多任务级联神经网络ECG信号心律失常疾病分类模型和方法技术

本发明专利技术公开了一种多任务级联神经网络ECG信号心律失常疾病分类模型和方法，具体包括：建立卷积模块；建立特征表达模块；对特征表达进行第一级softmax计算，判断形态异常的心律失常；获取多组心博特征表达；建立长短时记忆模块，所述长短时记忆模块处理所述多组心博特征表达，获得所述多组心博特征表达之间的关联表达；通过所述关联表达判断异常心律类别；对所述级联神经网络模型进行训练。其具有自动化的数据类型特征提取能力，可判断形态异常的心律失常及节律异常的心律失常类型。

Classification model and method of arrhythmia diseases based on multi task cascaded neural network ECG signal

【技术实现步骤摘要】
多任务级联神经网络ECG信号心律失常疾病分类模型和方法
本专利技术涉及心律疾病诊断
，具体涉及一种多任务级联神经网络ECG信号心律失常疾病分类模型和方法。
技术介绍
心律失常是一类重要的心血管疾病，可导致心悸、头晕、黑朦、晕厥等症状，甚至导致猝死，因此，其诊断与治疗有着重要的临床意义。心律失常是心脏电活动异常引起的，而心脏电活动可以通过表面电极来测量，并存储为任意时间长度的心电脉冲数据，也就是体表心电图(Electrocardiogram，ECG)。通过检测患者的常规ECG或者对其ECG进行动态监测即动态心电图(Holter)，医师可以分析患者心率、心律及相关波形，进行心血管疾病，尤其是心律失常诊断。ECG信号是一种非平稳生物信号，受患者活动等影响较大。心律失常的发生大多为发作性，以不规则的间隔出现于信号中。临床上，Holter分析软件自动建立正常心搏、房性早搏、室性早搏的模板，再根据模板给出患者每一心跳的初步诊断，由医生完成复核，由于基线漂移、软件识别能力不足等原因，仪器诊断的准确率并不高。而且Holter中记录的ECG信号的数据体量巨本文档来自技高网...

【技术保护点】
1.一种多任务级联神经网络ECG信号心律失常疾病分类模型，其特征在于，所述疾病分类模型通过以下步骤建立：/nS1、建立级联神经网络模型，具体包括：/nS11、建立卷积模块，所述卷积模块处理t-k时刻的ECG信号，获取t-k时刻的ECG信号中的心博特征；/nS12、建立特征表达模块，对所述t-k时刻的ECG信号中的心博特征进行特征表达；/nS13、对所述t-k时刻的特征表达进行第一级softmax计算，判断形态异常的心律失常；/nS14、根据上述步骤处理t-k至t时间段的ECG信号，获取多组心博特征表达；/nS15、建立长短时记忆模块，所述长短时记忆模块处理所述多组心博特征表达，获得所述多组心博...

【技术特征摘要】
1.一种多任务级联神经网络ECG信号心律失常疾病分类模型，其特征在于，所述疾病分类模型通过以下步骤建立：
S1、建立级联神经网络模型，具体包括：
S11、建立卷积模块，所述卷积模块处理t-k时刻的ECG信号，获取t-k时刻的ECG信号中的心博特征；
S12、建立特征表达模块，对所述t-k时刻的ECG信号中的心博特征进行特征表达；
S13、对所述t-k时刻的特征表达进行第一级softmax计算，判断形态异常的心律失常；
S14、根据上述步骤处理t-k至t时间段的ECG信号，获取多组心博特征表达；
S15、建立长短时记忆模块，所述长短时记忆模块处理所述多组心博特征表达，获得所述多组心博特征表达之间的关联表达；
S16、通过所述关联表达判断异常心律类别；
S2、对所述级联神经网络模型进行训练。


2.如权利要求1所述的ECG信号心律失常疾病分类模型，其特征在于，所述S11，具体包括：
处理ECG心电数据的输入，ECG信号以一维向量的形式进入该模块，并且卷积模块对ECG信号进行卷积计算，获取ECG信号中的心搏特征；
所述卷积模块计算方法为：






其中，ω为卷积核参数，x为信号输入，b为每个卷积计算的偏置量，ReLU为激活函数，pool代表了池化函数。


3.如权利要求1所述的ECG信号心律失常疾病分类模型，其特征在于，所述S12，具体包括：
卷积模块处理后提取的特征经过全链接转换成一维向量，该一维向量为提取的ECG心搏特征的特征表达；
所述特征表达的计算方法为：
y＝Relu(h*ω+b)，
其中，h是卷积计算的输出，ω为特征表达的连接权重，b为该层的偏置量。


4.如权利要求1所述的ECG信号心律失常疾病分类模型，其特征在于，所述第一级softmax计算为：...

【专利技术属性】
技术研发人员：陶砚蕴，张宇祯，王凯欣，蔡涛，卢力峥，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32