[发明专利]一种基于深度学习的心电信号自动分析方法

权利要求书

1.一种基于深度学习的心电信号自动分析方法，其特征在于，包括以下步骤：

步骤1，根据从公开数据集下载已经标注心电信号所属分类的心电数据，心电数据包括不同采样频率的一维时间序列以及心电图图像数据；

步骤2，将心电数据进行处理，得到数据集，将数据集分为训练集、验证集和测试集；

步骤3，模型训练：

a.按照DLA结构，构建深度学习模型，深度学习模型的输入为步骤2得到的数据集，深度学习模型的输出层为softmax层；

b.将步骤2得到的训练集的数据放入步骤a所构建的深度学习模型中进行训练，不断更新迭代，至深度学习模型收敛，得到训练好的深度学习模型；

c.调整步骤b得到的深度学习模型的超参数，重复多次步骤b，得到多个模型，选取在验证集和测试集上分类效果最好的模型；

步骤4，对于待分类的12导联的心电数据，重复步骤2，得到数据集，然后将数据集的数据输入到步骤3训练好的深度学习模型中，得到心电数据的心电信号所属分类。

2.根据权利要求1所述的一种基于深度学习的心电信号自动分析方法，其特征在于，步骤2中，将心电数据进行处理，得到数据集的具体过程如下：

a.对于不同采样频率的一维时间序列，通过线性插值的方法，转化为采样频率为125Hz的一维心电时间序列；

b.对于心电图图像数据，进行数模转换，然后同样使用线性插值方法转换为采样频率为125Hz的一维心电时间序列；

c.将步骤a或步骤b得到的采样频率为125Hz的一维心电时间序列中12导联的数据，在同一时间间隔上各裁剪10s时间序列，得到12*1250的向量，然后对12*1250的向量进行归一化处理，将归一化处理的结果构成数据集。

3.根据权利要求2所述的一种基于深度学习的心电信号自动分析方法，其特征在于，归一化处理的具体过程为：将12*1250的向量数值映射至到[0,1]。

4.根据权利要求1所述的一种基于深度学习的心电信号自动分析方法，其特征在于，步骤2中，训练集、验证集和测试集数据量比例为8:1:1。

5.根据权利要求1所述的一种基于深度学习的心电信号自动分析方法，其特征在于，DLA结构包括基本运算块和聚合节点，基本运算块和聚合节点均由多个卷积核为1、步长为1的一维CNN层，Batch Normalization层和relu层组成。

6.根据权利要求1所述的一种基于深度学习的心电信号自动分析方法，其特征在于，采用反向传播算法和随机梯度下降法不断更新迭代。