[发明专利]一种基于CNN-ET模型的心电监测方法

说明书

本发明公开了一种基于CNN‑ET模型的心电监测方法，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。CNN‑ET模型将卷积神经网络和极端随机数有机结合，将ECG信号的特征提取和ECG信号的分类任务集成在一起，提高了整个分类模型的关联性和分类精度，并能够有效且准确的实现对ECG信号的分类识别。

技术领域

本发明涉及心电图智能识别技术领域，尤其涉及一种基于CNN-ET模型的心电监测方法。

背景技术

电图是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图像的技术，是衡量人体健康状况的重要指标，也是检测心血管疾病的主要工具之一。对各类心电图进行实时、准确地分类识别，可以有效预防和识别各种心律失常、心室心房肥大、心肌梗死、心率异常、心肌缺血、心衰等疾病。传统的医学诊断过程中，通过医生的经验对各类心电图进行分类识别，费时费力且不便于进行连续、实时的监测。在这种情况下，基于计算机技术实现对ECG信号(心电信号)自动识别和分类是很有必要的。

另一方面，采集到的ECG信号往往含有大量的噪声，对后续的分类识别工作带来了极大的困难。常见的噪声消除方法有数字滤波、连续小波变换等，但这些去噪方法对参考信号敏感，当用户运动时，其去噪效果就会大打折扣。选择合理的去噪方法，对后续的特征提取和心电分类都起着至关重要的作用。

近年来，随着大数据时代的到来，采用深度学习技术实现各类健康指标检测逐渐成为了一种主流。卷积神经网络(convolution neural networks,CNN)作为一种深度学习方法，具有权值共享、卷积操作和空间池化等特性，能够自适应地提取相关特征，在心电分类方面同样表现出色。但是，但CNN本身存在小样本情况下容易过拟合的问题。

例如，中国专利文献CN110889448A公开了“一种基于卷积神经网络的心电分类方法”，包括：S1、采集心电信号训练数据，并分别附上标签进行数据预处理；S2、将预处理后的训练数据进行数据增强；S3、构建卷积神经网络模型，利用增强后的训练数据对卷积神经网络模型进行训练，得到训练模型；S4、获取目标心电信号，将目标心电信号输入训练模型进行计算，输出概率值；S5、根据输出的概率值进行正负例判断，得出分类判断结果。上述专利的不足之处在于分类模型精度低，不能顾有效准确的实现对ECG信号的分类识别。

发明内容

本发明主要解决现有的心电监测方法中的分类模型精度低，不能顾有效准确的实现对ECG信号的分类识别的技术问题；提供一种基于CNN-ET模型的心电监测方法，该方法中的CNN-ET模型将卷积神经网络(CNN)和极端随机数(ET)有机结合，将ECG信号的特征提取和ECG信号的分类任务集成在一起，提高了整个分类模型的关联性和分类精度，并能够有效且准确的实现对ECG信号的分类识别。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括以下步骤：

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。