本发明专利技术提供了一种心电信号类型的识别方法及装置，通过预先利用已标注心电信号类型的分类特征样本集对预设机器学习模型进行训练，得到分类模型，基于该分类模型对标准化心电信号的时频域融合特征进行心电信号分类处理，提高了心电信号类型的识别速度，进而提高了心律失常分类速度。同时，由于输入到分类模型中的分类特征融合了标准化心电信号的时域特征和频域特征，使该分类特征不仅能够体现标准化心电信号的时域特征，还能够体现标准化心电信号的频域特征，进而提高分类模型对心电信号分类的准确性，实现对心电信号类型快速、准确的识别，进而实现对心律失常类型快速、准确的识别。准确的识别。准确的识别。
【技术实现步骤摘要】
一种心电信号类型识别方法及装置
[0001]本专利技术涉及计算机
，更具体的，涉及一种心电信号类型的识别方法及装置。
技术介绍
[0002]心律失常是最常见的心脏病，临床表现为心脏电信号的速率、节律或传导受到干扰而引起的心脏功能不规则。
[0003]目前，医生一般根据自身经验分析心电信号波的持续时间和幅度，以对心律失常类型进行识别。但是，这种基于主观判断分析心电信号的方法，既费时又可能出现信号分析偏差，无法对心电信号实现准确的分析。
技术实现思路
[0004]有鉴于此，本专利技术提供了一种心电信号类型的识别方法及装置，基于心电信号的时频域融合特征对心电信号进行分类，实现对心电信号类型的准确识别。
[0005]为了实现上述专利技术目的，本专利技术提供的具体技术方案如下：
[0006]一种心电信号类型的识别方法，包括：
[0007]获取标准化心电信号；
[0008]分别提取所述标准化心电信号的时域特征和频域特征；
[0009]对所述时域特征和所述频域特征进行特征融合，得到所述标准化心电信号的时频域融合特征；
[0010]将所述时频域融合特征输入到预先训练好的分类模型中进行分类处理，得到所述标准化心电信号的类型，所述标准化心电信号的类型表征所述标准化心电信号对应的心律失常类型，所述分类模型是预先利用已标注心电信号类型的分类特征样本集对预设机器学习模型进行训练后得到的。
[0011]可选的，所述方法还包括：
[0012]获取由已标注心电信号类型的预设长度的单通道心电图数据样本组成的历史样本集，并按预设比例将所述历史样本集划分为训练集和测试集；
[0013]分别对所述训练集和所述测试集中的每个样本进行标准化处理，得到标准化参数以及标准训练集和标准测试集；
[0014]利用长短期记忆网络模型分别提取所述标准训练集和所述标准测试集中每个样本的时域特征；
[0015]将所述标准训练集和所述标准测试集中每个样本转换为图像，并利用二维卷积神经网络模型分别提取所述标准训练集和所述标准测试集中每个样本对应图像的频域特征；
[0016]分别对所述标准训练集和所述标准测试集中每个样本的时域特征和频域特征进行特征融合，得到所述标准训练集和所述标准测试集中每个样本的分类特征，即得到已标注心电信号类型的分类特征样本集。
[0017]可选的，所述获取标准化心电信号，包括：
[0018]获取预设长度的原始单通道心电图数据；
[0019]根据所述标准化参数对所述原始单通道心电图数据进行标准化处理，得到所述标准化心电信号。
[0020]可选的，所述分别提取所述标准化心电信号的时域特征和频域特征，包括：
[0021]利用预先训练好的时域特征提取模型，提取所述标准化心电信号的时域特征，所述时域特征提取模型是预先利用所述标准训练集对长短期记忆网络模型进行训练后得到的，所述标准化心电信号和所述训练集中的样本的格式相同；
[0022]将所述标准化心电信号转换为图像，并将所述图像输入预先训练好的频域特征提取模型，提取所述标准化心电信号的频域特征，所述频域特征提取模型是预先利用所述标准训练集对二维卷积神经网络模型进行训练后得到的。
[0023]可选的，所述方法还包括：
[0024]利用所述标准训练集中每个样本的分类特征及心电信号类型，对所述预设机器学习模型进行训练；
[0025]利用所述标准测试集中每个样本的分类特征及心电信号类型，对训练后得到的所述分类模型进行验证，得到所述分类模型的预设性能指标值；
[0026]当所述预设性能指标值达到阈值时，所述分类模型训练完成。
[0027]一种心电信号类型的识别装置，包括：
[0028]心电信号获取单元，用于获取标准化心电信号；
[0029]特征提取单元，用于分别提取所述标准化心电信号的时域特征和频域特征；
[0030]特征融合单元，用于对所述时域特征和所述频域特征进行特征融合，得到所述标准化心电信号的时频域融合特征；
[0031]分类处理单元，用于将所述时频域融合特征输入到预先训练好的分类模型中进行分类处理，得到所述标准化心电信号的类型，所述标准化心电信号的类型表征所述标准化心电信号对应的心律失常类型，所述分类模型是预先利用已标注心电信号类型的分类特征样本集对预设机器学习模型进行训练后得到的。
[0032]可选的，所述装置还包括分类特征样本集获取单元，用于：
[0033]获取由已标注心电信号类型的预设长度的单通道心电图数据样本组成的历史样本集，并按预设比例将所述历史样本集划分为训练集和测试集；
