一种基于SNN网络的心电信号异常预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于SNN网络的心电信号异常预测方法及装置，所述方法包括：步骤1：对心电信号数据进行采集；步骤2：对采集到的心电信号数据进行预处理；步骤3：将预处理之后的心电信号数据输入基于SNN网络的心电信号异常预测模型中；步骤4：将SNN网络预测模型中输出的数据输入注意力机制中；步骤5：对心电信号的异常类型进行预测；所述基于注意力机制的SNN网络的心电信号异常预测模型，包括依次设置的小波变换模块、一个SNN网络层、一个注意力机制模块、一个全连接层、一个Softmax层；本发明专利技术通过SNN网络和注意力机制提高了心电信号异常预测的准确率，并具有良好的鲁棒性。并具有良好的鲁棒性。并具有良好的鲁棒性。

A method and device of ECG anomaly prediction based on SNN network

【技术实现步骤摘要】
一种基于SNN网络的心电信号异常预测方法及装置


[0001]本专利技术涉及一种基于SNN网络的心电信号异常预测方法及装置，属于心电信号预测


技术介绍

[0002]心血管疾病具有高发病率和死亡率，严重威胁着人类的健康状况。心电图作为一种无创、经胸的诊断技术，已被广泛用于监测心跳活动，为心血管疾病的诊断和治疗提供了丰富的信息。
[0003]目前，心电信号预测研究主要是基于传统的人工提取特征和基于深度学习这两种方法。传统的人工提取特征过于复杂且需要丰富的临床经验，因此该方法逐步被基于深度学习的方法替代。目前大部分基于深度学习的心电异常的处理还停留在分类阶段，对心电异常的预测相对较少。然而心脏是一个复杂的器官，能够提前预警对于预防接下来可能出现的危险极具意义。现阶段的深度学习方法大多面临灾难性遗忘问题，不利于心电信号预测算法准确率和系统的鲁棒性的提高。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种基于SNN网络的心电信号异常预测方法及装置，提高了心电故障预测识别的准确率，基于注意力机制的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SNN网络的心电信号异常预测方法，其特征在于，包括：获取预先采集的第一心电信号数据；将获取的第一心电信号数据输入预先构建的基于SNN网络的心电信号异常预测模型中进行预测；其中，所述基于SNN网络的心电信号异常预测模型包括依次连接的小波变换模块、SNN网络层、注意力机制模块、全连接层以及Softmax层；其中，所述将获取的第一心电信号数据输入预先构建的基于SNN网络的心电信号异常预测模型中进行预测的方法，包括:将所述第一心电信号数据输入小波变换模块进行预处理，获取消除噪声的第二心电信号数据；将所述第二心电信号数据输入SNN网络层，使用扩展的STDP算法更新权重后，获取第三心电信号数据；将所述第三心电信号数据输入注意力机制模块，获取增强有效信息的特征和抑制无效特征后的第四心电信号数据；将所述第四心电信号数据依次输入全连接层和Softmax层，通过Softmax函数输出误差概率，预测心电信号异常类型。2.根据权利要求1所述的基于SNN网络的心电信号异常预测方法，其特征在于：所述将所述第一心电信号数据输入小波变换模块进行预处理，获取消除噪声的第二心电信号数据，包括：将所述第一心电信号数据划分为训练集和测试集两组；将划分后的所述第一心电信号数据输入小波变换模块，获取消除噪声的第二心电信号数据；根据R峰位置及波形间隔，将第二心电信号数据中的所有心拍信号划分成同尺度的单一心拍。3.根据权利要求1所述的基于SNN网络的心电信号异常预测方法，其特征在于：所述第一心电信号数据按3:7的比例划分为训练集和测试集。4.根据权利要求2所述的基于SNN网络的心电信号异常预测方法，其特征在于：所述将划分后的所述第一心电信号数据输入小波变换模块，获取消除噪声的第二心电信号数据，包括：将划分后的所述第一心电信号数据输入小波变换模块，与预先设定的阈值进行比较；保留大于阈值的小波系数，将小于阈值的小波系数做相应的处理；根据处理后的小波系数还原出心电信号，作为消除噪声的第二心电信号数据。5.根据权利要求1所述的基于SNN网络的心电信号异常预测方法，其特征在于：所述SNN网络层包括由全连接的LIF神经元组成，神经元以层的结构进行排列，每一层的神经元只和前一层的神经元进行连接。6.根据权利要求5所述的基于SNN网络的心电信号异常预测方法，其特征在于：所述神经元突触膜电位的计算公式如下：
其中，w
i
代表权重，K(t
‑
t
i
)代表在t时间下t
i
时间点传入的脉冲的贡献，V
rest
代表静息电位，当膜...

【专利技术属性】
技术研发人员：潘沛生，谭庆康，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：