本发明专利技术公开了一种心电信号分类训练方法、分类方法、装置及存储介质。该分类训练方法包括：获取训练集中的心电信号；对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；对所述心电信号基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器。对不同的心律异常类型，可以利用不同的目标特征值和预测概率值建立分类器，利于充分模仿医学专家的诊断过程，有效地利用了不同心律异常类型对应的特征信号，可以有效提高心电信号分类的准确率。准确率。准确率。
【技术实现步骤摘要】
心电信号分类训练方法、分类方法、装置及存储介质
[0001]本专利技术涉及信号分析领域，尤其涉及一种心电信号分类训练方法、分类方法、装置及存储介质。
技术介绍
[0002]相关技术中，往往可以基于机器学习对大量的心电信号进行深度学习，从而对正常心电和心率时常心电进行分类，其中，深度神经网络的结构往往会影响分类结果的好坏。
[0003]相关技术中，在基于深度神经网络进行特征学习时，并没有针对性地使用不同的心律失常对应的专家特征信号，具体来说，无论是要判断何种心律异常，使用的都是同一套专家特征信号。然而，很多对专家特征信号的判断都是基于医学知识，而医生在实际诊断时，会结合病人的实际情况判断，所以，专家特征信号是否异常的界限并不是严格与医学知识的界限一致的，从而导致现有的分类器的误检率较高。
技术实现思路
[0004]有鉴于此，本专利技术实施例提供了一种心电信号分类训练方法、分类方法、装置及存储介质，旨在提高心电信号分类的准确率。
[0005]本专利技术实施例的技术方案是这样实现的：
[0006]本专利技术实施例提供了一种心电信号分类训练方法，包括：
[0007]获取训练集中的心电信号；
[0008]对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；
[0009]对所述心电信号基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；
[0010]基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器。
[0011]本专利技术实施例还提供了一种心电信号分类方法，包括：
[0012]获取待识别的心电信号；
[0013]将所述待识别的心电信号输入如本专利技术实施例所述的心电信号分类训练方法训练好的心电信号分类模型中，所述心电信号分类模型确定所述待识别的心电信号在至少两种心律异常类型中各类型的预测概率值和目标特征值，并基于同一类型的所述预测概率值、所述目标特征值和分类器，得到各类型的分类结果。
[0014]本专利技术实施例还提供了一种心电信号分类训练装置，包括：
[0015]第一获取模块，用于获取训练集中的心电信号；
[0016]第一训练模块，用于对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；
[0017]特征提取模块，用于对所述心电信号基于信号特征值的提取，得到所述至少两种
心律异常类型中的各类型的目标特征值；
[0018]第二训练模块，用于基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器。
[0019]本专利技术实施例又提供了一种心电信号分类装置，包括：
[0020]第二获取模块，用于获取待识别的心电信号；
[0021]分类模块，用于将所述待识别的心电信号输入本专利技术实施例所述心电信号分类训练装置训练好的心电信号分类模型中，所述心电信号分类模型确定所述待识别的心电信号在至少两种心律异常类型中各类型的预测概率值和目标特征值，并基于同一类型的所述预测概率值、所述目标特征值和分类器，得到各类型的分类结果。
[0022]本专利技术实施例还提供了一种心电信号分类训练设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本专利技术实施例所述心电信号分类训练方法的步骤。
[0023]本专利技术实施例又提供了一种心电信号分类设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本专利技术实施例所述心电信号分类方法的步骤。
[0024]本专利技术实施例还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本专利技术任一实施例所述方法的步骤。
[0025]本专利技术实施例提供的技术方案，对训练集中的心电信号，基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；及基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；然后，基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器，从而对不同的心律异常类型，可以利用不同的目标特征值和预测概率值建立分类器，利于充分模仿医学专家的诊断过程，有效地利用了不同心律异常类型对应的特征信号，可以有效提高心电信号分类的准确率。
附图说明
[0026]图1为本专利技术实施例心电信号分类训练方法的流程示意图；
[0027]图2为本专利技术一应用示例中心电信号分类训练方法的原理示意图；
[0028]图3为本专利技术一应用示例中多尺度深度神经网络的架构示意图；
[0029]图4为本专利技术实施例心电信号分类方法的流程示意图；
[0030]图5为本专利技术实施例心电信号分类训练装置的结构示意图；
[0031]图6为本专利技术实施例心电信号分类装置的结构示意图；
[0032]图7为本专利技术实施例心电信号分类训练设备的结构示意图；
[0033]图8为本专利技术实施例心电信号分类设备的结构示意图。
具体实施方式
[0034]下面结合附图及实施例对本专利技术再作进一步详细的描述。
[0035]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具
体的实施例的目的，不是旨在于限制本专利技术。
[0036]本专利技术实施例提供了心电信号分类训练方法，如图1所述，该心电信号训练分类方法包括：
[0037]步骤101，获取训练集中的心电信号；
[0038]步骤102，对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；
[0039]步骤103，对所述心电信号基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；
[0040]步骤104，基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器。
[0041]本专利技术实施例中，对训练集中的心电信号，基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；及基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；然后，基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器，从而对不同的心律异常类型，可以利用不同的目标特征值和预测概率值建立分类器，利于充分模仿医学专家的诊断过程，有效地利用了不同心律异常类型对应的特征信号，可以有效提高心电信号分类的准确率。
[004本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种心电信号分类训练方法，其特征在于，包括：获取训练集中的心电信号；对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值；对所述心电信号基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值；基于所述至少两种心律异常类型中各类型的所述预测概率值和所述目标特征值，训练得到用于识别所述至少两种心律异常类型中各类型的分类器。2.根据权利要求1所述的方法，其特征在于，所述对所述心电信号基于深度神经网络进行训练，得到至少两种心律异常类型中各类型的预测概率值，包括：对所述心电信号，基于卷积模块、双向门控循环单元GRU模块、全连接层及分类模块进行分类，得到至少两种心律异常类型中各类型的预测概率值；其中，所述卷积模块包括：至少两个残差网络分支及与各所述残差网络分支对应的通道注意力机制单元，各所述残差网络分支中的卷积核的大小不同，所述通道注意力机制单元用于调整所处的所述残差网络分支的权重值。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：基于预设的节点比例对所述双向GRU模块的隐层节点进行随机筛选，确定用于训练的保留节点。4.根据权利要求1所述的方法，其特征在于，所述对所述心电信号基于信号特征值的提取，得到所述至少两种心律异常类型中的各类型的目标特征值，包括：识别所述心电信号中的P波、Q波、R波、S波和T波；基于所述P波、Q波、R波、S波和T波，确定所述心电信号的信号特征值；基于所述信号特征值，确定所述心电信号对应于所述至少两种心律异常类型中的各类型的目标特征值。5.根据权利要求1所述的方法，其特征在于，所述至少两种心律异常类型包括：早搏、传导阻滞、房颤房扑、心动过速、心动过缓及心率不齐中的至少两种；所述目标特征值及所述分类器均与所述至少两种心律异常类型中各类型一一对应。6.一种心电信号分类方法，其特征在于，包括：获取待识别的心电信号...
【专利技术属性】
技术研发人员：邢东佳，
申请(专利权)人：中国移动通信集团有限公司，
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。