【技术实现步骤摘要】
本专利技术属于生物医学信号处理领域，具体涉及一种使用轻量级bert-tcn神经网络对心电图(ecg)数据进行分析和分类的算法，旨在提高心律失常检测的准确率。
技术介绍
1、目前，计算机辅助的心律失常分类方法有很多。首先是传统的模式识别方法，处理过程主要包括数据预处理、特征提取、心律失常分类。其中特征提取方法主要包括频率分析、小波变换(wavelet trans-form,wt)、主成分分析(principal component analysis，pca)和独立成分分析(independent component analysis,ica)等,而心律失常分类方面,主要包括支持向量机(support vector machine,svm)、决策树(decisiontree,dt)、动态贝叶斯网络(dynamic bayesian network,dbn)和随机森林(random forest,rf)等。虽然这些方法取得了良好的效果，但传统机器学习算法通常需要手动提取特征，这对于心电信号等复杂数据的数据可能会带来挑战，同时在数据分布不平衡的...
【技术保护点】
1.一种基于轻量级BERT-TCN神经网络模型的ECG智能分类算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的ECG智能分类算法，其特征在于，所述带通滤波器和五点平滑滤波算法用于对ECG信号进行去噪处理，能够有效去除高频和低频噪声，以减少噪声对分类结果的干扰和还原心电信号原始数据。
3.根据权利要求1所述的ECG智能分类算法，其特征在于，所述Pan-Tompkins算法通过差分滤波、平方处理和阈值筛选，能够准确定位R波峰和提取RR间期特征，主要提取当前R波峰与前一个周期和后一个周期的距离特征，即前RR间期特征和后RR间期特征。
...【技术特征摘要】
1.一种基于轻量级bert-tcn神经网络模型的ecg智能分类算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的ecg智能分类算法，其特征在于，所述带通滤波器和五点平滑滤波算法用于对ecg信号进行去噪处理，能够有效去除高频和低频噪声，以减少噪声对分类结果的干扰和还原心电信号原始数据。
3.根据权利要求1所述的ecg智能分类算法，其特征在于，所述pan-tompkins算法通过差分滤波、平方处理和阈值筛选，能够准确定位r波峰和提取rr间期特征，主要提取当前r波峰与前一个周期和后一个周期的距离特征，即前rr间期特征和后rr间期特征。
4.根据权利要求1所述的ecg智能分类算法，其特征在于，所述轻量级bert-tcn模型使用较少层数的encoder编码器，确保模型使用了较少的参数量，以提高模型的高效性。
5.根据权利要求1所述的ecg智能分类算法，其特征在于，所述轻量级bert-tcn模型在每一个时序卷积和多头自注意力机制后加上relu激活函数和dropout正则化层，以提高模型的泛化能力和防止过拟合。
<...【专利技术属性】
技术研发人员：李润川，韩新超，夏元清，路世旭，申圣亚，张书钦，王宗敏，杨关，
申请(专利权)人：中原工学院，
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。