本发明专利技术涉及信号处理及医疗领域，揭露一种基于深度学习的心电图分类方法，包括：对待识别的心电图进行预处理，得到6*n导联信号的额面数据和6*n导联信号的横面数据；利用融合模型，对所述额面数据、横面数据分别进行处理得到第一心电平面数据、第二心电平面数据，并将所述第一心电平面数据、所述第二心电平面数据拼接，得到拼接数据；将所述拼接数据通过特征提取模型进行特征提取，得到特征数据；利用分类函数对所述提取出的特征数据进行分类，得到所述待识别的心电图的分类结果。本发明专利技术通过利用机器学习，可进行心电信号的正常、异常分类，在医疗领域，可用于智能地对病人的心电信号进行分类，使得医生有更多的时间对异常心电信号进行病情分析。进行病情分析。进行病情分析。
【技术实现步骤摘要】
一种基于深度学习的心电图分类方法、装置及存储介质
[0001]本专利技术涉及信号处理领域，尤其涉及一种基于深度学习的心电图分类方法、装置及存储介质。
技术介绍
[0002]随着人们的生活水平不断提高，对自身健康越来越重视。心电图是心脏疾病临床医学诊断的重要手段，能够辅助医疗工作人员进行诊断。
[0003]目前，在医疗领域，各种类型的心电图仪已经在临床中广泛使用了。
[0004]然而，当下的心电图的采集是需要人工对心电图仪器进行判断，判断病人的心电图是属于正常还是属于异常，而人工排查心电图是否异常是非常非常耗时和效率较低的，使得医生花很多时间在判断病人的心电图是否异常，而分去了医生去分析病人的心电图异常的原因的精力。
[0005]因此，当下的心电图仪器存在着不能智能判断心电图是否异常的问题。
技术实现思路
[0006]鉴于以上内容，有必要提供一种基于深度学习的心电图分类方法，其目的在于解决现有技术中对不能智能判断心电图是否异常的技术问题。
[0007]本专利技术提供的一种基于深度学习的心电图分类方法，包括：
[0008]对待识别的心电图进行预处理，得到心电信号数据，将所述心电信号数据分成12*n的二维数组，所述二维数组包括6*n导联信号的额面数据和6*n导联信号的横面数据；
[0009]将所述二维数组输入预设的融合模型，对所述额面数据进行处理得到第一心电平面数据，对所述横面数据进行处理得到第二心电平面数据，并将所述第一心电平面数据、所述第二心电平面数据拼接，得到拼接数据；
[0010]利用预设的特征提取模型对所述拼接数据进行特征提取，得到提取出的特征数据；
[0011]利用预设的分类函数对所述提取出的特征数据进行分类，得到所述待识别的心电图的分类结果。
[0012]可选的，所所述对待识别的心电图进行预处理，得到心电信号数据，包括：
[0013]利用预设的第一滤波器对所述待识别的心电图进行去噪处理；
[0014]利用预设的第二滤波器对所述去噪后的心电图的数据进行降采样处理，得到预设采样率的心电信号数据。
[0015]可选的，所述对所述额面数据进行处理，得到第一心电平面数据，包括：
[0016]利用所述融合模型的卷积核对所述额面数据的6*n导联信号进行数据信号融合，得到数据维度为1*n1*a的第一心电平面数据，其中a代表所述卷积核的通道数，n1是经过所述卷积核卷积后得到的数据大小。
[0017]可选的，所述对所述横面数据进行处理，得到第二心电平面数据，包括：
[0018]利用所述融合模型的卷积核对所述额面数据的6*n导联信号进行数据信号融合，得到数据维度为1*n1*a的第二心电平面数据，其中，a代表所述卷积核的通道数，n1是经过所述卷积核卷积后得到的数据大小。
[0019]可选的，所述将所述第一心电平面数据、所述第二心电平面数据拼接，得到拼接数据；包括：
[0020]将经过所述融合模型模型融合处理后的数据维度为1*n1*a的第一心电平面数据，及数据维度为1*n1*a的第二心电平面数据相连接，得到数据维度为1*n1*2a的拼接数据，其中n1是经过所述融合模型的卷积核卷积后得到的数据大小，a是代表所述卷积核的通道数。
[0021]可选的，所述利用预设的分类函数对所述提取出的特征数据进行分类，得到所述待识别的心电图的分类结果，包括：
[0022]利用softmax函数对所述待识别的心电图结果分类，将所述提取出的特征数据通过softmax函数作用，映射成为(0,1)的值输出0或1，0代表所述待识别的心电图异常，1代表所述待识别的心电图正常。
[0023]可选的，所述利用预设的特征提取模型对所述拼接数据进行特征提取，得到提取出的特征数据，包括：
[0024]利用所述特征提取模型对所述拼接数据进行预设数次的卷积处理；
[0025]利用所述特征提取模型的全连接层对所述卷积处理后的拼接数据进行特征提取，得到所述特征数据。
[0026]为了解决上述问题，本专利技术还提供一种基于心电信号图像分类装置，所述装置包括：
[0027]数据处理模块，用于对待识别的心电图进行预处理，得到心电信号数据，将所述心电信号数据分成12*n的二维数组，所述二维数组包括6*n导联信号的额面数据和6*n导联信号的横面数据；
