[发明专利]一种基于SNN网络的心电信号异常预测方法及装置

权利要求书

1.一种基于SNN网络的心电信号异常预测方法，其特征在于，包括：

获取预先采集的第一心电信号数据；

将获取的第一心电信号数据输入预先构建的基于SNN网络的心电信号异常预测模型中进行预测；

其中，所述基于SNN网络的心电信号异常预测模型包括依次连接的小波变换模块、SNN网络层、注意力机制模块、全连接层以及Softmax层；

其中，所述将获取的第一心电信号数据输入预先构建的基于SNN网络的心电信号异常预测模型中进行预测的方法，包括:

将所述第一心电信号数据输入小波变换模块进行预处理，获取消除噪声的第二心电信号数据；

将所述第二心电信号数据输入SNN网络层，使用扩展的STDP算法更新权重后，获取第三心电信号数据；

将所述第三心电信号数据输入注意力机制模块，获取增强有效信息的特征和抑制无效特征后的第四心电信号数据；

将所述第四心电信号数据依次输入全连接层和Softmax层，通过Softmax函数输出误差概率，预测心电信号异常类型。

2.根据权利要求1所述的基于SNN网络的心电信号异常预测方法，其特征在于：所述将所述第一心电信号数据输入小波变换模块进行预处理，获取消除噪声的第二心电信号数据，包括：

将所述第一心电信号数据划分为训练集和测试集两组；

将划分后的所述第一心电信号数据输入小波变换模块，获取消除噪声的第二心电信号数据；

根据R峰位置及波形间隔，将第二心电信号数据中的所有心拍信号划分成同尺度的单一心拍。

3.根据权利要求1所述的基于SNN网络的心电信号异常预测方法，其特征在于：所述第一心电信号数据按3:7的比例划分为训练集和测试集。

4.根据权利要求2所述的基于SNN网络的心电信号异常预测方法，其特征在于：所述将划分后的所述第一心电信号数据输入小波变换模块，获取消除噪声的第二心电信号数据，包括：

将划分后的所述第一心电信号数据输入小波变换模块，与预先设定的阈值进行比较；

保留大于阈值的小波系数，将小于阈值的小波系数做相应的处理；

根据处理后的小波系数还原出心电信号，作为消除噪声的第二心电信号数据。

5.根据权利要求1所述的基于SNN网络的心电信号异常预测方法，其特征在于：所述SNN网络层包括由全连接的LIF神经元组成，神经元以层的结构进行排列，每一层的神经元只和前一层的神经元进行连接。

6.根据权利要求5所述的基于SNN网络的心电信号异常预测方法，其特征在于：所述神经元突触膜电位的计算公式如下：

其中，w_i代表权重，K(t-t_i)代表在t时间下t_i时间点传入的脉冲的贡献，V_rest代表静息电位，当膜电压V₀超过预先设定的一个固定的阈值时，神经元发放一个脉冲，降低至复位点位后，接收前端突触的输入脉冲重新弄升高膜电位。

7.根据权利要求1所述的基于SNN网络的心电信号异常预测方法，其特征在于：所述使用扩展的STDP算法更新权重w_ij的公式如下：

其中，K(t)是突触后电位核函数，V₀是正则化参数，设置为膜电压初始化电位：τ_m和τ_s并分别指示突触前神经元电流的上升和下降时间常数；参数i代表第i次脉冲发生；i，j别分代表突触前后神经元的标号；p+error表示理论应该发射脉冲，但是事实是没有发生脉冲，p+error为true代表产生此错误；p-error与p+error相反，代表预期是静息电位，但实际产生了脉冲；t_max表示产生最大电压的时间：λ₊和λ_-分别代表两种情况下的学习率。