一种心律异常预测方法技术

本发明专利技术公开了一种心律异常预测方法，包括以下步骤：将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量；将输入向量通过多个RNN模型训练获得多个底层分类器；采用全连接神经网络融合多个底层分类器预测ECG异常事件。本发明专利技术先采用多种CNN模型提取ECG数据的特征向量后组合成输入向量，再采用RNN提取输入向量中的时序信息，构成具有预测ECG异常能力的底层分类器，最后底层分类器再次预测ECG数据获得预测结果，并采用全连接神经网络将预测结果融合形成最佳的预测结果，进一步使预测结果更为精准。

A prediction method of arrhythmia

【技术实现步骤摘要】
一种心律异常预测方法
本专利技术属于心电生理分析
，具体涉及一种心律异常预测方法。
技术介绍
心律失常是心血管疾病中重要的一组疾病，它可单独发病，亦可与其他心血管病伴发，可突然发作而致猝死，亦可持续累及心脏而致其衰竭。因此，对心律的精准诊断与及时治疗是应对心血管疾病的有效措施。目前，通过利用心电图机从体表记录心脏每一心动周期所产生的电活动，制成心电图（ECG）用于检测和诊断心律情况。然而，通过医生对心电图分析和判断，容易受医生的职业能力或经验等主观因素影响，同时数量庞大的心电图影像会使医生疲劳，导致工作效率较低。近年来，心律异常的计算机辅助诊断系统出现在学术研究和临床实验中，它能够高效且精准地定位异常问题，受到广大医护人员青睐。深度学习技术通过对处理后的ECG进行特征提取与选择，分析并判断心脏的运转情况。因此，对ECG的特征提取效果直接决定了分类性能，目前主要方法模型有两种，一种是采用卷积神经网络（CNN）提取某段ECG数据后通入神经网络进行预测判断，另一种是采用循环神经网络（RNN）对ECG数据进行预测判断。只使用一个模型，或者本文档来自技高网...

【技术保护点】
1.一种心律异常预测方法，其特征在于，包括以下步骤：/n将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量；/n将输入向量通过多个RNN模型训练获得多个底层分类器；/n采用全连接神经网络融合多个底层分类器预测ECG异常事件。/n

【技术特征摘要】
1.一种心律异常预测方法，其特征在于，包括以下步骤：
将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量；
将输入向量通过多个RNN模型训练获得多个底层分类器；
采用全连接神经网络融合多个底层分类器预测ECG异常事件。


2.根据权利要求1所述的心律异常预测方法，其特征在于：所述将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量具体为：
采用多个CNN模型提取ECG数据集的空间特征，得到多个相同维数的特征向量；
将多个特征向量在深度方向合并，形成输入向量。


3.根据权利要求2所述的心律异常预测方法，其特征在于：所述CNN模型包括卷积层和池化层，所述卷积层用于提取ECG数据集的空间特征后形成特征图，所述池化层用于对特征图特征选择和信息过滤后生成特征向量。


4.根据权利要求1所述的心律异常预测方法，其特征在于：所述将ECG数据集分别通过多个CNN模型生成多个特征向量...

【专利技术属性】
技术研发人员：黄健，戴俊秀，
申请(专利权)人：广州天嵌计算机科技有限公司，
类型：发明
国别省市：广东;44