一种心律失常分类方法、系统及电子设备技术方案

本申请提供了一种心律失常分类方法、系统及电子设备，在该方法中，获取了目标对象的原始心律数据，将原始心律数据进行转化，得到各个第一心律特征向量，根据预设的丢失率，得到各个第二心律特征向量，对原始心律数据各自对应的局部特征信息与各个第二心律特征向量各自对应的局部特征信息进行融合，得到各个融合心律特征向量，根据各个融合心律各自对应的分类权重，确定各个融合心律特征向量所对应的心律类别，因此通过上述方法，能够抑制在少数类心律失常样本中提取大量心律特征数据时，出现的过拟合问题，同时提高心律特征数据提取的精度以及心律失常分类的准确度。度以及心律失常分类的准确度。度以及心律失常分类的准确度。

【技术实现步骤摘要】
一种心律失常分类方法、系统及电子设备


[0001]本专利技术涉及医疗
，尤其涉及一种心律失常分类方法、系统及电子设备。

技术介绍

[0002]心电图检测在心血管疾病的诊断中扮演着重要的角色，能够对室早、房颤、传导阻滞常见的心律失常进行有效的预测，便于早期及时发现、治疗。
[0003]传统的心电图分析依赖医师的专业知识以及工作经验，由于每个医师处理心电图的任务量大，比如，医生需要对50个心电图进行分析，患者需要长时间的等待才能拿到诊断结果，所以会导致对心电图分析效率低的问题，因此，为了提高诊断的效率，一些智能诊断分类方法出现在心律失常分类任务中，例如：基于卷积神经网络的分类方法、基于递归神经网络的分类方法、以及卷积神经网络与循环神经网络结合的分类方法。
[0004]使用卷积神经网络对心电图进行分类时，首先需要设计特征提取方式，卷积层用来提取特征数据，然后将特征数据传入池化层，池化层再对特征数据进行挑选，达到压缩数据参数的目的，然而，采用上述方法，在训练集循环提取特征数据的过程中，所提取的特征数据量大，卷积神经网络能够很好的学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心律失常分类方法，其特征在于，包括：获取目标对象的原始心律数据，并对所述原始心律数据进行转化，得到各个第一心律特征向量；基于所述各个第一心律特征向量各自对应的局部特征信息以及局部特征信息所预设的丢失率，得到各个第二心律特征向量；将所述各个第二心律特征向量各自对应的局部特征信息与所述原始心律数据各自对应的局部特征信息进行融合，得到各个融合心律特征向量；根据所述各个融合心律特征向量各自对应的分类权重，确定所述各个融合心律特征向量所对应的各个心律类别。2.如权利要求1所述的方法，其特征在于，基于所述各个第一心律特征向量各自对应的局部特征信息以及局部特征信息所预设的丢失率，得到各个第二心律特征向量，包括：基于预设的dropout参数值，随机删除所述各个第一心律特征向量对应的部分局部特征信息，得到更新人工神经网络模型；将所述各个第一心律特征向量导入所述更新人工神经网络模型进行训练，得到各个第一心律更新特征向量；根据所述各个第一心律更新特征向量各自对应的局部特征信息与各个更新心律特征向量之间确定的映射关系，得到各个第二心律特征向量。3.如权利要求1所述的方法，其特征在于，根据所述各个融合心律特征向量各自对应的分类权重，确定所述各个融合心律特征向量所对应的各个心律类别，包括：编码所述各个融合心律特征向量和各个心律类别向量的空间关系；按照所述各个融合心律特征向量和各个心律类别向量的相似度，计算所述各个融合心律特征向量和各个心律类别向量的权重值；根据所述各个融合心律特征向量和各个心律类别向量的权重值，得到各个心律类别中由各个融合心律特征向量组成的各个心律类别向量；根据所述各个心律类别中由各个融合心律特征向量组成的各个心律类别向量，确定所述各个融合心律特征向量所对应的各个心律类别。4.如权利要求3所述的方法，其特征在于，根据所述各个心律类别中由各个融合心律特征向量组成的各个心律类别向量，确定所述各个融合心律特征向量所对应的各个心律类别，包括：将所述各个心律类别中由各个融合心律特征向量组成的各个心律类别向量导入seq2seq神经网络模型；所述seq2seq神经网络模型对所述各个心律类别中由各个融合心律特征向量组成的各个心律类别向量进行翻译以及分类，得到当前各个融合心律特征向量所对应的各个心律类别；输出所述当前各个融合心律特征向量所对应的各个心律类别。5.一种心律失常分类系统，其特征在于，包括：获取模块，用于获取目标对象的原始心律数据，并对...

【专利技术属性】
技术研发人员：向伟，周晨晨，李向奎，尤佳琦，吕赫，
申请(专利权)人：西南民族大学，
类型：发明
国别省市：