【技术实现步骤摘要】
本申请涉及心电信号异常检测，具体涉及一种基于神经网络对心电信号分类的训练方法、系统及介质。
技术介绍
1、心电图具有非植入低成本的特点，是临床上诊断心脏疾病最常用的手段之一。随着深度学习快速发展，基于深度学习的心电图诊断算法已经具备了很高的准确性。现有的心电图检测流程包括由一个基于单片机或者嵌入式设备的仪器进行信号采集，然后将采集的信号发送到上位机，上位机通过神经网络对检测到的心电图分类，判断异常心电状况。
2、然而，在临床实际中，数据采集端需要将心电图数据传输到上位机之后才能得到诊断结论，增加了系统的复杂程度。深度学习无法部署在采集端的原因在于，神经网络在深度学习过程中需要大量的数据样本，还需要大量的计算资源和存储资源，这些资源都是采集端欠缺的，这使得深度学习分类算法难以嵌入到采集端，以达到简化系统的目的。
技术实现思路
1、为了解决上述技术问题，本申请提供如下技术方案：
2、一方面，本申请提供了一种基于神经网络对心电信号分类的训练方法，包括：
3、获取心电信号，并通过人工诊断得到诊断结论；
4、将心电信号构成的特征集作为输入，诊断结论作为标签，训练深度学习网络框架；
5、随机抽取心电信号上m个位置构建特征空间，心电信号在特征空间位置上的信号构成特征集；
6、将特征空间位置上信号构成的特征集输入训练后的深度学习网络框架进行判断，得到预测结果；
7、根据预测结果与人工诊断的实际结果，计算各抽取位置对
8、选取分类准确性的贡献度最大的m个位置构建新的特征空间，将心电信号在新的特征空间位置上的信号所构成的特征集作为输入，诊断结论作为标签，重新训练深度学习网络框架；
9、得到重新训练后的深度学习网络框架。
10、在其中一种实施方式中，获取心电信号，并通过人工诊断得到诊断结论之后，其步骤还包括：
11、将心电信号整形编码，整形编码后的心电信号的长度为n，n>m；
12、将整形编码后的心电信号压缩至长度为m的特征集。
13、在其中一种实施方式中，将心电信号整形编码，包括：
14、将心电信号扩大整形；
15、对整形后的心电信号进行16进制编码。
16、在其中一种实施方式中，根据预测结果与人工诊断的实际结果，计算各抽取位置上的信号对分类准确性的贡献度，包括：
17、利用下列公式得到第m个位置对分类准确性的贡献度
18、
19、其中，s代表所有抽到了第m个位置时的特征集合，|s|表示符合条件的s的个数，k与信号原长度n和压缩后的长度m有关，k＝n*m，v(s)表示s作为特征集合的准确率，v(s-{m}+1)表示在与s位置选取相同的位置，但只有m位置被替换成了其他的一个位置时的集合作为输入时得到的准确率。
20、在其中一种实施方式中，诊断结论作为标签，包括：
21、在诊断结论为心电信号正常的情况下，标签向量为y1；
22、在诊断结论为a类心律失常的情况下，标签向量为y2；
23、在诊断结论为b类心律失常的情况下，标签向量为y3。
24、在其中一种实施方式中，深度学习网络框架包括：第一卷积层，第一池化层，第二卷积层，第二池化层，第三卷积层，第三池化层，第四卷积层，第四池化层，双向长短期记忆网络层(lstm层)，第一全连接层，第二全连接层。
25、另一方面，本申请还提供了一种基于神经网络对心电信号分类的系统，系统用于实现上述实施例中提供的基于神经网络心电信号分类的训练方法的步骤，包括：
26、信号处理模块，用于获取心电信号，并处理通过人工诊断得到诊断结论；
27、特征集构建模块，特征集构建模块用于构建特征集；
28、深度学习网络框架模块，用于根据特征集作为输入进行判断，得到预测结果；
29、模型训练模块，用于根据特征集作为输入，诊断结论作为标签，训练深度学习网络框架模块；
30、计算模块，用以计算心电信号上各抽取位置对分类准确性的贡献度；
31、其中，构建的特征集，包括：
32、将获取的心电信号构成的特征集；
33、随机抽取心电信号上m个位置构建特征空间，特征空间位置上的信号构成的特征集；
