1.本发明涉及异常心电图信号的识别技术，具体是指一种异常心电图信号的智能化识别方法及系统。
背景技术：2.随着社会不断进步和生活压力，心血管疾病患病率不断上升，心脏疾病已经成为威胁人类健康的重要因素，实时监测并发现病人的心率异常具有重大意义；由于心电数据较为复杂，数据量大，医生每天都要进行大量心电波识别，现有的心电波和心电图识别多通过医师人为判断，在增大医务人员工作负荷的前提下，易发生误判、错判、漏判的问题，不满足临床需求。
技术实现要素：3.为解决上述技术问题，本发明提供的技术方案为：一种异常心电图信号的智能化识别方法及系统，包括以下步骤：
4.步骤一、数据集预处理，选取心电数据库中具有人工标注的心拍注释的数据进行标签的选择，利用python的wfdb对数据进行读取，将处理完成的数据合并为一个数据集，存储为csv格式；
5.步骤二、模型实现与改进，通过被测试者的ecg信号来判断被测试者的心脏状况，采用cnn卷积神经网络对ecg信号的空间特征进行提取，将cnn卷积神经网络与lstm相结合，在空间维度和时间维度上进行运算处理，并得到模型数据；
6.步骤三、将模型部署至树莓派，利用ad8232模块以360hz的采样频率采集10s ecg数据，再通过pcf85591模块将ecg模拟信号转换为ecg数字信号，并将模型转化成tensorflow lite格式，发送至树莓派上，并使用smbus控制i2c总线获取ecg数据进行识别，最终在树莓派上运行python，使用模型进行推断，并输出最终结果。
7.本发明与现有技术相比的优点在于：本方案通过使用深度学习算法，将人体心电信号分为常见的7类情况，并对被测试者心电信号进行实时采集并分析，从而判断出被测试者心跳是否正常，或患有什么样的心脏疾病，该检测系统可对心电信号进行实时采集分析，同传统心电采集相比，该系统反应时间短，准确率高，本方案涉及模拟电子技术、数字电子技术、嵌入式系统、深度学习、模式识别等多学科多方面知识，对培养学生的创新能力和团队协作能力很有帮助。
8.进一步的，步骤一中，心电数据库种类包括mit-bih arrhythmia database、mit-bih st change database、european st-t database、sudden cardiac death holter database。
9.进一步的，心电数据库中，关注以下三类文件：1)
‘
.hea’注释文件，该文件含有记录编号、导联方式、采样频率、采样点数等信息；
10.2)
‘
.atr’标记文件，该文件含有人工标注的心拍位置和类型；
11.3)
‘
.dat’心电信号数据。
12.进一步的，步骤一中，对数据进行读取时由于不同数据库的数据长度不一，若要进行数据合并，需要将这些记录裁剪成统一长度，这里统一裁剪成10s长度的数据；并且由于european st-t database、sudden cardiac death holter database采样频率为250hz不同于其他数据库的360hz，则需使用重采样方法将数据集统一到360hz；而浅层的卷积神经网络能够提取信号粗粒度的特征，不同的导联方式通过卷积来分开。
13.进一步的，步骤二中，lstm从卷积部分输出的特征图中提取时间信息。
14.进一步的，步骤三的具体流程如下：
15.1)加载模型：把.tflite文件加载到内存中；
16.2)转化数据：把数据格式改成适用于模型的形式；
17.3)运行推断：使用tensorflow lite的api执行模型；
18.4)解释输出：输出相应心电数据分类中的概率。
附图说明
19.图1是一种异常心电图信号的智能化识别方法及系统的工作流程示意图。
具体实施方式
20.下面结合附图对本发明做进一步的详细说明。
21.本发明在具体实施时，如图1所示的实施例中，一种异常心电图信号的智能化识别方法及系统，包括以下步骤：
22.步骤一、数据集预处理，选取心电数据库中具有人工标注的心拍注释的数据进行标签的选择，利用python的wfdb对数据进行读取，将处理完成的数据合并为一个数据集，存储为csv格式；
