一种基于深度学习的心电信号分类方法、装置及存储介质制造方法及图纸

本发明专利技术涉及一种基于深度学习的心电信号分类方法、装置及计算机可读存储介质，所述方法包括以下步骤：采集原始心电信号，对所述原始心电信号进行R波检测，得到R点坐标，根据所述R点坐标图及原始心电信号中的总心拍数将所述原始心电信号分段，得到心电信号数据段，根据所述心电信号数据段形成数据集；构建神经网络模型，利用所述数据集对神经网络模型进行训练，得到用于心电信号分类的神经网络模型；重新采集原始心电信号，对所述用于心电信号分类的神经网络模型对该原始心电信号进行分类，得到原始心电信号的类型。本发明专利技术提供的基于深度学习的心电信号分类方法提高了心电信号的分类精度。

【技术实现步骤摘要】
一种基于深度学习的心电信号分类方法、装置及存储介质
本专利技术涉及心电信号分类
，尤其涉及一种基于深度学习的心电信号分类方法、装置及计算机可读存储介质。
技术介绍
目前深度学习以辅助诊断的形式广泛应用于医疗领域，对于心电信号的分类，深度学习方法相较于传统的信号处理方法具有速度更快，精度更高的优点，心电信号的分类可以为医生的诊断提供参考，在大量的待诊断数据面前，辅助诊断可以减小医生的工作量。目前对心电信号的分类方法，主要包含有传统的信号处理方法和深度学习方法。传统的数字信号处理方法对心电信号数据进行分类，需要设定参数、阈值等对信号手动提取特征，由于参数、阈值等具有实际的物理意义，因此这种分类方法的可解释性强，但是由于参数、阈值等数值固定，而原始的信号往往具有基线漂移、噪声等干扰，人工提取特征方法的鲁棒性差，因此识别效果远低于深度学习方法。现有的深度学习方法不仅会大量增加无用信息到数据中，分散神经网络对数据中关键部分的注意力，而且还会增加数据集的大小进而减慢训练速度，还会丢失原始数据中的重要特征，降低神经网络的识别精度，使得心电信号的分类精度较低。
技术实现思路
有鉴于此，有必要提供了一种基于深度学习的心电信号分类方法、装置及计算机可读存储介质，用以解决现有技术中心电信号的分类精度较低的问题。本专利技术提供了一种基于深度学习的心电信号分类方法，包括以下步骤：采集原始心电信号，对所述原始心电信号进行R波检测，得到R点坐标，根据所述R点坐标图及原始心电信号中的总心拍数将所述原始心电信号分段，得到心电信号数据段，根据所述心电信号数据段形成数据集；构建神经网络模型，利用所述数据集对神经网络模型进行训练，得到用于心电信号分类的神经网络模型；重新采集原始心电信号，对所述用于心电信号分类的神经网络模型对该原始心电信号进行分类，得到原始心电信号的类型。进一步地，根据所述R点坐标及原始心电信号中的总心拍数将所述原始心电信号分段，得到心电信号数据段，具体包括：在相邻两个R点坐标之间将所述原始心电信号分段，得到N段心电信号数据段，其中，N为S/T向上取整，S为原始心电信号中的总心拍数，T为心电信号数据段中的心拍数量。进一步地，根据所述心电信号数据段形成数据集，具体包括：获取所有心电信号数据段中的最大数据长度，将数据长度不为最大数据长度的心电信号数据段编码补零至最大数据长度，根据编码补零后的心电信号数据段编码和未编码补零的心电信号数据段形成数据集。进一步地，根据编码补零后的心电信号数据段和未编码补零的心电信号数据段形成数据集，具体包括：以心电类型作为标签，以是否含有疾病特征作为编码补零后的心电信号数据段和未编码补零的心电信号数据段的标记，以最大数据长度作为特征，以编码补零后的心电信号数据段和未编码补零的心电信号数据段作为数据集中的数据，形成数据集。进一步地，构建神经网络模型，具体包括：将编码补零后的心电信号数据段和未编码补零的心电信号数据段作为输入通过主干网络进行特征提取，在一维卷积网络Res-Net的特征模块上增加特征注意力结构，以最大数据长度作为全连接层的节点数，将最大数据长度与主干网络提取的特征进行维度融合，融合特征通过Softmax层分类，构建神经网络模型。进一步地，将编码补零后的心电信号数据段和未编码补零的心电信号数据段作为输入通过主干网络进行特征提取，具体包括：卷积模块将输入分为两个通道提取特征，一个通道通过一维卷积层和批归一层增加特征图维度，另一个通道通过两次卷积-批归一化-激活层在不改变维度的情况下提取特征，再经过一次卷积-批归一化提升特征图维度；两个通道的维度相同，将两个通道特征图结果进行相加后通过ReLu激活层得到卷积模块的结果。进一步地，所述特征注意力结构具体为，输入与下通道的跳跃连接，下通道的前半部分通过两次卷积、批归一化、激活层与一次卷积、批归一化层提取特征，该特征的形状与主干网络的输入相同。进一步地，利用所述数据集对神经网络模型进行训练，具体包括：将数据集随机打乱，并划分成训练验证集和测试集，使用交叉验证将训练验证集划分为训练集和验证集，利用训练集和测试集进行迭代训练，并利用验证集进行验证。本专利技术还提供了一种基于深度学习的心电信号分类装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的基于深度学习的心电信号分类方法。本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的基于深度学习的心电信号分类方法。与现有技术相比，本专利技术的有益效果包括：通过采集原始心电信号，对所述原始心电信号进行R波检测，得到R点坐标，根据所述R点坐标图及原始心电信号中的总心拍数将所述原始心电信号分段，得到心电信号数据段，根据所述心电信号数据段形成数据集；构建神经网络模型，利用所述数据集对神经网络模型进行训练，得到用于心电信号分类的神经网络模型；重新采集原始心电信号，对所述用于心电信号分类的神经网络模型对该原始心电信号进行分类，得到原始心电信号的类型；提高了心电信号的分类精度。附图说明图1为本专利技术提供的基于深度学习的心电信号分类方法的流程示意图；图2为本专利技术提供的原始心电信号分段的示意图；图3为本专利技术提供的神经网络的结构示意图；图4为本专利技术提供的卷积模块的结构示意图；图5为本专利技术提供的特征注意力模块的结构示意图。具体实施方式下面结合附图来具体描述本专利技术的优选实施例，其中，附图构成本申请一部分，并与本专利技术的实施例一起用于阐释本专利技术的原理，并非用于限定本专利技术的范围。实施例1本专利技术实施例提供了一种基于深度学习的心电信号分类方法，其流程示意图，如图1所示，所述方法包括以下步骤：S1、采集原始心电信号，对所述原始心电信号进行R波检测，得到R点坐标，根据所述R点坐标图及原始心电信号中的总心拍数将所述原始心电信号分段，得到心电信号数据段，根据所述心电信号数据段形成数据集；S2、构建神经网络模型，利用所述数据集对神经网络模型进行训练，得到用于心电信号分类的神经网络模型；S3、重新采集原始心电信号，对所述用于心电信号分类的神经网络模型对该原始心电信号进行分类，得到原始心电信号的类型。本专利技术技术方案通过采集原始心电信号，对所述原始心电信号进行R波检测，得到R点坐标，根据所述R点坐标图及原始心电信号中的总心拍数将所述原始心电信号分段，得到心电信号数据段，根据所述心电信号数据段形成数据集，以此数据集训练得到的神经网络模型可以提高对心电信号的识别精度，即可以提高心电信号的分类精度。需要说明的是，每一条原始心电信号都有它的标签，例如对于标签为疾病A的心电信号数据，如果此数据段含有疾病A的特征，则标记为1，如果没有，则标记为0；此时每一条心电信号数据都可以形成与本文档来自技高网...

