基于深度学习的异常心电位置定位与疾病预测分类方法技术

本发明专利技术提供了一种基于深度学习的异常心电位置定位与疾病预测分类方法，属于人工智能与医疗健康交叉技术领域，解决了心电图信号对专业医生手动标注依赖性强、标注成本高、效率低下的技术问题。包括以下步骤：S1：对数据集进行预处理；S2：划分训练集和测试集；S3：针对MIT‑BIH数据构建CNN‑LSTM‑Attention深度学习模型；S4：针对PTB‑XL数据构建多层感知机MLPS模型；S5：采用早停策略避免模型过拟合；S6：将测试集数据输入训练好的深度学习模型中，输出异常心律位置与疾病预测结果。本发明专利技术的有益效果为：通过深度学习结构缓解了心电图依赖人工标注的问题。

【技术实现步骤摘要】

本专利技术属于人工智能与医疗健康，尤其涉及一种基于深度学习的异常心电位置定位与疾病预测分类方法。

技术介绍

1、心血管疾病是全球死亡率最高的疾病类型之一，其早期发现与干预对于降低致残率和死亡率具有重要意义。心电图作为一种非侵入式、成本低、实时性强的诊断工具，广泛应用于临床心律失常、心肌梗死、传导阻滞等疾病的诊断中。随着可穿戴设备和远程医疗的发展，ecg信号采集愈加便捷，心电图的智能分析需求也随之增长。。

2、传统的ecg分析方法依赖医学专家经验，通过人工设定规则、特征提取算法(如rr间期、qrs波宽度)实现异常检测。然而，ecg信号具有如下特点：波形微弱、易受噪声干扰(如肌电、工频干扰、基线漂移)、个体差异大、波形形态复杂，这些因素严重影响了规则方法的准确性与鲁棒性。手工特征提取方法也存在特征依赖强、泛化能力差等局限，难以满足大规模自动化分析需求。

3、目前，大多数心电图异常分类方法通常依赖于特征提取算法进行建模，例如通过rr间期、qrs波宽度实现异常检测，这种方法难以全面捕捉ecg信号中的全局特征和跨导联信息。与一些现有的研究方法本文档来自技高网...

【技术保护点】

1.一种基于深度学习的异常心电位置定位与疾病预测分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的异常心电位置定位与疾病预测分类方法，其特征在于，所述步骤1.1中包括以下步骤：

3.根据权利要求1所述的基于深度学习的异常心电位置定位与疾病预测分类方法，其特征在于，所述步骤1.3中包括以下步骤：

4.根据权利要求1所述的基于深度学习的异常心电位置定位与疾病预测分类方法，其特征在于，所述步骤1.4中包括以下步骤：

5.根据权利要求1所述的基于深度学习的异常心电位置定位与疾病预测分类方法，其特征在于，所述步骤1.5中包括...

【技术特征摘要】

1.一种基于深度学习的异常心电位置定位与疾病预测分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习的异常心电位置定位与疾病预测分类方法，其特征在于，所述步骤1.1中包括以下步骤：

3.根据权利要求1所述的基于深度学习的异常心电位置定位与疾病预测分类方法，其特征在于，所述步骤1.3中包括以下步骤：

4.根据权...

【专利技术属性】
技术研发人员：鞠小林，周鑫，陆公正，高瞻，邵浩然，
申请(专利权)人：南通大学，
类型：发明
国别省市：