[发明专利]基于分布式计算和深度学习的心电节拍分类方法

说明书

本发明公开了一种基于分布式计算和深度学习算法的心电节拍分类方法，包括以下步骤：首先获取心电节拍信号并划分样本集，对训练集中的心电数据流形进行局部区域化；然后构建分布式深度学习场，并利用训练集数据进行训练，在训练中采用软同步的方法实现数据并行；最后利用训练好的深度学习场对测试集的心电数据进行分类。利用本发明的方法能够发现在数据中潜在的信息，解决了传统的心电节拍分类过程中体征描述容易存在偏差，特别是当心电数据特征不明显时容易出现错误分类的问题，同时解决了单机训练耗时过久的问题，能够应用于海量ECG数据的分类，具有显著提高的计算效率。

技术领域

本发明涉及心电节拍分类方法，尤其涉及一种基于分布式计算和深度学习算法的心电节拍分类方法。

背景技术

心电图(Electrocardiography，ECG)信号分析在心血管疾病的诊断中起着重要的作用，因为心电信号记录心电活动，可以提供人体心脏状态的重要病理信息。然而，由于心电数据的变化复杂，而且人眼的能力有限，让医生在短时间内分析大量的心电数据实际上是不切实际的。因此，近年来计算机辅助诊断系统已引起越来越多的关注。而随着可穿戴式的心电采集设备的不断发展，未来通过这类设备所采集到的心电数据将是海量的，计算机辅助计算需要处理的ECG数据越来越大，传统的单机计算分类方法已经很难适应未来的发展。

高性能的计算(High performance computing，HPC)平台为处理海量ECG数据提供了一种可行的手段。HPC系统通常使用很多处理器(作为单个机器的一部分)或者某一机群中组织的几台计算机(作为单个计算资源操作)来处理计算任务。机群是一种分布存储的并行系统，各结点通信主要使用消息传递方式。机群系统提出之后发展得十分迅猛，已成为目前研究的热点，它可以用商品处理器和商品网络方便地构造。另外它还有许多过去的并行系统不可比拟的优势，比如投资风险小、性能价格比高、系统的开发周期短等优点。

传统的心电节拍分类方法从不同角度研究和开发了提取心电数据特征的技术，如波形描述形态、波段统计表示、小波系数的量化等。然而，手动设计的特征不可避免地受到信息损失的限制，因为它们比数据本身更依赖于人。同样手动调整手工特征的多个参数也是很困难的。近年来，深度学习技术发展迅猛，人工智能领域掀起了深度学习的浪潮，从学术界到工业界都热情高涨。深度学习尝试解决人工智能中抽象认知的难题，从理论分析到应用都获得了很大的成功，通过深度学习的模型处理心电信号也已经成为当前的热点。深度学习方法与分别进行特征工程和分类器学习的传统方法不同，它具有可以自动从数据中学习分层特征表示的特点和优势，而传统的特征工程可能失去有用的信息。但是深度学习方法仍然存在体征描述容易出现偏差的问题，特别是当心电数据特征不明显时容易出现分类错误。此外，现有的深度学习平台多采用单机处理，其计算能力革新速度远远跟不上数据量的增长速度，因此如何将庞大的心电信号进行快速准确的分类是当下急需解决的问题。

发明内容

发明目的：为了解决现有技术的问题，本发明提出了一种基于分布式计算和深度学习的心电节拍分类方法，适用于待分类ECG数据量庞大的场景，同时能够解决体征描述容易存在偏差特别是当心电数据特征不明显时容易出现错误分类的问题。

技术方案：为了实现上述目的，一种基于分布式计算和深度学习的心电节拍分类方法包括以下步骤：

(1)获取心电节拍信号；

(2)对心电数据进行局部区域化处理；

(3)构建分布式深度学习场，基于局部区域化处理后的心电数据进行训练，采用软同步的方法实现数据并行；

(4)利用训练好的深度学习场对待分类的心电数据进行分类。