【技术保护点】
1.一种基于深度学习的心电信号分类方法，其特征在于，包括以下步骤：/n采集原始心电信号，对所述原始心电信号进行R波检测，得到R点坐标，根据所述R点坐标图及原始心电信号中的总心拍数将所述原始心电信号分段，得到心电信号数据段，根据所述心电信号数据段形成数据集；/n构建神经网络模型，利用所述数据集对神经网络模型进行训练，得到用于心电信号分类的神经网络模型；/n重新采集原始心电信号，对所述用于心电信号分类的神经网络模型对该原始心电信号进行分类，得到原始心电信号的类型。/n

【技术特征摘要】
1.一种基于深度学习的心电信号分类方法，其特征在于，包括以下步骤：
采集原始心电信号，对所述原始心电信号进行R波检测，得到R点坐标，根据所述R点坐标图及原始心电信号中的总心拍数将所述原始心电信号分段，得到心电信号数据段，根据所述心电信号数据段形成数据集；
构建神经网络模型，利用所述数据集对神经网络模型进行训练，得到用于心电信号分类的神经网络模型；
重新采集原始心电信号，对所述用于心电信号分类的神经网络模型对该原始心电信号进行分类，得到原始心电信号的类型。


2.根据权利要求1的基于深度学习的心电信号分类方法，其特征在于，根据所述R点坐标及原始心电信号中的总心拍数将所述原始心电信号分段，得到心电信号数据段，具体包括：
在相邻两个R点坐标之间将所述原始心电信号分段，得到N段心电信号数据段，其中，N为S/T向上取整，S为原始心电信号中的总心拍数，T为心电信号数据段中的心拍数量。


3.根据权利要求2的基于深度学习的心电信号分类方法，其特征在于，根据所述心电信号数据段形成数据集，具体包括：
获取所有心电信号数据段中的最大数据长度，将数据长度不为最大数据长度的心电信号数据段编码补零至最大数据长度，根据编码补零后的心电信号数据段编码和未编码补零的心电信号数据段形成数据集。


4.根据权利要求3的基于深度学习的心电信号分类方法，其特征在于，根据编码补零后的心电信号数据段和未编码补零的心电信号数据段形成数据集，具体包括：
以心电类型作为标签，以是否含有疾病特征作为编码补零后的心电信号数据段和未编码补零的心电信号数据段的标记，以最大数据长度作为特征，以编码补零后的心电信号数据段和未编码补零的心电信号数据段作为数据集中的数据，形成数据集。


5.根据权利要求4的基于深度学习的心电信号分类方法，其特征在于，构建神经网络模型，具体包括：
将编码补零后的心电信...

【专利技术属性】
技术研发人员：方全，
申请(专利权)人：武汉中旗生物医疗电子有限公司，
类型：发明
国别省市：湖北;42