买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中原工学院

摘要：本发明提出了一种基于TSF‑GCN深度神经网络的ECG智能识别算法，步骤如下：1.多模态混合模型：结合ECG图像和原始心电信号，通过多模态学习和信号生成方法增强ECG数据，解决ECG数据不平衡问题。2.数据预处理：采用PAA算法和Prewitt算子对ECG信号进行预处理，优化信号质量并增强关键特征点。3.TSF‑GCN模型构建：将预处理后的ECG数据转化为图结构，设计并实现TSF‑GCN模型，通过多层图卷积层捕捉ECG数据间隐藏的复杂时空特征。4.模型训练与心律失常识别：利用MIT‑BIH心律失常数据库训练TSF‑GCN模型，通过学习ECG采样点之间的时空特征，实现对ECG心律失常的准确分类。本发明通过多模态方式增强ECG数据，结合图卷积神经网络模型，显著提高了心律失常的识别性能，尤其是在AF心房颤动类型的识别上。

主权项：1.一种基于时空融合图卷积神经网络TSF-GCN和多模态混合模型的ECG智能识别方法，其特征在于，包括以下步骤：步骤S1：图构建与数据编码：使用PiecewiseAggregateApproximationPAA算法对ECG数据进行处理，以减少数据维度并保留原始数据特征；采用Prewitt算子对ECG数据进行边缘检测，提高波形识别和预测性能；将预处理后的ECG数据转换为图结构数据，构建包含节点和边的图，节点表示ECG数据的特征，边表示节点之间的关系；对图中的节点和边进行数据编码，节点特征包括心电信号的特征向量，边特征包括波形的连接关系。步骤S2：数据增强：使用基于编码器-解码器的多模态混合模型对ECG数据进行数据增强，生成新的ECG信号以扩充原始数据集，特别是针对稀疏类型的心律失常进行增强；通过对比学习和生成任务，确保生成的ECG信号具有高质量并接近真实数据。步骤S3：心律失常检测：使用TSF-GCN模型对图结构数据进行处理，通过多层图卷积神经网络层进行特征提取和学习；TSF-GCN模型对ECG图中的每个节点进行异常检测，识别出心律失常的节点；在模型中对心电图信号进行分类和检测，识别不同类型的心律失常。步骤S4：合并异常节点：将检测到的异常节点按时间序列进行合并，形成异常路径；合并后的异常路径用于进一步分析和处理，减少误报和漏报。步骤S5：心律失常分析：对异常路径进行进一步分析，提取出与心律失常相关的特征；根据提取的特征，分类和识别具体的心律失常类型，并输出结果。

全文数据：

权利要求：

百度查询： 中原工学院 一种基于TSF-GCN深度神经网络的ECG智能识别算法