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行训练和测试，将心拍分为5类，测试结果真阳性率为81.9％；Guleral对心电信号进行四个尺度的离散小波变换后,将小波系数的统计量作为心电特征参数，采用两级组合的多层感知器网络实现对四类心电信号的分类，正确识别率达到96.94％；Osowski提出一种模糊混合神经网络分类器，即将模糊自组织层与MLP(Multi-layerPerceptron，多层感知器)网络进行级联，对七类心电信号进行分类，平均正确识别率达到了96％；有文献将基于高阶统计量特征和SVM(SupportVectorMachine，支持向量机)的神经网络分类器，与基于Herrnite变换特征和SVM的神经网络分类器通过权重投票集成为一个专家系统，对13类心律失常信号进行分类识别；在国内，曹玉珍在对心电图进行离散小波变换获得特征空间的基础上，对特征空问进行搜索得到不同维数下的优化特征组合，通过研究这些优化特征组合的散度值随维数的变化趋势确定特征向量的构成，最后运用BP神经网络进行分类，对四类心电图的分类正确率达到93.9％。刘世雄提出对心电信号首先采用小波检测算法精确定位QRS波，然后由每个QRS波群提取26个典型特征组成特征向量，最后采用加入法结合基于目标函数的模糊聚类方法进行分类；骆德汉运用多阶前馈人工神经网络对6类心电图进行识别，其中二阶神经网络的正确率达到90.57％。综上所述，现有的心电信号心律失常分类算法至少存在如下问题：基于形态的方法较为简单和直观，但是特征值较少，分类类型有限，且心电图形态对噪声非常敏感。而各种变换域和统计方法对心律失常类型的定义比较混乱，分类结果和效果也各不相同。而且，现有技术中还没有通过深度学习进行心电信号分类的方法。
技术实现思路
本专利技术提供了一种心电信号分类方法及装置，旨在解决现有的心电信号心律失常分类方法分类类型有限，对心律失常类型的定义混乱，且没有通过深度学习进行心电信号分类的技术问题。为了解决上述问题，本专利技术提供了如下技术方案：一种心电信号分类方法，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。本专利技术实施例采取的技术方案还包括：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。本专利技术实施例采取的技术方案还包括：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设定每一层小波系数；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。本专利技术实施例采取的技术方案还包括：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。本专利技术实施例采取的技术方案还包括：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模型的最优结构。本专利技术实施例采取的另一技术方案为：一种心电信号分类装置，包括：数据分割模块：用于对心电信号进行分割，分别得到训练集数据和测试集数据；模型训练模块：用于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；信号分类模块：用于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。本专利技术实施例采取的技术方案还包括数据预处理模块，所述数据预处理模块用于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。本专利技术实施例采取的技术方案还包括：所述通过小波变换对心电信号进行去噪具体包括：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；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；对权重处理后的心电信号进行重构，得到干净的心电信号。本专利技术实施例采取的技术方案还包括：所述数据预处理模块对心电信号进行分割具体为：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。本专利技术实施例采取的技术方案还包括：所述模型训练模块还用于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模型的最优结构。相对于现有技术，本专利技术实施例产生的有益效果在于：本专利技术实施例的心电信号分类方法通过对心电信号进行分割后，得到训练集和测试集，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；本专利技术通过深度学习构建预测分类模型，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。附图说明图1是本专利技术实施例的心电信号分类方法的流程图；图2是本专利技术实施例的心电信号分类系统的结构示意图；图本文档来自技高网...

【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