[发明专利]基于深度学习的充血性心力衰竭自动诊断方法

权利要求书

1.一种基于深度学习的充血性心力衰竭自动诊断方法，其特征在于，包括以下步骤：

步骤一、获取两组心电图数据，其中一组数据为正常组，另一组为心衰组，对两组心电图数据进行处理；

步骤二：构建深度学习模型；

步骤三：对模型进行训练，进一步优化模型；

步骤四：评估模型的分类准确性。

2.根据权利要求1所述的基于深度学习的充血性心力衰竭自动诊断方法，其特征在于，所述步骤一中心电图数据存储在PhysioBank数据库中，从PhysioBank数据库中获取心电图数据，将心电图数据分为正常组和心衰组两类数据，然后进行数据预处理，预处理包括去噪、转换采样率、心拍分段及标准化、数据集划分。

3.根据权利要求2所述的基于深度学习的充血性心力衰竭自动诊断方法，其特征在于，步骤一种将数据划分为训练集、验证集及测试集。

4.根据权利要求3所述的基于深度学习的充血性心力衰竭自动诊断方法，其特征在于，步骤二中深度学习模型主要基于双向循环神经网络和卷积神经网络构建。

5.根据权利要求4所述的基于深度学习的充血性心力衰竭自动诊断方法，其特征在于，所述双向循环神经网络为双向门控循环单元网络BiGRU，步骤二包括以下子步骤：

2-1：时序特征和全局特征的提取：将BiGRU层的输出拼接成矩阵，作为卷积神经网络的输入；

2-2：局部特征的提取：使用两种不同大小的卷积核来提取心电信号不同位置的不同长度的局部特征，并同时使用最大池化和平均池化两种池化方式；

2-3：进行充血性心力衰竭诊断：经过Flatten层，将池化层的输出转化为一维特征向量，经过两个全连接层进行降维，利用输出层得到分类结果。

6.根据权利要求5所述的基于深度学习的充血性心力衰竭自动诊断方法，其特征在于，利用训练集的数据对模型进行训练，学习模型的参数，利用验证集调节模型的超参数，进一步优化模型。

7.根据权利要求5所述的基于深度学习的充血性心力衰竭自动诊断方法，其特征在于，利用测试集进行模型性能评估，进一步评估模型的分类准确性。