[发明专利]心电信号分类方法、装置、电子设备和存储介质在审
申请号: | 202010108321.9 | 申请日: | 2020-02-21 |
公开(公告)号: | CN111488793A | 公开(公告)日: | 2020-08-04 |
发明(设计)人: | 胡静 | 申请(专利权)人: | 广州视源电子科技股份有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62;G06N3/04 |
代理公司: | 广州骏思知识产权代理有限公司 44425 | 代理人: | 潘桂生 |
地址: | 510530 广*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 电信号 分类 方法 装置 电子设备 存储 介质 | ||
1.一种心电信号分类方法,其特征在于,所述方法包括:
获取心电信号;
从所述心电信号检测出QRS复合波;
对检测出所述QRS复合波的心电信号进行单心拍切割,并将切割后的心拍信号打包成多个心拍包,其中,每个所述心拍包中包括多个心拍信号;
将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的类型识别结果,其中,所述基于多示例学习的分类器模型在分类时,将每个所述心拍包作为一个示例包,并将所述心拍包中的每个心拍信号作为所述示例包中的一个示例,所述类型识别结果包括正常节律类型和异常节律类型。
2.根据权利要求1所述的一种心电信号分类方法,其特征在于,所述分类器模型为端到端的第一深度网络模型,所述将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的心电异常节律类型识别结果,包括:
将所述多个心拍包输入至所述第一深度网络模型;
通过所述第一深度网络模型提取所述多个心拍包中每个心拍的特征,并根据所述每个心拍的特征进行分类,得到每个心拍包的类型识别结果。
3.根据权利要求2所述的一种心电信号分类方法,其特征在于,所述第一深度网络模型包括依次排列的以下层次结构:
第一输入层,用于输入所述多个心拍包;
第一卷积层,用于对所述多个心拍包进行特征提取,并输出特征图像;
第一最大池化层,用于对所述第一卷积层输出的特征图像进行压缩;
第一深度残差网络层,用于对所述第一最大池化层输出的特征图像进行进一步的特征提取,从而避免梯度消失或者梯度爆炸的问题;
第一双向长短期记忆人工神经网络层,用于对所述第一深度残差网络层的输出进行进一步的特征提取,同时编码前向信息和后向信息;
第一Flatten层,用于将所述第一双向长短期记忆人工神经网络层的输出压缩为一维数组;
第一Dense层,用于对所述第一双向长短期记忆人工神经网络层的输出进行全部连接,实现所提取特征的非线性组合;
第一Dropout子层,用于根据设定参数,关闭所述第一Dense层上的一定比例的神经元,以减少网络的过度拟合;
第一全连接层,用于使用softmax激活函数,对所述第一Dropout层的输出进行全连接操作;
第一输出层,用于基于所述第一全连接层的输出,得到每个心拍包中,每个心拍被正确识别类型的概率,并根据该心拍包中具有最高概率被正确识别类型的心拍,得到该心拍包的类型识别结果,所述类型识别结果包括正常节律类型和异常节律类型的种类。
4.根据权利要求3所述的心电信号分类方法,其特征在于,所述第一深度网络模型的训练过程包括如下步骤:
获取第一训练集,其中,所述第一训练集中包括多个具有类型标签的心拍包,每个所述心拍包中具有多个心拍;
将所述第一训练集输入至所述第一深度网络模型中,获得每个心拍包中,每个心拍被正确识别类型的概率;
根据每个心拍包中具有最高概率被正确识别类型的心拍,确定所述第一深度网络模型的损失函数;
根据所述损失函数,训练所述第一深度网络模型中的参数值。
5.根据权利要求1所述的心电信号分类方法,其特征在于,所述分类器模型包括第二深度网络模型和支持向量机,所述将所述多个心拍包输入至基于多示例学习的分类器模型,得到每个心拍包的心电异常节律类型识别结果,包括:
将所述多个心拍包输入至所述第二深度网络模型;
通过所述第二深度网络模型提取所述多个心拍包中每个心拍的特征,并将所提取的特征输入至所述支持向量机;
通过所述支持向量机对所述每个心拍的特征进行分类,得到每个心拍包的类型识别结果。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广州视源电子科技股份有限公司,未经广州视源电子科技股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010108321.9/1.html,转载请声明来源钻瓜专利网。