[发明专利]心律失常分类方法、装置及可读存储介质

说明书

本发明涉及一种心律失常分类方法、装置及可读介质的技术方案，包括：获取心电数据；对心电数据进行分割，得到心拍序列及其标签；将心拍序列及标签划分为训练集及测试集；对训练集及测试集的心拍序列执行马尔可夫转换场变换，得到心拍图像；将训练集中的心拍图像输入双侧分支网络模型进行训练，得到心拍分类网络模型；将测试集中的心拍图像输入心拍分类网络模型，得到心拍分类结果。本发明的有益效果为：本发明能结合马尔可夫转换场和双侧分支网络的优势，实现了高精度的心律失常心拍序列分类；能较好地对心拍序列建立二维可视化表示；能实现不平衡的心律失常心拍类别的准确分类。

技术领域

本发明涉及计算机图像处理领域，具体涉及了一种心律失常分类方法、装置及可读存储介质。

背景技术

如今，心血管疾病已然成为全球致死率最高的疾病。重视并加强对心血管疾病的预防、诊断和治疗尤为重要。临床上人工观察和分析心电图有着效率低、主观性强的问题，因此计算机辅助诊断的心电信号分析系统对心血管疾病的预防有重要作用。在医疗图像信号处理领域，深度神经网络通过良好的训练能识别出不同心律失常类别的心拍，并展示了较好的性能。

现有的技术方案存在以下缺陷：(1)心拍序列是一维的，较难输入神经网络，无法充分利用机器视觉的优势，大多数研究人员采用直接折叠一维信号为二维矩阵的方式输入神经网络，这样的方法不能完全保留心电信号的时间顺序特征和统计动态性特征；(2)机器采集的心拍数据中包含大量的噪声，迫使研究人员不得不应用复杂的去噪算法消除噪声的影响，而且去噪过程会损失心拍的细节特征；(3)不平衡心拍序列的分类对预测建模提出了挑战。在临床应用中，医生重点检查的是占比极小的心律失常类的心拍序列，这才能反应出患者的心脏活动状态。换句话说，心电辅助诊断算法的目的是正确监测出心律失常类的心拍序列。由于一些心律失常类心拍序列缺乏足够的数据，分类器对少数样本的刻画能力不足，难以有效地对不平衡类别样本进行分类。最终分类器学习到的分类边界往往也倾向于正常类，导致分类边界的偏移和分类性能的下降。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种心律失常分类方法、装置及可读存储介质，解决了现有技术的不足。

本发明的技术方案包括一种心律失常分类方法，该方法包括：获取心电数据；对所述心电数据进行分割，得到心拍序列及其标签；将所述心拍序列及所述标签划分为训练集及测试集；对所述训练集及所述测试集的所述心拍序列执行马尔可夫转换场变换，得到心拍图像；将所述训练集中的所述心拍图像输入双侧分支网络模型进行训练，得到心拍分类网络模型；将所述测试集中的所述心拍图像输入所述心拍分类网络模型，得到心拍分类结果。

根据所述的心律失常分类方法，其中对所述心电数据进行分割包括：获取所述心拍序列的R峰位置和对应的标签；选取R峰前128个采样点到后171个采样点作为一个心拍，作为所述双侧分支网络模型进行训练输入。

根据所述的心律失常分类方法，其中标签包括：基于AMMI标准，将心律失常分类为正常心拍、室上性异位搏动、心室异位搏动、融合搏动及未知。

根据所述的心律失常分类方法，其中将所述心拍序列及所述标签划分为训练集及测试集包括：将所述心拍序列与对应的标签按一定规则打乱；对标签类别的非平衡数据集进行分层采样，包括在每一份数据集的子集中保持和原始数据集相同的类别比例，得到多份数据子集；将所述数据子集以9:1的比例划分为训练集与测试集。

根据所述的心律失常分类方法，其中对所述训练集及所述测试集的所述心拍序列执行马尔可夫转换场变换包括：量化心拍序列；构建心拍马尔可夫转换矩阵W，

W_i,j为第i个分位数区间中的点的下一个采样点在第j个分位数区间的概率，其中i＝1,2,3,…,Q,j＝j＝1,2,3,…,Q；

构建心拍马尔可夫转换场M，