一种基于迁移学习和置信度选择的心电异常信号识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于迁移学习和置信度选择的心电异常信号识别方法，方法包括如下步骤：S1、对大量短时心电数据进行去噪处理；S2、搭建CNN模型，并随机初始化CNN模型中的参数；S3、使用大量的短时心电数据集训练CNN；S4、对少量的长时间心电数据进行切割，使得长度与网络输入适配；S5、使用切割后的短时数据进行迁移训练，每轮训练选择包中置信度最高的k个短时数据作为输入，S6、实现心电异常信号识别的功能。本发明专利技术使用基于迁移学习和置信度选择的心电异常信号识别方法，通过对卷积神经网络的预训练来获取信息，再使用迁移学习和置信度选择的方式提升模型在心电异常识别分类的准确率，可以辅助给医生提供参考，降低误诊、漏诊率，减轻医生的工作量。

A method and device of ECG abnormal signal recognition based on transfer learning and confidence selection

【技术实现步骤摘要】
一种基于迁移学习和置信度选择的心电异常信号识别方法及装置
本专利技术涉及心电信号识别分类
，具体涉及一种基于迁移学习和置信度选择的心电异常信号识别方法及装置。
技术介绍
心血管疾病(cardiovasculardisease，简称CVD)指的是与心脏或血管的相关的一系列的疾病，又称为循环系统疾病。以下是几个世界卫生组织统计的几个重要事实：心血管疾病仍然是全球的头号死因，在所有死亡状况中，每年死于心血管疾病的人数超过任何其它死亡原因。在2016年一年内，估计有1790万人死于心血管疾病，占全球死亡总数的31％左右，其中，又有85％左右死于心脏病和中风。于心电疾病的诊断，心电图(Electrocardiogram、ECG或者EKG)是一种经胸腔的以时间为单位记录心脏的电生理活动、通过安置在皮肤上的电极捕捉其电信号并绘制成线记录下来的诊疗技术。作为一种无创性的记录方式，心电图的应用最为广泛与权威。近年来，随着模糊识别、人工智能、神经网络等技术水平的提高。随着大数据与人工智能的发展，近年来基于心电图信号数据设计的心电自动诊断算法和本文档来自技高网...

【技术保护点】
1.一种基于迁移学习和置信度选择的心电异常信号识别方法，其特征在于，包括：/nS1：获取第一数量的短时心电数据，对获取的第一数量的短时心电数据进行去噪处理；/nS2：搭建CNN模型，并随机初始化CNN模型中的参数；/nS3：将去噪处理后的第一数量的短时心电数据作为训练数据集，定义损失函数并采用预设算法对CNN模型进行训练，得到原始分类模型；/nS4：获取第二数量的长时间心电数据，将获取的第二数量的长时间心电数据作为训练样本，对训练样本进行切割，切割后的训练样本中包括多个短时心电数据，其中，第二数量远小于第一数量；/nS5：根据原始分类模型确定切割后的样本中每个短时心电数据的异常置信度，根据异常...

【技术特征摘要】
1.一种基于迁移学习和置信度选择的心电异常信号识别方法，其特征在于，包括：
S1：获取第一数量的短时心电数据，对获取的第一数量的短时心电数据进行去噪处理；
S2：搭建CNN模型，并随机初始化CNN模型中的参数；
S3：将去噪处理后的第一数量的短时心电数据作为训练数据集，定义损失函数并采用预设算法对CNN模型进行训练，得到原始分类模型；
S4：获取第二数量的长时间心电数据，将获取的第二数量的长时间心电数据作为训练样本，对训练样本进行切割，切割后的训练样本中包括多个短时心电数据，其中，第二数量远小于第一数量；
S5：根据原始分类模型确定切割后的样本中每个短时心电数据的异常置信度，根据异常置信度选取出目标短时数据对初始分类模型进行迁移训练，获得目标分类模型；
S6：利用目标分类模型对待识别的心电数据进行识别。


2.如权利要求1所述的方法，其特征在于，S1中获取的第一数量的短时心电数据进行去噪处理，包括：采用集成经验模态分解算法和小波软阈值相结合的方法进行去噪处理。


3.如权利要求2所述的方法，其特征在于，S2中参数随机初始化服从高斯分布：



其中μ为期望，σ为标准差，σ2为方差。


4.如权利要求1所述的方法，其特征在于，步骤S2中CNN模型包括多个卷积层、多个池化层和一个全连接层。


5.如权利要求1所述的方法，其特征在于，S3中训练算法为反向传播算法，基于随机梯度下降算法训练分类模型，卷积层输出值的计算公式为：



其中，xi+m,j+n表示图像的第i+m行第j+n列元素；Wm,n表示第m行第n列权重；Wb表示过滤器的偏置项；ai,j表示卷积操作之后得到的特征的第i行第j列元素；f表示激活函数；反向传播算法具体包括：
S3.1：前向计算每个神经元的输出值aj；
S3.2：反向计算每个神经元的误差项δj，为误差项δj网络的损失函数Ed对神经元加权输入netj的偏导数，即
S3.3：计算每个神经元连接权重Wji的梯度，公式为其中，j表示网络的第j个。


6.如权利要求5所述的方法，其特征在...

【专利技术属性】
技术研发人员：刘娟，李宇翔，冯晶，刘思璇，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42