基于多重级联深度神经网络的心电信号的识别与分类方法技术

基于多重级联深度学习的心电信号的识别与分类方法，包括以下步骤：将采集的一维心电数据进行预处理后划分成训练集、验证集以及测试集；构建基于卷积神经网络、循环神经网络与Transformer模块的深度学习模型并训练，得到在验证集上分类效果最好的模型；将待分类的心电数据输入到在验证集上分类效果最好的模型中，得到心电数据的心电信号所属分类。本发明专利技术通过一维卷积提取低层次的波形结构特征，将较浅和较深的层聚合起来，获取心电信号的空间特征，并利用RNN和Transformer提取整个导联的时序特征，可以应用于不同长度的单导联心电信号或多导联心电信号的分类，对不同的心电采集设备有良好的兼容性。备有良好的兼容性。备有良好的兼容性。

【技术实现步骤摘要】
基于多重级联深度神经网络的心电信号的识别与分类方法


[0001]本专利技术属于医疗器械
，涉及医疗器械中的心电信号智能识别方法，涉及一种基于多重级联深度神经网络的心电信号的识别与分类方法。

技术介绍

[0002]心电图被认为是临床筛查和诊断中最常用的检查工具之一，它可以快速帮助医生识别多种类型的心血管疾病。然而，心电信号存在形态特征、波形特征和时域特征的多样性，这使得在实际的临床诊断中心电信号并不容易被识别，尤其是对于经验有限的医生来说。另一方面，目前大多数患者需要在医院进行诊断，因此心电图诊断存在检测不方便等缺点。近年来，随着远程医疗、计算机辅助诊断以及便携式心电采集设备的快速发展，心电信号的自动识别与分类方法具有较高的实际意义。
[0003]传统的心电信号的识别与分类方法主要分为两类，一类是提取传统的心电特征，一类是基于深度学习的方法。传统的心电特征一般是基于PQRST波计算的，包括RR间期标准偏差、最大RR间期和R波密度等(S.Member,IEEE,J.Pan,and W.J.Tompkins,“A real
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多重级联深度学习的心电信号的识别与分类方法，其特征在于，包括以下步骤：步骤1，采集已标注的一维心电数据；步骤2，将一维心电数据进行预处理后划分成训练集、验证集以及测试集；步骤3，构建基于卷积神经网络、循环神经网络与Transformer模块的深度学习模型并训练，得到在验证集上分类效果最好的模型；步骤4，将待分类的心电数据输入到在验证集上分类效果最好的模型中，得到心电数据的心电信号所属分类。2.根据权利要求1所述的基于多重级联深度学习的心电信号的识别与分类方法，其特征在于，步骤2的具体过程如下：a.假设心电信号长度为n，当一维心电数据为单导联心电数据时，得到1*n的心电向量；当一维心电数据为导联数为c的多导联心电数据，得到c*n的心电向量，其中2≤c≤12；b.对1*n的心电向量与c*n的心电向量进行线性函数归一化处理，得到数据集；c.将数据集按照8∶1∶1的比例划分为训练集、验证集以及测试集。3.根据权利要求2所述的基于多重级联深度学习的心电信号的识别与分类方法，其特征在于，线性函数归一化处理采用如下公式进行：其中，X为已标注的一维心电数据，X
min
为已标注的一维心电数据的最小值，X
max
为已标注的一维心电数据的最大值，X
norm
为经过线性函数归一化后的心电数据。4.根据权利要求1所述的基于多重级联深度学习的心电信号的识别与分类方法，其特征在于，步骤3具体过程为：a.构建基于卷积神经网络、循环神经网络以及Transformer模块的深度学习模型，深度学习模型的输入为训练集，深度学习模型的输出层为softmax层；b.将训练集的数据批量放入深度学习模型中进行训练，采用反向传播算法和随机梯度下降法不断更新...

【专利技术属性】
技术研发人员：李钟毓，刘婧怡，胡雪萌，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：