基于残差网络的12导联ECG心律失常检测分类模型构建方法技术

本发明专利技术公开了一种基于残差网络的12导联ECG心律失常检测分类模型构建方法，将深度学习的思想引入心律失常疾病类型地检测分类中，在训练阶段将采集到的12导联ECG数据经过处理后作为输入，每条12导联ECG数据所对应的心律失常类型作为标签训练残差网络，利用了残差网络对输入数据进行充分的特征提取，然后利用SENet对不同通道之间的联系进行特征融合，再利用3层全连接层进行24种心律失常类型的分类，最终构建成为本网络模型。本发明专利技术网络模型从数据驱动的角度实现了对24种常见心律失常类型预测，有效地解决了人工检测识别心律失常类型非常耗时且依赖医护人员临床经验的问题。类型非常耗时且依赖医护人员临床经验的问题。类型非常耗时且依赖医护人员临床经验的问题。

【技术实现步骤摘要】
基于残差网络的12导联ECG心律失常检测分类模型构建方法


[0001]本专利技术属于心电生理检测分析
，具体涉及一种基于残差网络的12导联ECG心律失常检测分类模型构建方法。

技术介绍

[0002]根据世界卫生组织报道，从全球的统计数据来看，心脏疾病是主要的死亡原因，每年因心脏问题造成的死亡人数超过任何其他死亡原因。心脏异常是一种常见的循环系统疾病，包括房颤、早搏和其他的心律失常，这些症状通常通过无创心电图(electrocardiogram，ECG)在临床上进行检查和分类，而其中12导联心电图是诊断心律失常的黄金标准，它可以更迅速准确地发现心律失常。本专利技术研究的重点是通过12导联动态心电图检查收集和分析的大量数据，使自动心电图分类算法既准确又快速；对于心律失常分类问题，我们采用深度学习的方法来让网络模型自动学习隐藏在12导联心电图中的信息。
[0003]深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、声音和文本。深度学习的概念源于人工神经网络的研究本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差网络的12导联ECG心律失常检测分类模型构建方法，包括如下步骤：(1)利用12导联心电图机采集不同病人的12导联体表心电数据，并记录每组心电数据所对应的心律失常疾病类型；(2)对所述心电数据进行处理以提取其中每一个单独的心拍；(3)对于任一组心电数据，通过对心拍进行随机排序并拼接得到多个特征样本；(4)搭建基于残差网络的网络模型，利用大量特征样本对该模型进行训练，即以特征样本及其对应的心律失常疾病类型分别作为模型的输入以及输出的真值标签，从而得到用于ECG心律失常检测的分类模型。2.根据权利要求1所述的12导联ECG心律失常检测分类模型构建方法，其特征在于：所述步骤(1)的具体实现方式为：首先让病人上身贴上医学12导联的体表电极贴片，利用心电图机采集病人的体表心电数据，并记录每组共12个通道的心电信号。3.根据权利要求1所述的12导联ECG心律失常检测分类模型构建方法，其特征在于：所述步骤(2)的具体实现方式为：首先利用3～45Hz的非递归型滤波器对12导联体表心电数据中各通道心电信号进行滤波处理，再通过R波检测算法将各通道心电信号中的心拍单独提取出来。4.根据权利要求1所述的12导联ECG心律失常检测分类模型构建方法，其特征在于：所述步骤(3)的具体实现方式为：对于同一病人所采集到的一组心电数据，将其中每一个心拍进行通过shuffle函数进行随机排序，然后每四个心拍按顺序拼接起来作为一个特征样本，从而得到多个特征样本。5.根据权利要求1所述的12导联ECG心律失常检测分类模型构建方法，其特征在于：所述步骤(4)中在搭建网络模型之前，将所有病人的所有特征样本分为训练集、验证集和测试集，其中训练集用于训练模型，验证集用于初步评估模型的预测能力并对模型参数进行微调，测试集用于对最终训练完成的模...

【专利技术属性】
技术研发人员：刘华锋，冉翱，
申请(专利权)人：浙江大学，
类型：发明
国别省市：