[发明专利]基于类不平衡传感数据与深度模型的心律失常分类方法

说明书

本发明公开了一种基于类不平衡传感数据与深度模型的心律失常分类方法，属于智慧医疗技术邻域；该方法首先收集原始传感数据并截取心拍，利用GAN网络生成数据不平衡类的心拍，收集足够的数据后，训练一个基于堆叠的Bi‑LSTM的分类模型，利用训练完成后的Bi‑LSTM分类模型将输入的未知类别的心拍数据分类。本发明方法适用于数据不平衡条件下的心律失常分类，可以避免因为心拍数据的不足而对分类的结果造成影响，从而提高了心拍分类的准确率。

技术领域

本发明属于智慧医疗技术领域，尤其涉及一种基于类不平衡传感数据与深度模型的心律失常分类方法。

背景技术

传感器是一种检测装置，能感受到被测量的信息，并能将感受到的信息，按一定的规律变换成为电信号或其他所需形式的信息输出，以满足信息的传输、处理、存储、显示、记录和控制等要求。它的特点包括：微型化、数字化、智能化、多功能化、系统化、网络化。传感器是实现自动检测和自动控制的首要环节。传感器在收集数据时可以将非电量转化为电量，方便人们对数据的处理，关键在于它可以收集到实时的数据。随着物联网的发展，传感器被广泛运用于数据收集方面，例如工业数据和环境检测数据的收集。如今，使用的较为普遍的是可穿戴的传感器，用于收集人们的生理数据，特别是医学上心电信号的收集。

利用传感器收集数据给人们带来了极大的便利，人们可以在第一时间获取相关的数据信息，并对其进行分析。例如，分析收集到的实时心电数据可以尽快判断出这个人的心脏有没有出现心律失常的问题以及出现的是什么类型的心律失常。全世界每年会有数百万人死于心律失常，所以利用传感器收集到的心电数据来进行心律失常的分析具有实际意义。然而，无论是医学还是其他领域，异常分析只能由具备专业知识的人员执行，这就造成了极大的不便。而且，人工进行数据分析耗时耗力，得出的结果具有主观性，还容易遗漏重要的信息，从而产生了诊断低效且准确率不高的问题。心脏相关疾病的诊断上，在越短的时间内得出诊断的结果就越有利于患者的健康，而且一丁点诊断的失误将会导致非常严重的后果，有时甚至会威胁到患者的生命。所以人们借助计算机来实现心律失常的自动检测，但是在检测时，由于部分失常的心律类型较少见，一般的分类模型会面临识别不出的问题，不能有效帮助专家们进行诊断。

为了能够使计算机进行自动、高效、准确地诊断心律失常的类型，在现有的心律失常自动分类中还有一些问题亟待解决。

1)效率不高。在对心电信号进行分类时，计算机处理每一段信号的时间过长，会导致效率太低。分析心电信号耗费太长的时间将显示不出计算机分析信号的优势，并且诊断耗费的时间越长就越不利于患者的身体健康，就存在越多的隐患。

2)无法诊断出数据量少的心律类别。存在不常见的心律类型，该类型所对应的数据非常少，计算机得不到足够的数据进行训练。在分析心电信号的片段时，如果遇到这种不常见的心律类型，计算机可能会无法准确判断出该心电信号片段所属的类别。

3)准确率不高。目前大多数利用计算机进行心拍分类所取得的分类准确率都不够高。如果不能实现非常准确的分类就不能对医生的诊断起到真正辅助作用。

发明内容

发明目的：针对以上问题，本发明提出一种基于类不平衡传感数据与深度模型的心律失常分类方法，利用生成对抗网络(Generative Adversarial Nets,GAN)和堆叠的双向长短时记忆循环神经网络(Bi-directional Long Short-Term Memory,Bi-LSTM)建立了心律失常的自动分类模型。该模型中的GAN针对数据量较少的心律类型，可以生成足够多的训练数据，再使用Bi-LSTM提取出心电图(Electrocardiogram,ECG)时间序列前后之间的关系，从而进一步提升心律失常分类的准确性。该方法解决了现有的心律失常自动分类中存在的效率不高，准确率不高，以及无法诊断出数据量少的心律类别的问题。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于类不平衡传感数据与深度模型的心律失常分类方法，包括以下步骤：