[发明专利]一种基于CNN-ET模型的心电监测方法

权利要求书

1.一种基于CNN-ET模型的心电监测方法，其特征在于，包括以下步骤：

S1、采集受试者的ECG信号构建原始数据集，并获取训练数据和测试数据；

S2、将所述训练数据和测试数据进行归一化处理，得到训练样本和测试样本；

S3、构建CNN-EF混合模型；

S4、将所述训练样本输入至CNN-ET混合模型中进行训练，得到训练好的CNN-ET混合模型；

S5、将测试样本输入到训练好的CNN-ET混合模型中进行ECG信号的分类识别。

2.根据权利要求1所述的一种基于CNN-ET模型的心电监测方法，其特征在于，所述步骤S1具体包括：

S11、采集受试者的ECG信号，将所述受试者的ECG信号作为原始数据构建原始数据集；

S12、采用小波变换对所述原始数据进行去噪预处理；

S13、基于QRS波检测定位对去噪预处理后的原始数据进行心拍分割，得到多个心拍数据；

S14、将同一受试者的心拍数据按照一定比例分成互不相交的两部分，分别作为训练数据和测试数据。

3.根据权利要求1所述的一种基于CNN-ET模型的心电监测方法，其特征在于，所述步骤S2具体包括：通过z-score标准化方法对所述训练数据和测试数据进行归一化处理，得到训练样本和测试样本。

4.根据权利要求1所述的一种基于CNN-ET模型的心电监测方法，其特征在于，所述CNN-EF混合模型依次包括输入层、CNN层1～CNN层5、全局平均池化层、全连接层和ET层，其中CNN层的卷积操作公式为：

其中，为第(k-1)层的第m个特征图的输出值；为第k层第l个特征图与第(k-1)层第m个特征图之间的卷积核；为第k层的第l个特征图所对应的阈值；N_l为输入的特征图集合；为第k层的第l个特征图的输出值；f(·)为激活函数。

5.根据权利要求4所述的一种基于CNN-ET模型的心电监测方法，其特征在于，所述CNN-EF混合模型的每个CNN层后都设有批归一化层和最大池化层。

6.根据权利要求4或5所述的一种基于CNN-ET模型的心电监测方法，其特征在于，所述CNN-EF混合模型的全局平均池化层后设有dropout层。

7.根据权利要求1所述的一种基于CNN-ET模型的心电监测方法，其特征在于，所述步骤S4具体包括：

S41、对CNN-ET模型进行权值的初始化；

S42、将训练样本输入到CNN-ET模型中，经过CNN层、全局平均池化层和全连接层的向前传播得到输出值，选择ReLU作为激活函数进行反向传播，并更新权值；

S43、重复步骤S42，得到训练好的CNN-ET混合模型。

8.根据权利要求1所述的一种基于CNN-ET模型的心电监测方法，其特征在于，所述步骤S5具体包括：

S51、通过CART决策树算法生成多个基分类器，多个基分类器组成极端随机树；

S52、使用训练样本和测试样本对极端随机树进行训练，得到训练好的极端随机树；

S53、将测试样本输入到训练好的极端随机树中，极端随机树中的每个基分类器均生成预测结果；

S54、对所有基分类器的预测结果进行统计，利用投票决策的原则输出分类识别的结果。