【技术实现步骤摘要】
LSTM层通过LSTM单元提取预处理后的心电信号信号特征，对输入的时间序列信息编码成为一个固定维度的特征向量；其中，LSTM单元的隐藏状态被认为是输入时间序列的特征表示，将多个部分输出进行融合，得到融合的结果后，将融合后的向量看成是整体的特征向量；
[0011]S3，定义解码器LSTM层，对编码器LSTM层输出的特征向量进行解码并对后一段时间进行预测，解码器LSTM层输出的预测序列长度等于解码器LSTM层中LSTM单元的个数；
[0012]S4，将解码器LSTM层的输出输入到全连接层，提取预测的心电信号的异常特征并加权求和得到每种异常的分数；
[0013]S5，将全连接层的输出输入到Softmax层，将全连接层得到的分数映射为概率，得到心电信号异常预测结果。
[0014]进一步地，步骤S1中，对采集到的心电信号数据用小波变换的方法进行去噪预处理。
[0015]进一步地，所述编码器LSTM层和解码器LSTM层各包括20个LSTM单元。
[0016]进一步地，每个LSTM单元之间有循环链接，具有三个乘法门：输入门、遗忘门和...
【技术保护点】
【技术特征摘要】
1.一种基于LSTM自编码器的心电信号异常预测方法，其特征在于，所述预测方法包括以下步骤：S1，采集心电信号数据并进行预处理；S2，定义编码器LSTM层，将预处理后的心电信号数据输入编码器LSTM层中，编码器LSTM层通过LSTM单元提取预处理后的心电信号信号特征，对输入的时间序列信息编码成为一个固定维度的特征向量；其中，LSTM单元的隐藏状态被认为是输入时间序列的特征表示，将多个部分输出进行融合，得到融合的结果后，将融合后的向量看成是整体的特征向量；S3，定义解码器LSTM层，对编码器LSTM层输出的特征向量进行解码并对后一段时间进行预测，解码器LSTM层输出的预测序列长度等于解码器LSTM层中LSTM单元的个数；S4，将解码器LSTM层的输出输入到全连接层，提取预测的心电信号的异常特征并加权求和得到每种异常的分数；S5，将全连接层的输出输入到Softmax层，将全连接层得到的分数映射为概率，得到心电信号异常预测结果。2.根据权利要求1所述的基于LSTM自编码器的心电信号异常预测方法，其特征在于，步骤S1中，对采集到的心电信号数据用小波变换的方法进行去噪预处理。3.根据权利要求1所述的基于LSTM自编码器的心电信号异常预测方法，其特征在于，所述编码器LSTM层和解码器LSTM层各包括20个LSTM单元。4.根据权利要求1所述的基于LSTM自编码器的心电信号异常预测方法，其特征在于，每个LSTM单元之间有循环链接，具有三个乘法门：输入门、遗忘门和输出门，三个乘法门是自适应的，输入门用于学习哪些信息要存储在内存中，遗忘门用于了解信息存储时长，输出门用于了解存储的信息何时可以使用。5.根据权利要求4所述的基于LSTM自编码器的心电信号异常预测方法，其特征在于，假设输入序列X为(x1，x2，
…
，x
t
)，其中时间序列中的每个点x
t
∈R表示时间t的心电图记录，其元素对应输入变量；隐藏层状态H为(h1，h2，
…
，h
t
)，使用激活函数对遗忘信息进行计算：f
t
＝σ(W
xf
x
t
+W
hf
h
t
‑1+b
f
)式中：x
t
为当前时刻网络的输入；h
t
‑1为上一时刻隐藏层状态；f
t
为当前时刻遗忘门的输出；σ为激活函数；W
xf
为输入层到遗忘门的权重；W
hf
为上一时刻隐藏层状态到遗忘门的权重；b
f
为遗忘门的偏置；通过输入门对信息进行更新：i
t
＝σ(W
xi
x
t
+W
hi
h
t
‑1+b
i
)式中：i
t
为当前时刻输入门的输出；W
xi
为输入层到输入门的权重；W
hi
为上一时刻隐藏层状态到输入门的权重；b
i
为输入门的偏置；为当前输入的细胞单元状态；tanh()为激活函数；W
xc
为输入层到当前输入的细胞单元状态的权重；W
hc
为上一时刻隐藏层状态到当前输入的细胞单元状态的权重；b
c
为当前时刻输入的细胞单元状态的偏置；将遗忘门与输出门的计算结果相结合，得到当前时刻细胞单元的输出c
t
：式中：*为向量元素相乘；c
t
‑1为上一时刻细胞单元的输出；
计算输出结果：o
t
＝σ(W
xo
x
t
+W
ho
h
t
‑1+b
o
)h
t
＝o
t
*tanh(c
t
)式中：o
t
为当前时刻输出门的输出；W
xo
为输入层到输出门的权重；W
ho
为上一时刻隐藏层状态到输出门的权重；b
o
为输出门的偏置；h
t
为当前时刻隐藏层状态。6.一种基于LSTM自编码器的心电...
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。