基于深度学习的心电图分类方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及深度学习在医疗技术领域的应用，揭露一种基于深度学习的心电图分类方法，包括：基于长度不同的原始心电信号集形成字符长度不同的训练数据，基于训练数据分别训练心电图异常检测模型；其中，不同心电图异常检测模型的训练数据的字符长度不同；对所述原始心电信号集训练出的至少两个心电图异常检测模型进行融合，获取心电图分类模型；基于所述心电图分类模型对待检测心电图信号进行检测分类。本发明专利技术可以提高心电图的检测精度。本发明专利技术可以提高心电图的检测精度。本发明专利技术可以提高心电图的检测精度。

【技术实现步骤摘要】
基于深度学习的心电图分类方法、装置、设备及存储介质


[0001]本专利技术涉及深度学习
，尤其涉及一种基于深度学习的心电图分类的方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]目前，深度学习算法能够应用于多种不同的领域汇总，例如，医疗诊断等。其中，心电图是利用心电图机从体表记录心脏每一心动周期所产生的点活动变化图形的技术，是医师对患者治疗进行临床决策的基础。目前对心电图的筛查主要存在以下几种方式：1、通过人工观察心电信号来筛查疾病；其中，12导联心电信号的解释一般需要有经验的医生仔细观看并识别心电图中节拍之间的特征，此过程耗时耗力，且医师水平的差异也会对疾病筛查的准确率造成一定的影响；2、结合深度学习算法识别心电信号。
[0003]但是，在临床实际操作中，医师在采集心电信号时，一般是等待心电图机采集到的心电图信号稳定后，再停止记录。此操作过程持续的长短不一，由此造成的结果就是不同的患者，不同的医师采集的心电信号长度各不相同，此结果结合深度学习算法的识别准确率就会受到影响；另外，于患者的患病情况各不相同，通过心电信本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的心电图分类方法，其特征在于，所述方法包括：基于长度不同的原始心电信号集形成字符长度不同的训练数据，基于所述训练数据分别训练心电图异常检测模型；其中，不同心电图异常检测模型的训练数据的字符长度不同；对所述原始心电信号集训练出的至少两个心电图异常检测模型进行融合，获取心电图分类模型；基于所述心电图分类模型对待检测心电图信号进行检测分类。2.如权利要求1所述的基于深度学习的心电图分类方法，其特征在于，所述心电图异常检测模型的训练步骤包括：对所述原始心电图信号集进行预处理，以获取输入数据；将所述输入数据分别输入预设深度残差网络模型的第一卷积层和第二卷积层中；其中，所述第一卷积层和所述第二卷积层相互平行设置；对所述第一卷积层和所述第二卷积层的输出进行拼接，以获取拼接特征张量；依次对所述拼接特征张量进行标准化、池化和激活处理后，输入所述深度残差网络模型的残差块，获取残差特征张量；对所述残差特征张量进行平均池化处理后输入全连接层，并通过与所述全连接层连接的输出层输出分类结果；循环对所述原始心电图信号集进行预处理，直至所述深度残差网络模型收敛在预设范围内，形成所述心电图异常检测模型。3.如权利要求2所述的基于深度学习的心电图分类方法，其特征在于，所述残差块包括第一处理模块和第二处理模块，通过所述残差块获取残差特征张量的步骤包括：将标准化、池化和激活处理后的拼接特征张量分别输入所述残差块的第一处理模块和第二处理模块中；其中，所述第一处理模块和所述第二处理模块相互平行设置；所述第一处理模块对处理后的拼接特征张量依次进行卷积及标准化处理，获取第一输出结果；以及，所述第二处理模块对所述处理后的拼接特征张量依次进行卷积、标准化、卷积标准化和压缩激励处理，获取第二输出结果；对所述第一输出结果和所述第二输出结果进行整合，获取所述残差特征张量。4.如权利要求2所述的基于深度学习的心电图分类方法，其特征在于，所述残差块设置有至少两块，相邻接的两残差块中的任一残差块的输出作为另一残差块的输入。5.如权利要求3述的基于深度学习的心电图分类方法，其特征在于，所述第一处理模块包括卷积层和标准化处理层；所述第二处理模块包括依次设置的卷积层、批标准化和Reul激活层、卷积层、批标准化和压缩激励模块；所述第一处理模块和所述第二处理模...

【专利技术属性】
技术研发人员：郭阳鸣，徐卓扬，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：