[0028]数据层融合模块，用于将所述二维数组输入预设的融合模型，对所述额面数据进行处理得到第一心电平面数据，对所述横面数据进行处理得到第二心电平面数据，并将所述第一心电平面数据、所述第二心电平面数据拼接，得到拼接数据；
[0029]特征提取模块，用于利用预设的特征提取模型对所述拼接数据进行特征提取，得到提取出的特征数据；
[0030]分类模块，用于利用预设的分类函数对所述提取出的特征数据进行分类，得到所述待识别的心电图的分类结果。
[0031]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0032]至少一个处理器；以及，
[0033]与所述至少一个处理器通信连接的存储器；其中，
[0034]所述存储器存储有可被所述至少一个处理器执行的一种基于深度学习的心电图分类程序，所述一种基于深度学习的心电图分类程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述一种基于深度学习的心电图分类方法。
[0035]为了解决上述问题，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有一种基于深度学习的心电图分类程序，所述一种基于深度学习的心电图分类程序可被一个或者多个处理器执行，以实现上述一种基于深度学习的心电图分类方法。
[0036]相较现有技术，相对于现有技术中来捕捉不同导联的同步心电信号特征，然后进行融合，最终进行分类。
[0037]而本专利技术是对待识别的心电图进行预处理，得到心电信号数据，将所述心电信号数据分成12*n的二维数组，所述二维数组包括6*n导联信号的额面数据和6*n导联信号的横面数据，再将所述二维数组输入预设的融合模型中，对所述额面数据进行处理，得到第一心电平面数据，及对所述横面数据进行处理，得到第二心电平面数据，并将所述第一心电平面数据、所述第二心电平面数据进行拼接，得到拼接数据，这使得待识别的心电图的特征都融合在一起，方便后续的特征提取，然后，利用预设的特征提取模型对所述拼接数据进行特征提取，得到提取出的特征数据，再利用预设的分类函数对所述提取出的特征数据进行分类，得到所述待识别的心电图的分类结果，可以对提取到的特征数据进行分类。
[0038]因此，本专利技术上述技术方案通过对不同平面收集的心电活动信息分别进行融合，反映了心脏活动原始信息，更有利于接下来的特征提取和分类工作。而且通过卷积神经网络对多导联心电信号进行融合，得到不同平面的融合信号后进特征提取，然后再分类出异常心电信号，在医疗领域中，能够智能的判断心电图是否异常，从而提高心电图的心电信号分类本文档来自技高网...
【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：对待识别的心电图进行预处理，得到心电信号数据，将所述心电信号数据分成12*n的二维数组，所述二维数组包括6*n导联信号的额面数据和6*n导联信号的横面数据；将所述二维数组输入预设的融合模型，对所述额面数据进行处理得到第一心电平面数据，对所述横面数据进行处理得到第二心电平面数据，并将所述第一心电平面数据、所述第二心电平面数据拼接，得到拼接数据；利用预设的特征提取模型对所述拼接数据进行特征提取，得到提取出的特征数据；利用预设的分类函数对所述提取出的特征数据进行分类，得到所述待识别的心电图的分类结果。2.如权利要求1所述的一种基于深度学习的心电图分类方法，其特征在于，所述对待识别的心电图进行预处理，得到心电信号数据，包括：利用预设的第一滤波器对所述待识别的心电图进行去噪处理；利用预设的第二滤波器对所述去噪后的心电图的数据进行降采样处理，得到预设采样率的心电信号数据。3.如权利要求1所述的一种基于深度学习的心电图分类方法，其特征在于，所述对所述额面数据进行处理，得到第一心电平面数据，包括：利用所述融合模型的卷积核对所述额面数据的6*n导联信号进行数据信号融合，得到数据维度为1*n1*a的第一心电平面数据，其中a代表所述卷积核的通道数，n1是经过所述卷积核卷积后得到的数据大小。4.如权利要求1所述的一种基于深度学习的心电图分类方法，其特征在于，所述对所述横面数据进行处理，得到第二心电平面数据，包括：利用所述融合模型的卷积核对所述额面数据的6*n导联信号进行数据信号融合，得到数据维度为1*n1*a的第二心电平面数据，其中，a代表所述卷积核的通道数，n1是经过所述卷积核卷积后得到的数据大小。5.如权利要求1所述的一种基于深度学习的心电图分类方法，其特征在于，所述将所述第一心电平面数据、所述第二心电平面数据拼接，得到拼接数据；包括：将经过所述融合模型模型融合处理后的数据维度为1*n1*a的第一心电平面数据，及数据维度为1*n1*a的第二心电平面数据相连接，得到数据维度为1*n1*2a的拼接数据，其中n1是经过所述融合模型的卷积核卷积后得到的数据大小，a是代表所述卷积核的通道数。6.如权...
【专利技术属性】
技术研发人员：郭维，阮晓雯，吴振宇，
申请(专利权)人：平安科技深圳有限公司，
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。