心电信号分类方法、系统、计算机设备以及可读存储介质技术方案

本发明专利技术公开了一种心电信号分类方法、系统、计算机设备以及可读存储介质。其中，针对心电信号通过卷积后造成的冗余问题，本发明专利技术提出了一种新颖的ECA模块，来对特征通道进行权重分析，优化网络模型；针对ECG分类中的类别不平衡问题，本发明专利技术设计了一种权重分析方法，为提高少数类别分类的准确率提供了一条可行的途径。在此基础上，本发明专利技术方法构建了包括卷积神经网络模块、ECA模块以及密集模块的心电分类模型，通过所提心电分类模型，有效地提高了心电信号分类的准确度。与近年来同类型模型相比，本发明专利技术方法在准确度、特异性和F1等指标上均有了较大的提升，从而证明了本发明专利技术方法的有效性。效性。效性。

【技术实现步骤摘要】
心电信号分类方法、系统、计算机设备以及可读存储介质


[0001]本专利技术涉及一种心电信号分类方法、系统、计算机设备以及可读存储介质。

技术介绍

[0002]心律失常因其高发病率和高致死率，严重地危害着人类的健康。因此，及早、正确地诊断心律失常，对于患有心律失常的患者具有十分重要的意义。
[0003]在临床医疗中，常规的心律失常诊断工作需要花费大量的时间和精力，因为大多数患者的心电波形都会有所不同，所以大部分诊断工作都是依靠专业医生来进行。
[0004]然而，在实际工作中，由于医师的经验水平不同以及身体状态也都容易受到影响，因此，即便是相同的心电信号也可能会诊断出不同的结果。
[0005]可见，传统的人工检测方法不仅费时费力，而且容易出现差错，已经无法满足当前的情况。因此，急需提出一种高效、准确的诊断心律失常信号的计算机辅助诊断方法。
[0006]随着计算机技术的高速发展，人们已经对自动ECG分类问题进行了积极的研究。各种算法在心电信号识别中得到了广泛的应用，主要分为：机器学习和深度学习方法。
[0007本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带有类别权重的卷积高效通道注意力心电信号分类方法，其特征在于，包括如下步骤：步骤1. 获取心电信号数据，并进行预处理；步骤2. 将预处理后的心电信号数据进行数据集切分，并切分为训练集以及测试集；定义训练集与测试集的切分比例为τ；根据数据集的切分比例τ对不同类别的心电信号进行加权处理，如公式（1）所示；
ꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中，CW
c
表示第c类样本的权重；N表示样本的类别数量，n
c
表示第c类样本的数量，表示向上取整；在下述步骤3中心电分类模型训练的同时，对不同类别的心电信号进行权重分配；步骤3. 构建心电分类模型；心电分类模型包括卷积神经网络模块、ECA模块以及密集模块；其中，卷积神经网络模块、ECA模块以及密集模块依次连接；卷积神经网络模块包括六个一维卷积层，各个一维卷积层依次连接；在每个一维卷积层之后依次放置了批归一化层、Relu激活层以及池化层；ECA模块包括全局平均池化层、自适应K值计算模块、一维卷积层、Relu函数层以及元素积函数运算模块，输入的特征图在ECA模块的处理过程如下：首先输入的特征图到达全局平均池化层执行全局平均池化处理，得到通道维数C，然后将通道维数C输入到自适应K值计算模块，计算得到自适应K值；再将自适应K值应用于一维卷积层中，作为一维卷积的卷积核，从而实现跨通道交互，并通过Relu函数层的Relu激活函数计算得到通道权重；最后将通道权重以及输入的特征图一并输入到元素积函数运算模块中，并进行相乘运算，最终输出加权后的特征图，即注意力机制增强后的特征图；密集模块包括一个展平层、两个全连接层以及一个softmax分类层；步骤4. 利用划分的训练集与测试集对构建的心电分类模型进行训练及测试；心电分类模型的训练过程为：首先将训练集中带有类别权重的心电信号输入到卷积神经网络模块进行六次一维卷积，在每次一维卷积后，依次进行批归一化、Relu激活以及最大池化处理；然后，将由卷积神经网络模块输出的特征图通过ECA模块进行筛选加权处理，并得到加权后的特征图，并通过展平层将输出的特征图一维化；紧接着，将一维化后的特征通过全连接层连接所有特征进行非线性变化，将学到的分布式特征表示映射到样本的标记空间，输出给softmax分类器，做最终分类预测输出；模型训练完成后，利用测试集中的数据对训练好的心电分类模型进行测试；步骤5. 对于待识别的心电信号，首先对心电信号按照步骤1进行预处理操作，然后利用训练及测试好的心电分类模型进行分类处理，得到心电信号分类结果。2.根据权利要求1所述的带有类别权重的卷积高效通道注意力心电信号分类方法，其特征在于，所述自适应K值计算模块中，自适应K值的计算公式如下：
；其中，就是映射函数，赋值给K；γ、b是映射函数的参数，分别设置为2和1，|
·
|
odd
表示最接近
·
的最近奇数。3.根据权利要求1所述的带有类别权重的卷积高效通道注意力心电信号分类方法，其特征在于，所述卷积神经网络模块中：每个一维卷积层的卷积核大小依次设置为11、9、7、5、3、1，每个一维卷积层中的滤波器数量依次为32、64、64、128、128、256，每个一维卷积层的步长均为1；每个一维卷积层后的池化层均采用最大池化层，其中最大池化层的步长设置为2。4.根据权利要求1所述的带有类别权重的卷积高效通道注意力心电信号分类方法，其特征在于，所述密集模块中：两个全连接层的滤波器数量设置为256、128，softmax分类器的分类数设置为类别数量。5.根据权利要求1所述的带有类别权重的卷积高效通道注意力心电信号...

【专利技术属性】
技术研发人员：宋戈，陈达，梁鸿瑞，李扬，邓修朋，徐传斌，窦胜尧，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：