[发明专利]一种心电图的心律失常自动分类方法

说明书

本发明提供了一种心电图的心律失常自动分类方法，所述方法为采集包含12导联ECG记录的数据组成数据集，将数据集划分为训练集、验证集和测试集，对划分的训练集、验证集和测试集进行预处理，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，得到最优模型，使用预处理后的测试集对最优模型进行性能测试，将实时采集的12导联ECG记录的数据输入最优模型，得到该心电图的心律失常自动分类结果。通过具有注意力机制的级联CNN从多尺度提取、选择和融合更全面的心电形态特征，并加入BiLSTM结构进行时序特性的提取，最后实现12导联ECG心律失常的多标签分类。

技术领域

本发明属于ECG信号分类技术领域，具体涉及一种心电图的心律失常自动分类方法。

背景技术

心律失常在心血管疾病中极为常见。发生心律失常时，人体大脑等器官因不能及时得到心脏泵出的血液而导致供血不足，若不能及时准确的识别出心律失常类别而对症下药，最终会因治疗延时而威胁到生命安全。心电图作为监测心电信号的重要工具，准确实时的分析其特性可以高效判断出心律失常类别，提升诊断和治疗效率。

自2018年首次提出利用深度卷积神经网络实现心律失常自动诊断，使得深度学习在医疗诊断方面取得了重大突破。此后，各种神经网络模型被广泛应用于心律失常诊断中。但是现有模型仅限于在单导联或二导联ECG记录中实现了较好的单标签多分类效果，对于现在更标准化的12导联心电图心律失常的多标签多分类功能实现具有一定的局限性，准确率较低。

发明内容

本发明提供了一种心电图的心律失常自动分类方法，解决现有神经网络模型对12导联心电图心律失常的多标签多分类准确率低的问题。

本发明提供的一种心电图的心律失常自动分类方法，所述方法依次包括如下步骤：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。

优选的，所述心电图的心律失常自动分类结果有9种，包括正常、心房颤动、Ⅰ度房室传导阻滞、左束支阻滞、右束支阻滞、房性早搏、室性早搏、ST段降低、ST段抬升。

优选的，步骤3所述预处理采用零-均值标准化处理。

优选的，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。