34、选取分类准确性的贡献度最大的m个位置构建新的特征空间，新的特征空间位置上信号构成的特征集。
35、又一方面，本申请还提供了一种心电信号采集设备，包括存储器、处理器，处理器用于执行存储器中存储的计算机管理类程序时实现上述实施例中提供的基于神经网络对心电信号分类的训练方法的步骤。
36、再一方面，本申请还提供了基于上述实施例中提供的心电信号采集设备的心电信号自动分类方法，其步骤包括：
37、采集心电信号；
38、选取采集的心电信号在新的特征空间位置上的信号构成的特征集；
39、特征集作为输入重新训练后的深度学习网络框架进行判断；
40、得到心电信号对应的类型。
41、再一方面，本申请还提供了一种介质，其上存储有计算机管理类程序，计算机管理类程序被处理器执行时实现上述实施例中提供的基于神经网络对心电信号分类的训练方法的步骤。
42、本申请至少具有以下有益效果：
43、在本申请中，根据得到心电信号各抽取位置上对分类准确性的贡献度不同，选取心电信号上贡献度最大的多个位置上的信号训练的深度学习网络框架，使得对深度学习网络框架的训练过程针对性更强，有效减少训练所需的数据样本数量，进而缩减所需的计算资源和存储资源。上述的训练方法便于将深度学习网络框架嵌入至心电信号采集设备，在心电信号采集设备能够判断异常心电状况，简化系统的同时提高检测结果的时效性。
本文档来自技高网...【技术保护点】
1.一种基于神经网络对心电信号分类的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，所述获取心电信号，并通过人工诊断得到诊断结论之后，其步骤还包括：
3.根据权利要求2所述的训练方法，其特征在于，所述将心电信号整形编码，包括：
4.根据权利要求1-3中任一项所述的训练方法，其特征在于，所述根据所述预测结果与人工诊断的实际结果，计算各抽取位置上的信号对分类准确性的贡献度，包括：
5.根据权利要求1-3中任一项所述的训练方法，其特征在于，所述诊断结论作为标签，包括：
6.根据权利要求1-3中任一项所述的训练方法，其特征在于，所述深度学习网络框架包括：第一卷积层，第一池化层，第二卷积层，第二池化层，第三卷积层，第三池化层，第四卷积层，第四池化层，双向长短期记忆网络层(LSTM层)，第一全连接层，第二全连接层。
7.一种基于神经网络对心电信号分类的系统，其特征在于，所述系统用于实现如权利要求1-6任一项所述的基于神经网络对心电信号分类的训练方法的步骤，包括：
8.一种心电信号采
9.基于如权利要求8中所述的心电信号采集设备的心电信号自动分类方法，其特征在于，步骤包括：
10.一种介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-6任一项所述的基于神经网络对心电信号分类的训练方法的步骤。
...【技术特征摘要】
1.一种基于神经网络对心电信号分类的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，所述获取心电信号，并通过人工诊断得到诊断结论之后，其步骤还包括：
3.根据权利要求2所述的训练方法，其特征在于，所述将心电信号整形编码，包括：
4.根据权利要求1-3中任一项所述的训练方法，其特征在于，所述根据所述预测结果与人工诊断的实际结果，计算各抽取位置上的信号对分类准确性的贡献度，包括：
5.根据权利要求1-3中任一项所述的训练方法，其特征在于，所述诊断结论作为标签，包括：
6.根据权利要求1-3中任一项所述的训练方法，其特征在于，所述深度学习网络框架包括：第一卷积层，第一池化层，第二卷积层，第二池化层，第三卷积层，第三池化层，第四卷积层...
【专利技术属性】
技术研发人员：朱俊江，姚蔚菁，
申请(专利权)人：上海数创医疗科技有限公司，
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。