一种心电信号分类方法及装置制造方法及图纸

本发明专利技术涉及心电分析技术领域，特别涉及一种心电信号分类方法及装置。所述心电信号分类方法包括：步骤a：对心电信号进行分割，分别得到训练集数据和测试集数据；步骤b：通过深度学习对所述训练集数据进行模型训练，构建预测分类模型；步骤c：通过所述预测分类模型对所述测试集数据进行心电信号分类。本发明专利技术实施例通过深度学习对训练集进行模型训练，得到预测分类模型，通过预测分类模型进行心电信号分类，减少了人为设计特征造成的不完备性，提高了心电信号分类的准确率，同时可以对更多类型的心率变异进行分类。

【技术实现步骤摘要】
一种心电信号分类方法及装置
本专利技术涉及心电分析
，特别涉及一种心电信号分类方法及装置。
技术介绍
心率失常是人群中的常见现象，严重的心率失常会立即威胁人类的生命，因此及时的检测出心律失常，对预防心脏病和心脏猝死的发生具有重大的意义。在心电信息中P波(心电图检查时，左右心房除极时产生的波形)、QPS波(正常心电图中幅度最大的波群)与T波(上个波群暂停之后出现的波，代表着心室的复极以备下一次心室的除极)是心电信号的重要特征波，他们的特征变化信息是心脏病理分析和诊断的重要依据。因此准确提取QRS波群的特征信息是心电分析的重要基础。目前，国内外已经有很多心电信号心律失常分类算法，例如：李坤阳等运用数学形态学和小波变换算法检测心电波形的QRS波形态特征，包括RR间期、QRS波时限等参数，结合医生识读心电图的判别依据，将心拍进行四分类主导性心拍、室上性异常心拍、室性异常心拍和其他心拍，利用MIT-BIH(由美国麻省理工学院提供的研究心律失常的数据库)心律失常数据库检验分类准确率达到94.2％；PhilipdeChazal等基于心电波形的形态和间期提取了12个特征向量，构造线性分类模型进本文档来自技高网...

【技术保护点】
一种心电信号分类方法，其特征在于，包括：步骤a：对心电信号进行分割，分别得到训练集数据和测试集数据；步骤b：通过深度学习对所述训练集数据进行模型训练，构建预测分类模型；步骤c：通过所述预测分类模型对所述测试集数据进行心电信号分类。

【技术特征摘要】
1.一种心电信号分类方法，其特征在于，包括：步骤a：对心电信号进行分割，分别得到训练集数据和测试集数据；步骤b：通过深度学习对所述训练集数据进行模型训练，构建预测分类模型；步骤c：通过所述预测分类模型对所述测试集数据进行心电信号分类。2.根据权利要求1所述的心电信号分类方法，其特征在于，所述步骤a中在对心电信号进行分割步骤之前还包括：对所述心电信号进行去噪处理；所述对心电信号进行去噪处理具体为：通过小波变换对心电信号进行去噪处理。3.根据权利要求2所述的心电信号分类方法，其特征在于，所述通过小波变换对心电信号进行去噪具体包括：步骤a1：对心电信号进行提升小波分解，使所含噪声分布在不同的分解子带上；步骤a2：根据不同分解子带上的心电信号及其噪声特点，设定每一层小波系数的加权系数阈值，对不同分解子带上的心电信号进行权重处理；步骤a3：对权重处理后的心电信号进行重构，得到干净的心电信号。4.根据权利要求3所述的心电信号分类方法，其特征在于，在所述步骤a中，所述对心电信号进行分割的分割方式为：以R波峰为中心波峰，选取每个心电信号RR间期具有数据特征的采样点的采样频率和时间长度对心电信号进行分割。5.根据权利要求1所述的心电信号分类方法，其特征在于，在所述步骤b中，所述构建预测分类模型具体为构建基于深度信念网络的预测分类模型的最优结构：当基于深度信念网络的预测分类模型的隐含层个数为1时，在输入层中，将输入结点的个数设置为10个不同值，将隐含层的结点个数设置为五个不同的值；在对所述测试集数据的分类结果中，寻找出准确率最高时对应的输入层点个数和隐含层结点个数，之后再增加新的隐含层，判断新的隐含层中结点个数的变化对分类结果的影响，确定最佳隐含层结点个数，同时确定隐含层层数，最终确定所述基于深度信念网络的预测分类...

【专利技术属性】
技术研发人员：刘志华，李东阳，陈俊宏，艾红，马晨光，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44