一种基于时域卷积网络的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信号分类技术领域，公开了一种基于时域卷积网络的心电信号分类方法，包括以下步骤：采集心电信号，对所述心电信号进行分类，并打上类别标签，得到样本数据集；在一维卷积神经网络中添加时域卷积网络结构，得到基于时域卷积网络的时域特征提取网络；采用所述样本数据集对所述时域特征提取网络进行训练，得到分类模型；根据所述分类模型对待分类心电信号进行分类。本发明专利技术具有能够提取心电信号时域特征、分类准确，且分类效率高的技术效果。

【技术实现步骤摘要】
一种基于时域卷积网络的心电信号分类方法及装置
本专利技术涉及心电信号分类
，具体涉及一种基于时域卷积网络的心电信号分类方法、装置以及计算机存储介质。
技术介绍
目前，心血管疾病是常见多发主要慢性疾病之一，而且死亡率一直处于高位，已成为世界性的公共卫生问题。针对反应心脑血管疾病状态的ECG信号，即心电信号的日常监控、分析、识别、诊断，具有很高的临床研究与开发价值。随着深度学习在医疗领域的发展和应用，利用深度学历技术辅助医生对心电信号的自动诊断识别能极大的降低医生的工作量，提高医生的工作效率，进而高效的得到病因，为后续治疗提供基础。目前对心电信号的分类方法主要有两种，一种是传统的人工提取特征方法，此方法步骤繁琐，并且针对不同的数据集泛用性较差；另一种使用较多的方法是使用深度学习对数据进行训练并自动分类，此方法大都基于一维卷积神经网络或者循环神经网络结构，如RNN，LSTM等进行特征提取，最后使用softmax或sigmoid分类器进行分类。一维卷积神经网络进行特征提取速度较快，但是对于心电信号这种时域信号，在时间上的特征提取效果较差；本文档来自技高网...

【技术保护点】
1.一种基于时域卷积网络的心电信号分类方法，其特征在于，包括以下步骤：/n采集心电信号，对所述心电信号进行分类，并打上类别标签，得到样本数据集；/n在一维卷积神经网络中添加时域卷积网络结构，得到基于时域卷积网络的时域特征提取网络；/n采用所述样本数据集对所述时域特征提取网络进行训练，得到分类模型；/n根据所述分类模型对待分类心电信号进行分类。/n

【技术特征摘要】
1.一种基于时域卷积网络的心电信号分类方法，其特征在于，包括以下步骤：
采集心电信号，对所述心电信号进行分类，并打上类别标签，得到样本数据集；
在一维卷积神经网络中添加时域卷积网络结构，得到基于时域卷积网络的时域特征提取网络；
采用所述样本数据集对所述时域特征提取网络进行训练，得到分类模型；
根据所述分类模型对待分类心电信号进行分类。


2.根据权利要求1所述的基于时域卷积网络的心电信号分类方法，其特征在于，在一维卷积神经网络中添加时域卷积网络结构，得到基于时域卷积网络的时域特征提取网络，具体为：
将所述时域卷积网络结构添加至所述一维卷积神经网络的卷积层与全连接层之间，得到基于时域卷积网络的时域特征提取网络。


3.根据权利要求1所述的基于时域卷积网络的心电信号分类方法，其特征在于，所述一维卷积神经网络为VGG-16、InceptionNet、ResNet、DenseNe中任意一种。


4.根据权利要求1所述的基于时域卷积网络的心电信号分类方法，其特征在于，采用所述样本数据集对所述时域特征提取网络进行训练，得到分类模型，具体为：
将所述样本数据集划分为训练集和验证集，将所述训练集中样本数据划分为多个批次；
采用所述训练集中一个批次的样本数据对所述时域特征提取网络进行训练，得到训练模型；
采用验证集对所述训练模型进行评估得到评估系数，判断评估系数是否大于评估指标，如果是，则输出所述训练模型作为分类模型，否则转上一步进行下一个批次的训练。


5.根据权利要求4所述的基于时域卷积网络的心电信号分类方法，其特征在于，采用所述训练集中一个批次的样本数据对所述时域特征提取网络进行训练，得到训练模型，具体为：
对所述时域特征提取网络进行初始化；
...

【专利技术属性】
技术研发人员：方全，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