【技术实现步骤摘要】
一种心拍分类方法、装置及设备
[0001]本申请涉及计算机
，尤其涉及一种心拍分类方法、装置及设备。
技术介绍
[0002]心电信号(即心电图)是非常微弱的生理低频电信号，通常最大的幅值不超过5mV,信号频率在0.05～100Hz之间，是检测心血管疾病的重要手段。而心拍则是心电信号的基本组成。一段正常的心电信号会包含若干个心拍，按照医学上的定义，每个心拍又可以被划分为三个主要部分：P波段、QRS波群和T波段，如附图1所示。心拍分类的准确与否，对于心血管疾病的诊断与预防意义重大。
[0003]目前心拍分类所采用的方法包括传统的波形变换方法和当前流行的深度卷积网络方法，但二者均无法满足实时且准确的分类要求。比如传统的一些启发式的特征提取方法过于依赖领域经验，其参数固定，较难迁移。变换式方法在变换域下的计算量较为庞大，计算成本高。并且这些方法大部分需要在提取特征之后专门设计分类器以验证提取特征的效果，因而这些算法的泛化性能不够好。而当前流行的基于深度神经网络的心拍分类方法大多是采用卷积网络，往往需要先将原始的心电信号...
【技术保护点】
【技术特征摘要】
1.一种心拍分类方法，其特征在于，包括：获取待分类的目标心拍数据，并对所述目标心拍数据进行预处理，得到预处理后的目标心拍数据；利用深度循环神经网络对所述预处理后的目标心拍数据进行特征提取，得到心拍时序特征；利用符号模式识别模块对所述预处理后的目标心拍数据进行特征提取，得到心拍形状特征；利用深度自编码器对所述心拍时序特征和所述心拍形状特征进行融合处理，得到心拍融合特征；将所述心拍融合特征传入分类网络进行心拍分类，得到所述目标心拍数据对应的分类结果。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取训练心拍数据；并对所述训练心拍数据进行预处理，得到预处理后的训练心拍数据；利用初始深度循环神经网络对所述预处理后的训练心拍数据进行特征提取，得到训练心拍时序特征；利用初始符号模式识别模块对所述预处理后的训练心拍数据进行特征提取，得到训练心拍形状特征；利用初始深度自编码器对所述训练心拍时序特征和所述训练心拍形状特征进行融合处理，得到训练心拍融合特征；根据所述训练心拍数据的训练心拍融合特征以及所述训练心拍数据对应的分类识别标签对所述初始符号模式识别模块、所述初始符号模式识别模块和所述初始深度自编码器进行训练，生成所述深度循环神经网络、所述符号模式识别模和所述深度自编码器。3.根据权利要求2任一项所述的方法，其特征在于，所述方法还包括：获取验证心拍数据；并对所述验证心拍数据进行预处理，得到预处理后的验证心拍数据；利用所述深度循环神经网络对所述预处理后的验证心拍数据进行特征提取，得到验证心拍时序特征；利用所述符号模式识别模块对所述预处理后的验证心拍数据进行特征提取，得到验证心拍形状特征；利用所述深度自编码器对所述验证心拍时序特征和所述验证心拍形状特征进行融合处理，得到验证心拍融合特征；将所述验证融合特征传入分类网络进行心拍分类，得到所述验证心拍数据对应的分类识别结果；当所述验证心拍数据的分类识别结果与所述验证心拍数据对应的分类标记结果不一致时，将所述验证心拍数据重新作为所述训练心拍数据，对所述深度循环神经网络、所述符号模式识别模块和所述深度自编码器进行更新。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，在将所述心拍融合特征传入分类网络进行心拍分类，得到所述目标心拍数据对应的分类结果之后，所述方法还包括：
接收用户对所述分类结果的修正，得到修正后的分类结果；利用所述修正后的分类结果，对所述深度循环神经网络、所述符号模式识别模和所述深度自编码器的参数进行重新评估。5.一种心拍分类装置，其特征在于，包括：第一获取单元，用于获取待分类的目标心拍数据，并对所述目标心拍数据进行预处理，得到预处理后的目标心拍数据；第一提取单元，用于利用深度循环神经网络对所述预处理后的目标心拍数据进行特征提取，得到心拍时序特征；第二提取单元，用于利用符号模式识别模块对所述预处理后的目标心拍数据进行特征提取，得到心拍形状特征；第一...
【专利技术属性】
技术研发人员：王帅，王立波，段禹心，
申请(专利权)人：中国农业银行股份有限公司，
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。