[0034]分别对所述训练集和所述测试集中的每个样本进行标准化处理，得到标准化参数以及标准训练集和标准测试集；
[0035]利用长短期记忆网络模型分别提取所述标准训练集和所述标准测试集中每个样本的时域特征；
[0036]将所述标准训练集和所述标准测试集中每个样本转换为图像，并利用二维卷积神经网络模型分别提取所述标准训练集和所述标准测试集中每个样本对应图像的频域特征；
[0037]分别对所述标准训练集和所述标准测试集中每个样本的时域特征和频域特征进行特征融合，得到所述标准训练集和所述标准测试集中每个样本的分类特征，即得到已标注心电信号类型的分类特征样本集。
[0038]可选的，所述心电信号获取单元，具体用于：
[0039]获取预设长度的原始单通道心电图数据；
[0040]根据所述标准化参数对所述原始单通道心电图数据进行标准化处理，得到所述标准化心电信号。
[0041]可选的，所述特征提取单元，具体用于：
[0042]利用预先训练好的时域特征提取模型，提取所述标准化心电信号的时域特征，所述时域特征提取模型是预先利用所述标准训练集对长短期记忆网络模型进行训练后得到的，所述标准化心电信号和所述训练集中的样本的格式相同；
[0043]将所述标准化心电信号转换为图像，并将所述图像输入预先训练好的频域特征提取模型，提取所述标准化心电信号的频域特征，所述频域特征提取模型是预先利用所述标准训练集对二维卷积神经网络模型进行训练后得到的。
[0044]可选的，所述装置还包括分类模型训练单元，具体用于：
[0045]利用所述标准训练集中每个样本的分类特征及心电信号类型，对所述预设机器学习模型进行训练；
[0046]利用所述标准测试集中每个样本的分类特征及心电信号类型，对训练后得到的所述分类模型进行验证，得到所述分类模型的预设性能指标值；
[0047]当所述预设性能指标值达到阈值时，所述分类模型训练完成。
[0048]相对于现有技术，本专利技术的有益效果如下：
[0049]本专利技术公开的一种心电信号类型的识别方法，通过预先利用已标注心电信号类型的分类特征样本集对预设机器学习模型进行训练，得到分类模型，基于该分类模型对标准化心电信号的时本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种心电信号类型的识别方法，其特征在于，包括：获取标准化心电信号；分别提取所述标准化心电信号的时域特征和频域特征；对所述时域特征和所述频域特征进行特征融合，得到所述标准化心电信号的时频域融合特征；将所述时频域融合特征输入到预先训练好的分类模型中进行分类处理，得到所述标准化心电信号的类型，所述标准化心电信号的类型表征所述标准化心电信号对应的心律失常类型，所述分类模型是预先利用已标注心电信号类型的分类特征样本集对预设机器学习模型进行训练后得到的。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取由已标注心电信号类型的预设长度的单通道心电图数据样本组成的历史样本集，并按预设比例将所述历史样本集划分为训练集和测试集；分别对所述训练集和所述测试集中的每个样本进行标准化处理，得到标准化参数以及标准训练集和标准测试集；利用长短期记忆网络模型分别提取所述标准训练集和所述标准测试集中每个样本的时域特征；将所述标准训练集和所述标准测试集中每个样本转换为图像，并利用二维卷积神经网络模型分别提取所述标准训练集和所述标准测试集中每个样本对应图像的频域特征；分别对所述标准训练集和所述标准测试集中每个样本的时域特征和频域特征进行特征融合，得到所述标准训练集和所述标准测试集中每个样本的分类特征，即得到已标注心电信号类型的分类特征样本集。3.根据权利要求2所述的方法，其特征在于，所述获取标准化心电信号，包括：获取预设长度的原始单通道心电图数据；根据所述标准化参数对所述原始单通道心电图数据进行标准化处理，得到所述标准化心电信号。4.根据权利要求2所述的方法，其特征在于，所述分别提取所述标准化心电信号的时域特征和频域特征，包括：利用预先训练好的时域特征提取模型，提取所述标准化心电信号的时域特征，所述时域特征提取模型是预先利用所述标准训练集对长短期记忆网络模型进行训练后得到的，所述标准化心电信号和所述训练集中的样本的格式相同；将所述标准化心电信号转换为图像，并将所述图像输入预先训练好的频域特征提取模型，提取所述标准化心电信号的频域特征，所述频域特征提取模型是预先利用所述标准训练集对二维卷积神经网络模型进行训练后得到的。5.根据权利要求2所述的方法，其特征在于，所述方法还包括：利用所述标准训练集中每个样本的分类特征及心电信号类型，对所述预设机器学习模型进行训练；利用所述标准测试集中每个样本的分类特征及心电信号类型，对训练后得到的所述分类模型进行验证，得到所述分类模型的预设性能指标值；当所述预设性能指标值达到阈值时，所述分类模型训练完成。
6.一种心电信号类型的识别装置，其特征在于，包括：心电信号...
【专利技术属性】
技术研发人员：石用伍，石用德，谢泉，罗姣莲，
申请(专利权)人：贵州省人民医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。