[发明专利]一种心电图的心律失常自动分类方法

权利要求书

1.一种心电图的心律失常自动分类方法，其特征在于，所述方法依次包括如下步骤：

S1、采集包含12导联ECG记录的数据组成数据集，

S2、将步骤1获得的数据集划分为训练集、验证集和测试集，

S3、对步骤2划分的训练集、验证集和测试集进行预处理，

S4、构建基于注意力强化的CNN与BiLSTM心律失常自动分类模型，使用步骤3预处理后的训练集和验证集对基于注意力强化的CNN与BiLSTM心律失常自动分类模型进行训练和验证，得到最优的基于注意力强化的CNN与BiLSTM心律失常自动分类模型，

S5、使用步骤3预处理后的测试集对步骤4得到的最优的基于注意力强化的CNN与BiLSTM心律失常自动分类模型进行性能测试，

S6、将实时采集的12导联ECG记录的数据输入最优的基于注意力强化的CNN与BiLSTM心律失常自动分类模型，得到该心电图的心律失常自动分类结果；

所述基于注意力强化的CNN与BiLSTM心律失常自动分类模型包括顺次连接的基于注意力强化的级联CNN、RELU层和批量归一化层、平均池化层、BiLSTM层、第一层全连接层、Dropout层、第二全连接层，所述基于注意力强化的级联CNN的输出作为RELU层和批量归一化层的输入，所述RELU层和批量归一化层的输出作为平均池化层的输入，所述平均池化层的输出作为BiLSTM层的输入，所述BiLSTM层的输出作为第一层全连接层的输入，所述第一层全连接层的输出作为Dropout层的输入，所述Dropout层的输出作为第二全连接层的输入；

所述基于注意力强化的级联CNN具有左、右两个并行网络，其中左侧网络包括顺次连接的10个一维卷积层以及SE模块，右侧网络包括5个顺次连接的一维卷积组；

所述SE模块包括顺次连接的全局平均池化层、第一全连接层、第二全连接层；

所述一维卷积组是一个三级卷积网络结构，包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第一SE模块、第二SE模块、第三SE模块，所述第一卷积层和第一SE模块串连的一级卷积网络与第二卷积层并连组成第一二级卷积网络，所述第三卷积层与第二SE模块串连的一级卷积网络与第四卷积层并连组成第二二级卷积网络，所述第五卷积层、第六卷积层和第三SE模块串联并与第一二级卷积网络和第二二级卷积网络并连形成三级卷积网络结构；

或者所述一维卷积组是一个二级卷积网络结构，包括第一卷积层、第二卷积层、第三卷积层、第四卷积层和一个SE模块，所述第一卷积层、第二卷积层、SE模块串连组成一级卷积网络，所述第三卷积层、第四卷积层串连并与一级卷积网络并连形成二级卷积网络结构。

2.根据权利要求1所述的心电图的心律失常自动分类方法，其特征在于：步骤3所述预处理采用零-均值标准化处理。

3.根据权利要求1所述的心电图的心律失常自动分类方法，其特征在于：所述一维卷积组中卷积核的个数如下式：

Filters_n＝16×2ⁿ(n＝0，1，2，3，4)

其中，n表示第n个一维卷积组。

4.根据权利要求3所述的心电图的心律失常自动分类方法，其特征在于：所述左侧网络的10个一维卷积层，从上至下两两一组，共分为五组，每组一维卷积层的结构与其对应的右侧网络中的一维卷积组中一维卷积层结构相同，卷积核的个数也相同。