【技术实现步骤摘要】
本专利技术涉及医学信号处理，特别涉及一种针对长程心电信号的心律失常多分类模型。
技术介绍
1、心血管疾病是全球范围威胁人类健康的主要疾病之一，心律失常具有一过性和偶发性，不易被察觉并且难以被检测。绝大多数的心律失常可以通过长程连续心电监测得到明确诊断，进而对可能导致严重后果的病因进行早期干预。通过监测获取的长程心电信号可通过回溯，捕获异常心拍，避免漏检偶发性或阵发性心律失常。因此，通过对长程海量心电信号进行连续监测和自动分析，及时快速地检出心律失常，并对心律失常类型进行识别分类，对协助医生提高工作效率，提升识别检测准度，帮助病人自我健康管理意义重大。
2、使用深度学习模型帮助医生做出医疗决策的技术已不少见。然而，深度神经网络具有高度非线性的复杂结构，本质上可以将其视为一个黑箱模型，这种不透明建模技术的可解释性较差，现有的技术无法得到医学专家信任，限制了它的应用。
技术实现思路
1、专利技术目的：针对以上问题，本专利技术目的是提供一种针对长程心电信号的心律失常多分类模型，可将检测获取的心电信号分为正常、房颤、早搏和其他异常四种类型，并且可以输出异常心电信号的时间段信息，便于医生定位到异常信号进行确认。
2、技术方案：本专利技术的一种针对长程心电信号的心律失常多分类模型，包括：数据处理模块、深度神经网络模块、自动编码器模块和集成模块；
3、数据处理模块用于读取心电信号数据的特征值和标签值，将特征值和标签值对应打包成数据组，数据组用于分别输入至深度神经
4、深度神经网络模块和自动编码器模块均用于获取长程心电信号的诊断结果；
5、集成模块用于对深度神经网络模块和自动编码器模块的诊断结果进行比较，运用投票法选择获得最高投票数的类别作为最终的诊断结果。
6、进一步，将数据处理模块中的数据组分成训练集和验证集，通过样本大小对数据组进行排序，并在深度神经网络模块和自动编码器模块的训练期间分批生成数据加入至训练集。
7、进一步，深度神经网络模块包括33个卷积层，分别为批归一化层、激活函数层、dropout层、最大池化层以及lstm层。
8、进一步，自动编码器模块包括编码器和解码器，编码器与解码器对称，均包含多个由神经元组成的隐藏层。
9、进一步，诊断结果为正常、房颤、早搏或其他异常，当诊断结果为异常时，集成模块的输出还包括异常信号的时间信息。
10、有益效果：本专利技术与现有技术相比，其显著优点是：
11、本专利技术实现对长程心电信号的自动分析，基于心律失常患者心电图数据，经过数据处理模块进行预处理后，利用建立的深度神经网络模块和自动编码器模块将心电图数据进行分类，分为正常、房颤、早搏或其他异常四类，然后利用集成模块使用的投票法将两个模块的分类结果进行对比，得到最终的分类诊断结果；当诊断结果为异常时，可同时输出异常信号的时间信息，具有一定的噪声鲁棒性和可解释性，为医生提供诊断参照和诊断依据。
本文档来自技高网...【技术保护点】
1.一种针对长程心电信号的心律失常多分类模型，其特征在于，包括：数据处理模块、深度神经网络模块、自动编码器模块和集成模块；
2.根据权利要求1所述的针对长程心电信号的心律失常多分类模型，其特征在于，将数据处理模块中的数据组分成训练集和验证集，通过样本大小对数据组进行排序，并在深度神经网络模块和自动编码器模块的训练期间分批生成数据加入至训练集。
3.根据权利要求1所述的针对长程心电信号的心律失常多分类模型，其特征在于，深度神经网络模块包括33个卷积层，分别为批归一化层、激活函数层、Dropout层、最大池化层以及LSTM层。
4.根据权利要求1所述的针对长程心电信号的心律失常多分类模型，其特征在于，自动编码器模块包括编码器和解码器，编码器与解码器对称，均包含多个由神经元组成的隐藏层。
5.根据权利要求1所述的针对长程心电信号的心律失常多分类模型，其特征在于，诊断结果为正常、房颤、早搏或其他异常，当诊断结果为异常时，集成模块的输出还包括异常信号的时间信息。
【技术特征摘要】
1.一种针对长程心电信号的心律失常多分类模型，其特征在于，包括：数据处理模块、深度神经网络模块、自动编码器模块和集成模块；
2.根据权利要求1所述的针对长程心电信号的心律失常多分类模型，其特征在于，将数据处理模块中的数据组分成训练集和验证集，通过样本大小对数据组进行排序，并在深度神经网络模块和自动编码器模块的训练期间分批生成数据加入至训练集。
3.根据权利要求1所述的针对长程心电信号的心律失常多分类模型，其特征在于，深度神经网络...
【专利技术属性】
技术研发人员：李钰雯，夏成璐，曾茜娴，高灿，张益铭，
申请(专利权)人：东南大学，
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。