一种心电信号多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信号分类技术领域，公开了一种心电信号多分类方法，包括以下步骤：获取原始心电信号，为所述原始心电信号标注类别标签；根据原始心电信号生成心电频谱图，建立频谱图样本集；基于所述频谱图样本集对计算机视觉网络进行迁移学习，提取所述心电频谱图的频谱图特征；基于所述频谱图特征建立有限图，以所述有限图作为输入，以类别标签作为输出，对图神经网络进行训练，得到心电信号的多分类模型；根据所述多分类模型对心电信号进行分类得到多分类结果。本发明专利技术具有分类模型训练难度低、分类效果精度高的技术效果。

【技术实现步骤摘要】
一种心电信号多分类方法及装置
本专利技术涉及心电信号分类
，具体涉及一种心电信号多分类方法、装置以及计算机存储介质。
技术介绍
计算机辅助诊断在临床心电工作流程中起着至关重要的作用。近年来，随着可供使用的数字心电图数据越来越多，相比传统的基于规则和手工特征的心电图算法，基于深度学习的心电图算法在准确性和扩展性上的优势已开始慢慢凸显。然而，大部分现有的工作都是仅针对某个或某几个特定的心电图异常类别设计专属的神经网络，且从零开始训练，并没有利用一些成熟领域的已有成果。这种针对具体问题，设计专有网络，从零开始训练的方法，在样本数量充足的情况下尚且可行，无非计算所需的时间多一些。但是当样本数量不足，比如某些罕见疾病，从零开始训练得到的模型往往泛化能力较差。此外，由于实际中的心电图往往包含多种异常，即多个类别标签，相比单标签(仅包含一种异常)问题，多标签分类的结果更多，难度更大。现有的方法主要包括：(1)基于临床知识和专家意见，构建图来建模各类心电图异常之间的关系，以此来修正最终的分类预测结果；(2)基于计算机视觉中的注意力机制，对心电图的本文档来自技高网...

【技术保护点】
1.一种心电信号多分类方法，其特征在于，包括以下步骤：/n获取原始心电信号，为所述原始心电信号标注类别标签；/n根据原始心电信号生成心电频谱图，建立频谱图样本集；/n基于所述频谱图样本集对计算机视觉网络进行迁移学习，提取所述心电频谱图的频谱图特征；/n基于所述频谱图特征建立有限图，以所述有限图作为输入，以类别标签作为输出，对图神经网络进行训练，得到心电信号的多分类模型；/n根据所述多分类模型对心电信号进行分类得到多分类结果。/n

【技术特征摘要】
1.一种心电信号多分类方法，其特征在于，包括以下步骤：
获取原始心电信号，为所述原始心电信号标注类别标签；
根据原始心电信号生成心电频谱图，建立频谱图样本集；
基于所述频谱图样本集对计算机视觉网络进行迁移学习，提取所述心电频谱图的频谱图特征；
基于所述频谱图特征建立有限图，以所述有限图作为输入，以类别标签作为输出，对图神经网络进行训练，得到心电信号的多分类模型；
根据所述多分类模型对心电信号进行分类得到多分类结果。


2.根据权利要求1所述的心电信号多分类方法，其特征在于，根据原始心电信号生成心电频谱图，具体为：
将所述原始心电信号的各导联信号分别切割为等长的片段；
对每一所述片段进行快速傅里叶变换，得到所述片段的频谱图；
对同一导联各片段的频谱图进行归一化处理，得到各导联的频谱图；
对各导联的频谱图进行拼接，得到所述心电频谱图。


3.根据权利要求2所述的心电信号多分类方法，其特征在于，对各导联的频谱图进行拼接，得到所述心电频谱图，具体为：
按导联进行信号值方向上的拼接，得到多个导联组的频谱图；
对多个导联组的频谱图进行时间轴上的拼接，得到所述心电频谱图。


4.根据权利要求1所述的心电信号多分类方法，其特征在于，基于计算机视觉网络进行迁移学习，提取所述心电频谱图的频谱图特征，具体为：
所述计算机视觉网络为GoogLeNet网络，将所述GoogLeNet网络的softmax层的维度设置为分类类别数量，利用修改后的GoogLeNet网络对所述心电频谱图进行迁移学习，得到所述心电频谱图的频谱图特征。


5.根据权利要求1所述的心电信号多分类方法，其特征在于，基于所述频谱图特征建立有限图，具体为：
G...

【专利技术属性】
技术研发人员：朱佳兵，朱涛，
申请(专利权)人：武汉中旗生物医疗电子有限公司，
类型：发明
国别省市：湖北;42