[发明专利]基于深度学习的信号识别方法、装置和计算机设备

说明书

本申请涉及基于深度学习的信号识别方法、装置和计算机设备，其中，该基于深度学习的信号识别方法包括：相比于相关技术，本申请实施例提供的基于深度学习的信号识别方法，通过获取心电图信号，对所述心电图信号进行预处理，得到多组预处理信息，将多组所述预处理信息输入第一深度学习模型，得到多组初始深度特征，其中，所述第一深度学习模型包括多个深度学习子模型，且多组所述预处理信息与多个所述深度学习子模型相对应，将多组所述初始深度特征输入第二深度学习模型，得到最终识别结果，解决了相关技术中所用分类输入特征过于片面，存在识别的信息精度低的问题，提高了识别的信息精度。

技术领域

本申请涉及信号处理技术领域，特别是涉及基于深度学习的信号识别方法、装置和计算机设备。

背景技术

信号处理中的深度学习算法，最常用的两种：长短期记忆(Long Short-termMemory，简称LSTM)和卷积神经网络(Convolutional Neural Networks，简称CNN)。LSTM是一种特殊的循环神经网络，是处理时序信号最长采用的算法，理论上来说，心电图(ECG)信号是一种非平稳、非线性、随机性较强的时序信号，使用LSTM用于ECG时序特征提取，是非常合适的，但是由于LSTM网络长期依赖的问题，并不适合处理过长的时间序列；CNN是一类包含卷积计算且具有深度结构的前馈神经网络，是仿造生物的视觉机制构建，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量进行学习。

相关技术中，基于心电图信号的心房颤动数据(Atrial Fibrillation，简称AF)的识别中，主要有以下几种方式：第一种方式，使用了ECGQT间期、QRS斜率、等临床医生广泛使用的特征、以及RR间期变异性、HRV变异性、统计特征等用于AF的识别，该缺点：1、所使用特征需要单独设计的算法去提取，数百种不同特征的提取，导致算法过于复杂；2、诸如P波检测、QT间期的自动测量算法误差大、易受噪声的影响，很多情况下并不可靠，这些特征很容易导致过拟合、算法无法收敛等问题；3、尽管使用了上百个不同特征，但仍然过于片面，很难保证能够全面的描述信号的特点；4、所用特征很多都是一维特征，过于简单、无法更全面的描述信号的特点。第二种方式，将ECG信号或者ECG的瞬时频谱等当做时序信号，使用LSTM网络进行AF的识别，使ECG信号作为输入，由于长期依赖问题，算法效果较差。使用ECG信号的瞬时频谱和频谱熵作为输入(输入数据量大大减小)对AF进行分类，虽然分类准确率得到了提高，但仅仅从ECG瞬时频率的角度对AF心律进行识别，过于片面，且无法借鉴医生部分诊断规则。第三种方式，使用了CNN对心电图原始信号进行卷积特征提取，并且使用了LSTM网络对一段心电图原始信号中具有代表性的心拍波形“centerwave”进行特征提取，最后将特征组合利用XGBOOST进行分类；所使用特征仍然过于片面，忽略了信号的时频信息、瞬时频率变化、以及ECG信号的时序特征对于AF识别的巨大帮助。因此，由于ECG信号的复杂性，导致AF的准确识别非常困难，很多情况下输入特征过于片面，存在识别的信息精度低的问题。

目前针对相关技术中所用分类输入特征过于片面，存在识别的信息精度低的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种基于深度学习的信号识别方法、装置和计算机设备，以至少解决相关技术中所用分类输入特征过于片面，存在识别的信息精度低的问题。

第一方面，本申请实施例提供了一种基于深度学习的信号识别方法，所述方法包括：获取心电图信号；

对所述心电图信号进行预处理，得到多组预处理信息；

将多组所述预处理信息输入第一深度学习模型，得到多组初始深度特征，其中，所述第一深度学习模型包括多个深度学习子模型，且多组所述预处理信息与多个所述深度学习子模型相对应；

将多组所述初始深度特征输入第二深度学习模型，得到最终识别结果。