[发明专利]一种基于多模态卷积神经网络心电信号分类方法

说明书

本发明公开了一种基于多模态卷积神经网络心电信号分类方法，通过对大量已标注分类结果的心电数据集训练得到一个由三个支路组成的具有医学指标关注的多模态卷积神经网络，分别为第一支路、第二支路和第三支路，其中第一支路用于处理预先提取出来的心电特征信息，该心电特征信息能有效辅助该多模态卷积神经网络进行最终预测；第一支路用以处理原始的心电信号；第三支路将第一支路与第二支路的输出进行融合并对输入的心电信号类型进行分类。本发明方法通过结合三条支路的损失函数，采取非端到端的训练方式，并引入具有重要价值的传统医学指标关注，从而准确预测出心电信号的所属类别，取得良好的心电分类效果。

技术领域

本发明涉及心电信号分类技术领域，尤其涉及一种基于多模态卷积神经网络心电信号分类方法。

背景技术

心电信号分类结果是医生诊断心脏病疾患的重要辅助手段和参考信息，随着深度学习的兴起，目前相继的出现了用神经网络应对心电信号分类的方法，并且取得了突破性的结果。然而目前用神经网络应对心电信号分类的方法多为对心电信号进行直接的分析，抛却当下医学已发展而来的分析指标，整个模型对于人们而言是一个“黑匣子”，无法满足实际的给医生提供辅助诊断信息的需要。

发明内容

本发明为解决现有的心电信号分类方法均难以实现高准确率的问题，提供了一种基于多模态卷积神经网络心电信号分类方法。

为实现以上发明目的，而采用的技术手段是：

一种基于多模态卷积神经网络心电信号分类方法，包括以下步骤：

S1.获取原始的心电信号并对所述心电信号进行预处理；其中所述心电信号划分为训练集和目标集，所述训练集的心电信号为已标注类型的心电信号，所述目标集的心电信号为未标注类型的心电信号；

S2.对预处理后的心电信号分别进行心电医学特征提取以及降采样处理；

S3.构建具有医学指标关注的多模态卷积神经网络，其输入包括所述训练集进行心电医学特征提取并与所属类型对应标注后的数据以及进行降采样处理后的数据，其输出为心电信号的分类结果；

S4.根据所述多模态卷积神经网络的训练目标定义损失函数，并利用反向传播算法进行最优值求解，得到最终的心电信号分类模型；

S5.通过所述心电信号分类模型对输入的目标信号进行分类，得到目标信号的分类结果；其中输入的目标信号包括所述目标集进行心电医学特征提取后的数据以及进行降采样处理后的数据。

上述方案中，通过设计具有医学指标关注的多模态卷积神经网络，并输入大量已标注分类结果的心电数据进行端对端训练，预先提取出来的心电特征信息有效辅助网络进行最终预测，从而准确预测出心电信号的所属类别，可用作后续心脏病疾患判断的参考信息。

其中的第一支路处理预先提取出来的心电特征信息，用于作为医学指标关注，从而有效辅助网络进行心电检测；第二支路处理原始的心电信号；第三支路将第一支路与第二支路的输出进行融合并对目标心电信号进行分类。

优选的，所述步骤S1中对所述心电信号进行预处理具体包括：

S11.对获取得到的心电信号进行模数转换，得到心电数字信号；

S12.对所述心电数字信号进行分段处理，得到若干段时长为L秒的心电数字信号；其中L小于等于60秒；

S13.对每段心电数字信号进行滤波处理；在本优选方案中，滤波的频谱范围在3Hz至45Hz之间，用于滤除其中心电信号以为的噪声，以进一步保障后续检测的准确率；

优选的，所述步骤S2中提取的心电医学特征包括：R波幅值、RR间期、P波幅值、PR间期4组特征。