[发明专利]利用LSTM网络对心电数据进行处理的算法

说明书

本发明提供利用LSTM网络对心电数据进行处理的算法，包括：读取心电数据；将心电数据进行随机切分使每段数据包括设定数量的R波；建立训练模型，包括设置双向LSTM层、设置全连接层、以及在双向LSTM层之间、或者全连接层之间、或者双向LSTM层与全连接层之间设置dropout；对所述训练模型的参数进行配置；利用心电数据对所述训练模型进行循环训练以生成最终模型。本发明可以准确区分有危害的心电数据与没有危害的心电数据，可以配合高危人群日常使用的可穿戴心律监测设备，以便在发现可能致命的心律异常时及时通知急救人员。

技术领域

本发明涉及心电数据处理，特别涉及利用LSTM网络对心电数据进行处理的算法。

背景技术

潜在的心律失常患者通常是去看医生，由医生当面用心电图仪进行检查。如果心电图仪检测不到问题，医生可能会让潜在患者使用可穿戴设备，对心律进行两周的持续监测。设备生成数据的时间跨度长达300多小时，医生需要分析其中每一秒的数据，以发现心律失常的迹象，但是有危害的心电数据与没有危害的心电数据往往极难区分。

发明内容

本发明的目的是为了弥补上述现有技术中的至少一项不足，提出利用LSTM网络对心电数据进行处理的算法，便于区分有危害的心电数据与没有危害的心电数据。

为解决上述技术问题，本发明采用以下技术方案：

利用LSTM网络对心电数据进行处理的算法，包括：

读取心电数据；

将心电数据进行随机切分使每段数据包括设定数量的R波；

建立训练模型，包括设置双向LSTM层、设置全连接层、以及在双向LSTM层之间、或者全连接层之间、或者双向LSTM层与全连接层之间设置dropout；

对所述训练模型的参数进行配置；

利用心电数据对所述训练模型进行循环训练以生成最终模型。

在一些优选的实施方式中，所述利用心电数据对所述训练模型进行循环训练以生成最终模型包括：

得到数据的样本列表并对所述样本列表按照标签顺序进行排序；

计算每个类别的样本数，并且得到样本最多的类别的样本数；

根据所述样本最多的类别的样本数，对每一类随机产生一个随机排列的列表；

用每个类别的列表中的数对各自类别的样本数求余，得到一个索引值，从每个类别的样本中提取样本，生成每个类别的样本随机列表；

把所有类别的样本随机列表连在一起，生成Random Shuffling，得到最后的样本列表，用所述最后的样本列表进行训练。

在一些优选的实施方式中，所述设置双向LSTM层包括：使用包装器TimeDistributed来产生针对各个时间步信号的独立全连接。

在一些优选的实施方式中，所述将心电数据进行随机切分使每段数据包括设定数量的R波包括：将R波作为标签；利用LSTM网络训练得到检测R波的R波检测模型；通过R波检测模型对心电数据的R波进行识别，从而对心电数据切分使得每段数据包括设定数量的R波。

在一些优选的实施方式中，所述双向LSTM层的层数为一层、两层、三层、四层、五层或者六层以上；所述全连接层的层数为一层、两层、三层、四层、五层或者六层以上。

在一些优选的实施方式中，所述对所述训练模型的参数进行配置包括：选择损失函数和优化器。

在一些优选的实施方式中，所述dropout的比率为0.5。