： 若阈值大于RR间 期， 则对相邻的两个R波幅值进行比较， 幅值高的为R波， 幅值低的直接去除； 对所有R波校检排除后， 对R波 进行局部微校正， 得到波形正确的R波； 提取Q波具体如下： 在预判点的位置前， 取20m s前面处的数据， 设其 坐标为(x1,y1)；权　利　要　求　书 1/5 页 2 CN 115546557 A 2将该预判点与R波的峰点之间用一条直线连接； 其中， R波的峰点坐标为(x2,y2)； 直线的 公式如下： 计算在这中间的每个模极大值点到直线的距离， 求出来的距离最远的点就是第 一次校 正后的Q点； 点到直线的距离公式如下： 提取P波和T 波具体如下： 在一个确定的范围里查找模极大值 点； 计算模极大值 点在前后设定范围内各点之间的斜 率的模， 选出斜 率的模最大值； 当阈值小于斜率的模最大值时， 则该模极大值点为P波或者T波的峰点， 进而对应基线 的点便为P波或T 波的起点和终点， 同时P波或T 波的幅值和时限便可计算出来； 当阈值大于斜率的模最大值时， 则说明该心电图图像的波形中没有P波或T波， P波幅值 和时限均为0 。 5.根据权利要求4所述的基于深度学习的心电图图像分类方法， 其特征在于， 利用支持 向量机模型和线性回归 模型进行分类具体如下： 支持向量机模型： 在MATLAB环境下使用K ‑CV方法获取分类指标， 具体如 下： 将心电图图 像均分为K 组， 其中的一组作为验证集， 剩余的K ‑1组作为训练集， 对支持向量机模型进 行训 练， 得到K个分类 器模型， 最终使用这K个分类 器模型分类准确率的平均值作为指标； 线性回归模型： 使用SPSS进行线性回归模型的建立， 具体为： 选取8个自变量， 因变量为 GROUP， 选择 “输入”作为回归方法， 用回归系数表 示每一个自变量与因变量的关系， 系数和0 之间的差异的显著性用Sig表示； 其中， 线性回归 模型的表达式具体如下： GROUP＝‑0.581×VR‑2.181×VP‑0.89×VT‑0.001×TRR+0.006×TQT‑0.007×TPR+0.063 ×|VST|+0.107×NP+0.296； 其中， VR表示R波幅值； VP表示P波幅值； VT表示T波幅值； TRR表示RR间期； TQT表示QT间期； TPR表示PR间期； VST表示ST段的电位偏移量； NP表示是否出现早搏， 若出现早搏， 则 NP＝1； 若 未出现早搏， 则NP＝0； 心电图图像分类， 公式如下： M＝α S+β L； 其中， 0＜α ＜ 1,0＜β ＜ 1且α +β ＝1， M表示最终的分类模型DSLM； S代指SVM模型； L代指线 性回归模型； α和β 分别是SVM模型和线性回归模 型的在DSLM中的系数， 在DSLM中的系数由多 次学习习得， 具体是通过比较准确 率进行参数 的选择， 选择准确 率结果最高的参数作为最 终参数。 6.根据权利要求5所述的基于深度学习的心电图图像分类方法， 其特征在于， 利用长短 期记忆模型对待分类心电图 图像进行 预测具体如下： 遗忘门： 决定待分类心电图图像波形中的哪些信息需要从LSTM模型中被遗忘； 具体为： 通过sigmoid单元决定待分类心电图图像波形中的需要丢弃的信息， 通过查看ht‑1和xt信息 来输出一个0 ‑1之间的向量， 该向量里面的0 ‑1值表示LSTM模型Ct‑1中的那些信息保留或丢权　利　要　求　书 2/5 页 3 CN 115546557 A 3