[发明专利]一种心跳数据分类方法、装置、计算机设备及存储介质

说明书

本发明公开了一种心跳数据分类方法、装置、计算机设备及存储介质。该方法包括利用深度双通道神经卷积网络将接收的心跳样本进行分类，得到第一类别样本数据或第二类别样本数据；将RR间隔数据按照时间顺序分别输入至第一中间流向LSTM层，输出第一特征图以及第二特征图；将第一部分的每一LSTM单位的输出分别输入至第二中间流向LSTM层，输出第三特征图以及第四特征图；将第三特征图以及第四特征图输入至输出层，并输出分类预测结果。该方法利用第一中间流向LSTM层以及第二中间流向LSTM层接收并处理学习到的特征信息，其中，该特征信息分别来自前向心跳和后向心跳的依赖关系，从而提升了心跳数据分类的准确率。

技术领域

本发明涉及数据分类领域，尤其涉及一种心跳数据分类方法、装置、计算机设备及存储介质。

背景技术

目前心跳认知中，心跳类型通常被分为S型(室上性异位心跳类型)、N型(心室正常心跳类型)、V型(心室异位心跳类型)、F型(混合心跳类型)以及Q型(未知心跳类型)，现有的心跳数据问题的解决方案主要遵循传统模式识别范式，即对心跳数据的建模是通过特征过程的方式完成的，提取的特征有RR间隔、小波动系数和形态振幅等，近年来，心跳数据分类的主要进展是通过深度学习所驱动的，这类方法利用深度网络的强拟合哪里，对各类心跳数据进行学习和抽象。

但基于深度学习的技术的确定主要在于很容易过拟合，容易过度学习并记忆了特定患者的特征，可能造成这类方法的泛化性出现问题，另外，心跳数据中的节凑信息如RR间隔，很难在深度模型的建模过程中引入进来辅助心跳数据的分类，导致现有的心跳数据分类准确率低，识别出S型心跳数据的成功率低。

发明内容

本发明的目的是提供一种心跳数据分类方法、装置、计算机设备及存储介质，旨在解决现有的心跳数据分类准确率低，识别出S型心跳数据的成功率低的问题。

为解决上述技术问题，本发明的目的是通过以下技术方案实现的：提供一种心跳数据分类方法，其包括：

利用深度双通道神经卷积网络将接收的心跳样本进行分类，得到第一类别样本数据或第二类别样本数据，其中，所述第一类别样本数据包括S型或N型的心跳样本数据，所述第二类别样本数据包括V型、F型或Q型的心跳样本数据；

读取所述第一类别样本数据中的RR间隔序列，并将所述RR间隔序列中的RR间隔数据按照时间顺序分别输入至第一中间流向LSTM层中对应的LSTM单位，其中，所述第一中间流向LSTM层包括第一部分和第二部分，所述第一部分和所述第二部分分别包括多个所述LSTM单位，所述第一部分的前一LSTM单位的输出作为后一LSTM单位的输入，直至最后一个LSTM单位输出第一特征图，所述第二部分的后一LSTM单位的输出作为前一LSTM单位的输入，直至最后一个LSTM单位输出第二特征图；

将第一部分的每一LSTM单位的输出分别输入至第二中间流向LSTM层中对应的LSTM单位，其中，所述第二中间流向LSTM层包括第三部分和第四部分，所述第三部分和所述第四部分分别包括多个所述LSTM单位，所述第三部分的前一LSTM单位的输出作为后一LSTM单位的输入，直至最后一个LSTM单位输出第三特征图，所述第四部分的后一LSTM单位的输出作为前一LSTM单位的输入，直至最后一个LSTM单位输出第四特征图；

将所述第三特征图以及第四特征图输入至输出层，并输出分类预测结果。

另外，本发明要解决的技术问题是还在于提供一种一种心跳数据分类装置，其包括：

数据分类单元，用于利用深度双通道神经卷积网络将接收的心跳样本进行分类，得到第一类别样本数据或第二类别样本数据，其中，所述第一类别样本数据包括S型或N型的心跳样本数据，所述第二类别样本数据包括V型、F型或Q型的心跳样本数据；