23.步骤二、模型实现与改进，通过被测试者的ecg信号来判断被测试者的心脏状况，采用cnn卷积神经网络对ecg信号的空间特征进行提取，将cnn卷积神经网络与lstm相结合，在空间维度和时间维度上进行运算处理，并得到模型数据；ecg信号既包含空间特征，又包含时间特征，首先采用cnn卷积神经网络对ecg信号的空间特征进行提取，但cnn模型模拟在10层时基本达到最佳，准确率仅达到93％，通过医生临床经验，可以发现一般患病患者的心电异常情况是持续性的，因而ecg信号在时间维度上的关联特征同样也是至关重要的，在cnn卷积神经网络的基础上，为了提取时序特征，采用rnn循环神经网络，但原始的循环神经网络存在梯度消失或梯度爆炸问题，无法进行长程记忆，而rnn的变种lstm(long short term memory，长短时记忆)，可以很好的满足我们的需求，从卷积部分输出的特征图中提取时间信息，因此将cnn与lstm相结合，在空间维度和时间维度上都进行运算处理，可以有效提取出信号在空间和时间上的特征，最终能够达到96％的准确率，实现了对基本模型的复现。
24.步骤三、将模型部署至树莓派，利用ad8232模块以360hz的采样频率采集10s ecg数据，再通过pcf85591模块将ecg模拟信号转换为ecg数字信号，并将模型转化成tensorflow lite格式，发送至树莓派上，并使用smbus控制i2c总线获取ecg数据进行识别，最终在树莓派上运行python，使用模型进行推断，并输出最终结果。
25.本发明的工作原理如下：该项目通过国际权威心电数据库进行数据处理合并，并使用深度学习算法对预处理的数据进行训练分类，最终将模型部署至树莓派，以树莓派为模型计算的“大脑”，ad8232模块采集人体的心电数据，经过pcf8591数模转换之后传给树莓派进行边缘计算，实现对被测试者心电信号的实时采集、分析处理，最终输出评估结果，判断被测试者是否患有心脏疾病，为提前发现并及时就医提供可能。
26.进一步的，步骤一中，心电数据库种类包括mit-bih arrhythmia database、mit-bih st change database、european st-t database、sudden cardiac death holter database。
27.进一步的，心电数据库中，关注以下三类文件：1)
‘
.hea’注释文件，该文件含有记录编号、导联方式、采样频率、采样点数等信息；
28.2)
‘
.atr’标记文件，该文件含有人工标注的心拍位置和类型；
29.3)
‘
.dat’心电信号数据。
30.进一步的，步骤一中，对数据进行读取时由于不同数据库的数据长度不一，若要进行数据合并，需要将这些记录裁剪成统一长度，这里统一裁剪成10s长度的数据；并且由于european st-t database、sudden cardiac death holter database采样频率为250hz不同于其他数据库的360hz，则需使用重采样方法将数据集统一到360hz；而浅层的卷积神经网络能够提取信号粗粒度的特征，不同的导联方式通过卷积来分开。
31.进一步的，步骤二中，lstm从卷积部分输出的特征图中提取时间信息。最终通过分析异常心电信号图并结合医生诊断经验，可以发现，在单个心电信号周期内，能从r波段就能判断一个人心脏是否正常；p，q，s波段虽起作用，但不是决定性因素，因此需要设计一种网络结构，如何能做到放大某一部分的特征，而忽略一些不相关的特征，充分利用现有的卷积层而不再增加网络的深度；存在一种e-net的网络结构，就能实现上述设想，在e-net的网络结构基础上，对模型进行了改进，使用se-net算法将前期学习到的权重其加到原始特征时，就实现了突出重点波段，最终算法准确率达到98％。
32.进一步的，步骤三的具体流程如下：
33.1)加载模型：把.tflite文件加载到内存中；
34.2)转化数据：把数据格式改成适用于模型的形式；
