[发明专利]基于多重级联深度神经网络的心电信号的识别与分类方法

权利要求书

1.基于多重级联深度学习的心电信号的识别与分类方法，其特征在于，包括以下步骤：

步骤1，采集已标注的一维心电数据；

步骤2，将一维心电数据进行预处理后划分成训练集、验证集以及测试集；

步骤3，构建基于卷积神经网络、循环神经网络与Transformer模块的深度学习模型并训练，得到在验证集上分类效果最好的模型；

步骤4，将待分类的心电数据输入到在验证集上分类效果最好的模型中，得到心电数据的心电信号所属分类；

步骤2的具体过程如下：

a.假设心电信号长度为n，当一维心电数据为单导联心电数据时，得到1*n的心电向量；当一维心电数据为导联数为c的多导联心电数据，得到c*n的心电向量，其中2≤c≤12；

b.对1*n的心电向量与c*n的心电向量进行线性函数归一化处理，得到数据集；

c.将数据集按照8:1:1的比例划分为训练集、验证集以及测试集；

卷积神经网络由若干个卷积神经块组成，每个卷积神经块包括两个卷积层和一个最大池化层；

循环神经网络采用双向门控循环单元；

Transformer模块包括位置编码器、多头注意力机制以及前馈模块；其中，多头注意力机制采用8个自注意力机制，Transformer模块的数量为4个。

2.根据权利要求1所述的基于多重级联深度学习的心电信号的识别与分类方法，其特征在于，线性函数归一化处理采用如下公式进行：

其中，X为已标注的一维心电数据，X_min为已标注的一维心电数据的最小值，X_max为已标注的一维心电数据的最大值，X_nirm为经过线性函数归一化后的心电数据。

3.根据权利要求1所述的基于多重级联深度学习的心电信号的识别与分类方法，其特征在于，步骤3具体过程为：

a.构建基于卷积神经网络、循环神经网络以及Transformer模块的深度学习模型，深度学习模型的输入为训练集，深度学习模型的输出层为softmax层；

b.将训练集的数据批量放入深度学习模型中进行训练，采用反向传播算法和随机梯度下降法不断更新迭代，更新迭代至深度学习模型收敛，并使得损失函数值最小，得到训练好的深度学习模型；

c.调整训练好的深度学习模型的超参数，重复多次步骤b，得到多个模型，选取在验证集上分类效果最好的模型。

4.根据权利要求1所述的基于多重级联深度学习的心电信号的识别与分类方法，其特征在于，深度学习模型的损失函数如下：

L＝-∑_ky_klogf(x_k)                                            (2)

其中，x_k是经过线性函数归一化后得到的1*n或c*n的心电向量，函数f(x_k)表示x_k经过神经网络模型，y_k是一个维度为m的向量，m是待分类心电数据的类别数，y_k＝(y₀,y₁,…y_i,…y_m),y_i∈{0,1}；其中，1代表正样本，0代表负样本。