[发明专利]基于改进自编码器网络的识别心律类型的方法及装置

说明书

本发明公开了一种基于改进自编码器网络的识别心律类型的方法及装置、计算机设备及存储介质，其中方法包括：获取待识别的心电信号；对所述心电信号进行预处理，得到满足识别要求的心电信号；将预处理后的心电信号输入至预先训练的神经网络进行识别，输出所述心电信号对应的心律类型，其中，所述神经网络采用平移时结构不变权重矩阵的自编码器。本发明使用平移时不变自编码器(也即是采用平移时结构不变的权重矩阵)来快速确定出记录起始点，相对于现有的随机矩阵，可以保证能够在使用较少心电信号训练数据情况下得到较高的准确率。

技术领域

本发明涉及深度学习技术领域，具体涉及一种基于改进自编码器网络的识别心律类型的方法及装置、计算机设备及存储介质。

背景技术

心律失常指的是由于各种原因导致心脏激动的形成或传导障碍，使整个或部分心脏的活动频率过快或过慢，节律不规则。临床上通常根据电生理对心律失常进行分类，由于心脏结构复杂，因此，心律失常种类也很多，这使得采用计算机对心电信号进行智能诊断带来了很大障碍。

近几年深度学习在诸多领域取得不俗成效，也为心律失常的智能分类提供了新的思路。但由于心电信号因人而异，并且心电信号作为时间序列信号，其记录起始点不恒定，一个包含大量信息的波形特征可能在不同位置发生。因此，采用深度学习诊断心律失常时，需要大量的临床心电信号作为训练数据，并且耗时较长。

发明内容

本发明要解决现有技术中由于心电信号的记录起始点不恒定导致需要大量的临床心电信号作为训练数据、耗时较长的问题，从而提供一种基于改进自编码器网络的识别心律类型的方法、装置、计算机设备及存储介质。

本发明的一方面，提供了一种基于改进自编码器网络的识别心律类型的方法，包括：获取待识别的心电信号；对所述心电信号进行预处理，得到满足识别要求的心电信号；将预处理后的心电信号输入至预先训练的神经网络进行识别，输出所述心电信号对应的心律类型，其中，所述神经网络采用平移时结构不变权重矩阵的自编码器。

可选地，所述神经网络包括1个输入层、多个所述自编码器层和1个分类器层。

可选地，所述权重矩阵为：

其中，W₁，W₂，...W_i，...W_m是具有平移时不变结构的矩阵，m是平移时不变结构矩阵W_i(i＝1,2,...m)的个数，0为0矩阵。

可选地，所述系数矩阵的公式为：

其中，a₀，a₁，...，a_N-1为权重系数。

可选地，对所述心电信号进行预处理，包括：

采用预设截止频率的滤波器对所述心电信号进行滤波处理。

可选地，对所述心电信号进行预处理，包括：判断所述心电信号的采样频率是否为预设频率；当所述采样频率不是所述预设频率时，采用内插法将所述心电信号重采样为所述预设频率的心电信号。

可选地，在将预处理后的心电信号输入至预先训练的神经网络进行识别之前，还包括：获取心电信号的训练样本；将所述训练样本输入至预先建立的初始神经网络中进行训练，得到训练后的神经网络，其中，所述初始神经网络采用平移时结构不变权重矩阵的自编码器模型，所述权重矩阵中各系数由训练得到。