[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

说明书

本发明公开了一种基于SNN网络的心电信号异常预测方法及装置，所述方法包括：步骤1：对心电信号数据进行采集；步骤2：对采集到的心电信号数据进行预处理；步骤3：将预处理之后的心电信号数据输入基于SNN网络的心电信号异常预测模型中；步骤4：将SNN网络预测模型中输出的数据输入注意力机制中；步骤5：对心电信号的异常类型进行预测；所述基于注意力机制的SNN网络的心电信号异常预测模型，包括依次设置的小波变换模块、一个SNN网络层、一个注意力机制模块、一个全连接层、一个Softmax层；本发明通过SNN网络和注意力机制提高了心电信号异常预测的准确率，并具有良好的鲁棒性。

技术领域

本发明涉及一种基于SNN网络的心电信号异常预测方法及装置，属于心电信号预测技术领域。

背景技术

心血管疾病具有高发病率和死亡率，严重威胁着人类的健康状况。心电图作为一种无创、经胸的诊断技术，已被广泛用于监测心跳活动，为心血管疾病的诊断和治疗提供了丰富的信息。

目前，心电信号预测研究主要是基于传统的人工提取特征和基于深度学习这两种方法。传统的人工提取特征过于复杂且需要丰富的临床经验，因此该方法逐步被基于深度学习的方法替代。目前大部分基于深度学习的心电异常的处理还停留在分类阶段，对心电异常的预测相对较少。然而心脏是一个复杂的器官，能够提前预警对于预防接下来可能出现的危险极具意义。现阶段的深度学习方法大多面临灾难性遗忘问题，不利于心电信号预测算法准确率和系统的鲁棒性的提高。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于SNN网络的心电信号异常预测方法及装置，提高了心电故障预测识别的准确率，基于注意力机制的SNN网络的ECG信号故障预测模型具有更好的鲁棒性。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种基于SNN网络的心电信号异常预测方法，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。

进一步的，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。

进一步的，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。

进一步的，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：