[发明专利]一种基于多角度特征提取的心电图分类方法及装置

说明书

本发明涉及心电图分类技术领域，公开了一种基于多角度特征提取的心电图分类方法、装置以及计算机存储介质，其中方法包括以下步骤：提取原始心电信号的质量特征、心电图特征以及数理统计特征，将提取的各项特征合并为特征序列；获取多条原始心电信号的特征序列得到特征集合；以所述特征集合作为样本数据对深度学习模型进行训练，得到心电图分类模型；采用所述心电图分类模型对心电图进行分类，得到分类结果。本发明提供的基于多角度特征提取的心电图分类方法、装置以及计算机存储介质具有心电图的分类模型可解释性高、训练难度低、训练时长短的技术效果。

技术领域

本发明涉及心电图分类技术领域，具体涉及一种基于多角度特征提取的心电图分类方法、装置以及计算机存储介质。

背景技术

现有心电疾病诊断分类的深度学习方法，都是对原始心电信号做初步归一化处理后，输入至多层神经网络组成的深度学习模型，输出预测结果，得到病症诊断。深度学习在分类任务上的出色表现已经经过较多的验证，但是其内部的特征提取部分缺少可解释性，原始心电信号的直接输入也增加了模型的复杂度，延长了训练模型的时长。

发明内容

本发明的目的在于克服上述技术不足，提供一种基于多角度特征提取的心电图分类方法、装置以及计算机存储介质，解决现有技术中深度学习模型对心电信号提取的特征缺少可解释性，且训练复杂、训练时间长的技术问题。

为达到上述技术目的，本发明的技术方案提供一种基于多角度特征提取的心电图分类方法，包括以下步骤：

提取原始心电信号的质量特征、心电图特征以及数理统计特征，将提取的各项特征合并为特征序列；

获取多条原始心电信号的特征序列得到特征集合；

以所述特征集合作为样本数据对深度学习模型进行训练，得到心电图分类模型；

采用所述心电图分类模型对心电图进行分类，得到分类结果。

与现有技术相比，本发明的有益效果包括：本发明首先提取原始心电信号的质量特征、心电图特征以及数理统计特征，这些特征全方位综合考量心电诊断分类的各项信息量，使得特征与诊断分类结果之间居有可解释性，同时，通过提取的特征进行训练学习，而不是直接用原始心电信号进行训练，也降低了模型训练的难度以及时长。

附图说明

图1是本发明提供的基于多角度特征提取的心电图分类方法一实施方式的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

如图1所示，本发明的实施例1提供了基于多角度特征提取的心电图分类方法，包括以下步骤：

S1、提取原始心电信号的质量特征、心电图特征以及数理统计特征，将提取的各项特征合并为特征序列；

S2、获取多条原始心电信号的特征序列得到特征集合；

S3、以所述特征集合作为样本数据对深度学习模型进行训练，得到心电图分类模型；

S4、采用所述心电图分类模型对心电图进行分类，得到分类结果。