[发明专利]基于样本分布改进的卷积神经网络的训练方法及模型

说明书

本申请涉及一种本申请提供的基于样本分布改进的卷积神经网络的训练方法及模型，通过先行计算心拍的平均值x_avg，最大值x_MAX，最小值x_MIN，峰值x_F，和峭度值x_Q，是否符合条件来筛选样本，当中成立的个数小于3个时，则认为模型所使用的训练数据不符合样本分布，剔除掉这些不符合要求的心拍信号，以此减少心拍类型的误判。

技术领域

本申请属于人工神经网络在心跳类型筛选技术领域，尤其是涉及一种基于样本分布改进的卷积神经网络的训练方法及模型。

背景技术

心电信号是心脏的无数心肌细胞电活动的综合反映。正常情况下，窦房结、心房、心室的心肌细胞依次除极，形成一个包含一段P波，QRS波，T波的信号段的心拍，多个心拍组合形成一段心电信号。室性早搏心拍指的是在窦房结冲动尚未抵达心室之前，由心室中的任何一个部位或室间隔的异位节律点提前发出电冲动引起心室的除极所形成的心拍。从一段长时间的心电信号中筛查出所有室性早搏心拍对判别病人情况极为重要，但又耗时耗力，因此利用计算机筛查出心电信号中的室早心拍意义重大。然而由于心脏内可以发出电冲击的位置很多，电冲击位置不同时，所展示出的心拍形状不同，而且存在很多干扰，因此在对心拍进行分类时，想要找到所有的室早心拍以及“其他”类型心拍的模式和数据对深度学习模型进行训练几乎是不可能的，因而容易导致对心拍类型的误判。

发明内容

本发明要解决的技术问题是：为解决现有技术中的不足，从而提供一种基于样本分布改进的卷积神经网络的训练方法及模型。

本发明解决其技术问题所采用的技术方案是：

一种基于样本分布改进的卷积神经网络的训练方法，包括以下步骤：

步骤S31：收集标记好的12导联心电信号中的II导联心拍信号充分多条形成初始数据集，II导联心拍信号包括各占总数量一半的室早心拍信号和非室早心拍信号，将室早心拍信号的标签设置为a，非室早心拍信号的标签设置为b；

步骤S32：对收集到的数据集中的所有心拍数据进行统计，统计出每个心拍数据的均值、最大值、最小值、峰值和峭度值分别形成均值数组AVG＝{a1,a2,a3…aN}、最大值数组MAX＝{m1,m2,m3…mN}、最小值数组MIN＝{c1,c2,…cN}、峰值数组F＝{f1,f2,…fN}和峭度值数组Q＝{q1,q2,…qN}，再次分别求取均值数组、最大值数组、最小值数组、峰值数组和峭度值数组的均值和均方差值分别记为σ_avg，σ_MAX，σ_MIN，σ_F，σ_Q；

步骤S33：对每个数据中的所有心拍数据均进行以下判断：

获取其中成立的个数，将初始数据中小于3个成立条件的心拍数据剔除后形成新的心拍数据集；

步骤S34：重复执行步骤S32，直至心拍数据集不发生变化时，将心拍数据集作为训练数据；

步骤S35：将训练数据及其对应的标签输入到卷积神经网络进行训练，得到样本分布改进的卷积神经网络模型；

优选地，本发明的基于样本分布改进的卷积神经网络的训练方法，II导联心拍信号的采样频率500Hz，并经过0.5-100Hz的巴特沃兹带通滤波器进行滤波。

优选地，本发明的基于样本分布改进的卷积神经网络的训练方法，每个心拍信号为从R波波峰之前的0.38s到R波峰后0.5s的心电图信号。