System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及心电信号分类识别,特别涉及基于cnn-lstm模型的心电信号分类方法。
技术介绍
1、心电信号分类一直是心电学领域的研究热点之一。心律失常是一种常见的心脏疾病,其诊断和治疗对于患者的生命健康具有至关重要的意义。因此,开发一种准确、高效的心电信号分类方法具有重要的临床应用价值。
2、现有的心电信号分类识别技术中,专利公开号为cn114451898a的《短时训练卷积神经网络的心电信号分类方法》提供的短时训练卷积神经网络的心电信号分类方法,相比于传统机器学习方法,由于采用卷积神经网络,可有效提高心电图的分类准确度;相比于卷积神经网络由于引入小波分解,提取心电信号的特征系数,降低了心电信号的数据维数,提高了网络的训练速度。
3、由于心电信号实质是一种时间序列信号,其在不同时间点的值之间存在长期依赖性,会对心电信号分类识别的准确性产生影响,然而,上述现有技术并未对心电信号的长期依赖性进行研究,分类识别的准确性较差;此外,在心电信号的分类识别任务中,不同输入特征与分类结果的相关度也是不同的,因此需要找出对分类结构影响更大的输入特征,然而,上述现有技术并未考虑到这一点,分类模型鲁棒性较差。
技术实现思路
1、本专利技术提供了基于cnn-lstm模型的心电信号分类方法,用以解决现有技术中没有比较可靠的针对心电信号分类识别的准确性较差,分类模型鲁棒性较差的问题。
2、一方面,本专利技术提供了基于cnn-lstm模型的心电信号分类方法,包括以下步骤:<
...【技术保护点】
1.基于CNN-LSTM模型的心电信号分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于CNN-LSTM模型的心电信号分类方法,其特征在于,步骤二中,所述建立CNN模型包括:
3.根据权利要求2所述的基于CNN-LSTM模型的心电信号分类方法,其特征在于,步骤二中,所述向所述CNN模型中加入LSTM层和注意力机制,得到CNN-LSTM模型包括:
4.根据权利要求3所述的基于CNN-LSTM模型的心电信号分类方法,其特征在于,步骤三包括:
5.根据权利要求1所述的基于CNN-LSTM模型的心电信号分类方法,其特征在于,步骤一和步骤二之间还包括:对所述心电信号进行去噪处理;
6.根据权利要求5所述的基于CNN-LSTM模型的心电信号分类方法,其特征在于,所述对所述各尺度上的小波系数进行阈值处理包括:
7.根据权利要求1所述的基于CNN-LSTM模型的心电信号分类方法,其特征在于,步骤二之后还包括:采用训练数据集对所述CNN-LSTM模型进行训练;
8.根据权利要求7所述的基于CNN-L
...【技术特征摘要】
1.基于cnn-lstm模型的心电信号分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于cnn-lstm模型的心电信号分类方法,其特征在于,步骤二中,所述建立cnn模型包括:
3.根据权利要求2所述的基于cnn-lstm模型的心电信号分类方法,其特征在于,步骤二中,所述向所述cnn模型中加入lstm层和注意力机制,得到cnn-lstm模型包括:
4.根据权利要求3所述的基于cnn-lstm模型的心电信号分类方法,其特征在于,步骤三包括:
5.根据权利要求1所述的基于cnn-lstm模型的心电信号分类方法,其...
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。