35.3)运行推断：使用tensorflow lite的api执行模型；
36.4)解释输出：输出相应心电数据分类中的概率。
37.以上显示和描述了本发明的基本原理和主要特征以及本发明的优点，本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
技术特征：1.一种异常心电图信号的智能化识别方法及系统，其特征在于包括以下步骤：步骤一、数据集预处理，选取心电数据库中具有人工标注的心拍注释的数据进行标签的选择，利用python的wfdb对数据进行读取，将处理完成的数据合并为一个数据集，存储为csv格式；步骤二、模型实现与改进，通过被测试者的ecg信号来判断被测试者的心脏状况，采用cnn卷积神经网络对ecg信号的空间特征进行提取，将cnn卷积神经网络与lstm相结合，在空间维度和时间维度上进行运算处理，并得到模型数据；步骤三、将模型部署至树莓派，利用ad8232模块以360hz的采样频率采集10s ecg数据，再通过pcf85591模块将ecg模拟信号转换为ecg数字信号，并将模型转化成tensorflow lite格式，发送至树莓派上，并使用smbus控制i2c总线获取ecg数据进行识别，最终在树莓派上运行python，使用模型进行推断，并输出最终结果。2.根据权利要求1所述的一种异常心电图信号的智能化识别方法及系统，其特征在于：所述步骤一中，心电数据库种类包括mit-bih arrhythmia database、mit-bih st change database、european st-t database、sudden cardiac death holter database。3.根据权利要求2所述的一种异常心电图信号的智能化识别方法及系统，其特征在于：所述心电数据库中，关注以下三类文件：1)
‘
.hea’注释文件，该文件含有记录编号、导联方式、采样频率、采样点数等信息；2)
‘
.atr’标记文件，该文件含有人工标注的心拍位置和类型；3)
‘
.dat’心电信号数据。4.根据权利要求1所述的一种异常心电图信号的智能化识别方法及系统，其特征在于：所述步骤一中，对数据进行读取时由于不同数据库的数据长度不一，若要进行数据合并，需要将这些记录裁剪成统一长度，这里统一裁剪成10s长度的数据；并且由于european st-t database、sudden cardiac death holter database采样频率为250hz不同于其他数据库的360hz，则需使用重采样方法将数据集统一到360hz；而浅层的卷积神经网络能够提取信号粗粒度的特征，不同的导联方式通过卷积来分开。5.根据权利要求1所述的一种异常心电图信号的智能化识别方法及系统，其特征在于：所述步骤二中，所述lstm从卷积部分输出的特征图中提取时间信息。6.根据权利要求1所述的一种异常心电图信号的智能化识别方法及系统，其特征在于：所述步骤三的具体流程如下：1)加载模型：把.tflite文件加载到内存中；2)转化数据：把数据格式改成适用于模型的形式；3)运行推断：使用tensorflow lite的api执行模型；4)解释输出：输出相应心电数据分类中的概率。
技术总结本发明公开了一种异常心电图信号的智能化识别方法及系统，包括数据集预处理、模型实现与改进、将模型部署至树莓派。本发明与现有技术相比的优点在于：本方案通过使用深度学习算法，将人体心电信号分为常见的7类情况，并对被测试者心电信号进行实时采集并分析，从而判断出被测试者心跳是否正常，或患有什么样的心脏疾病，该检测系统可对心电信号进行实时采集分析，同传统心电采集相比，该系统反应时间短，准确率高，本方案涉及模拟电子技术、数字电子技术、嵌入式系统、深度学习、模式识别等多学科多方面知识，对培养学生的创新能力和团队协作能力很有帮助。能力很有帮助。能力很有帮助。
技术研发人员：胡爽 何广旭 李江鹏 孔嘉民 王顺航 邓秋群 肖山竹
受保护的技术使用者：中国人民解放军国防科技大学
技术研发日：2022.07.14
技术公布日：2022/11/1
