【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种心电图自动分类方法和装置。
技术介绍
1、心电图(ecg)作为心血管疾病诊断的重要工具，其波形分析对于疾病的早期发现和准确诊断具有重要意义。心电图通过记录心脏电活动的变化，能够反映心脏的功能状态和病理改变。因此，心电图分析在临床医学中占据重要地位，尤其在心血管疾病诊断、治疗效果评估以及病情监测等方面具有广泛的应用价值。
2、然而，传统的心电图分析方法大多依赖于人工解读，即由专业医生或技术人员对心电图波形进行目视分析和判断。这种方法存在诸多局限性。首先，人工解读受主观因素影响较大，不同医生或技术人员可能对同一份心电图波形产生不同的解读结果，导致诊断结果的不一致性。其次，人工解读效率低下，无法满足大规模心电图数据的处理需求。随着医疗技术的不断发展和电子病历的普及，心电图数据量呈现爆炸式增长，传统的人工解读方法已经难以满足实际需求。
3、近年来，随着深度学习技术的快速发展，其在图像识别、语音识别和自然语言处理等领域取得了显著成果。特别是在医学图像处理领域，深度学习技术已经广泛应用于医学影像的自动分析和诊断中。然而，由于心电图波形是一个连续变化的时序信号，现有技术无法有效利用心电图中的信息，效率和准确性不理想。
4、综上，现有技术存在心电图分类效率低、结果准确性低的问题。
技术实现思路
1、本专利技术提供一种心电图自动分类方法和装置，用以解决现有技术中心电图分类效率低、结果准确性低的缺陷，实现效率高、准确性高的心电图自
2、本专利技术提供一种心电图自动分类方法，包括如下步骤：
3、对心电图数据进行预处理，得到预处理结果；
4、将所述预处理结果输入至预先构建的特征提取组合模型中，得到综合特征向量；
5、将所述综合特征向量输入至预先构建的分类模型中，得到目标类别；
6、其中，所述特征提取模型是基于卷积神经网络和长短期记忆网络组合构建得到的；所述分类模型是基于深度神经网络利用海量心脏病预测相关特征进行训练得到的。
7、根据本专利技术提供的一种心电图自动分类方法，所述特征提取组合模型包括第一特征提取模块和第二特征提取模块；
8、相应的，所述将所述预处理结果输入至预先构建的特征提取组合模型中，得到综合特征向量，具体包括：
9、将所述预处理结果输入至预先构建的第一特征提取模块中，得到局部特征；
10、将所述局部特征输入至预先构建的第二特征提取模块中，得到时序特征；
11、将所述局部特征和所述时序特征融合，得到综合特征向量；
12、其中，所述第一特征提取模块是基于卷积神经网络构建得到的；所述第二特征提取模块是基于长短期记忆网络构建得到的。
13、根据本专利技术提供的一种心电图自动分类方法，所述对心电图数据进行预处理，得到预处理结果，具体包括：
14、对所述心电图数据进行小波变换，将所述心电图数据分解为不同频率成分的小波系数，得到分解结果；
15、将所述分解结果中噪声对应的所述小波系数置零，并在置零后进行信号重构，得到预处理结果。
16、根据本专利技术提供的一种心电图自动分类方法，基于深度神经网络利用海量心脏病预测相关特征进行训练得到所述分类模型，具体包括：
17、获取海量心脏病预测相关特征，得到训练数据集；
18、构造针对输入特征，输出心脏病分类结果的初始随机森林模型；
19、从所述训练数据集中随机选择特征子集，在每个决策树节点根据所述心脏病预测相关特征的重要性对所述特征子集进行最优划分，得到整个决策树，进而得到初始随机森林模型；
20、计算每个所述心脏病预测相关特征在所述初始随机森林模型中的整体贡献度，提取所述整体贡献度大于预先设置的重要性阈值的所述心脏病预测相关特征，得到最优特征子集；
21、利用所述最优特征子集对所述初始随机森林模型进行训练，得到训练完毕的分类模型。
22、根据本专利技术提供的一种心电图自动分类方法，所述第一特征提取模块包括卷积层、激活函数和池化层，所述卷积层满足第二预设公式；
23、所述第二特征提取模块包括输入门、遗忘门、输出门和记忆单元，所述遗忘门满足第三预设公式；
24、其中，所述第二预设公式包括：
25、
26、式中，是第l层第j个特征图，是上一层第i个特征图，是卷积核，是偏置项，f是激活函数；
27、所述第三预设公式包括：
28、ft＝σ(wf·[ht-1,xt]+bf)
29、式中，ft是遗忘门的输出，wf是遗忘门的权重矩阵，ht-1是上一时刻的隐藏状态，xt是当前时刻的输入，bf是偏置项，σ是sigmoid激活函数。
30、根据本专利技术提供的一种心电图自动分类方法，所述预处理结果满足第一预设公式；
31、所述第一预设公式包括：
32、
33、其中，xd(t)是预处理结果，ck和分别是近似系数和细节系数，φj,k(t)和ψj,k(t)是对应的尺度函数和小波函数。
34、本专利技术还提供一种心电图自动分类装置，包括如下模块：
35、预处理单元，用于对心电图数据进行预处理，得到预处理结果；
36、特征单元，用于将所述预处理结果输入至预先构建的特征提取组合模型中，得到综合特征向量；
37、分类单元，用于将所述综合特征向量输入至预先构建的分类模型中，得到目标类别；
38、其中，所述特征提取模型是基于卷积神经网络和长短期记忆网络组合构建得到的；所述分类模型是基于深度神经网络利用海量心脏病预测相关特征进行训练得到的。
39、本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述心电图自动分类方法。
40、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述心电图自动分类方法。
41、本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述心电图自动分类方法。
42、本专利技术提供的心电图自动分类方法和装置，通过对心电图数据进行预处理，得到预处理结果；将所述预处理结果输入至预先构建的特征提取组合模型中，得到综合特征向量；将所述综合特征向量输入至预先构建的分类模型中，得到目标类别；其中，所述特征提取模型是基于卷积神经网络和长短期记忆网络组合构建得到的；所述分类模型是基于深度神经网络利用海量心脏病预测相关特征进行训练得到的。本专利技术通过预处理提升特征提取的准确性，通过卷积神经网络和长短期记忆网络进行特征提取，更好地捕捉心电图波形中的时序和形态信息，将深度学习提取的特征与传统心电图特征进行融合，采用训练好的分类模型进行本文档来自技高网...
【技术保护点】
1.一种心电图自动分类方法，其特征在于，包括：
2.根据权利要求1所述的心电图自动分类方法，其特征在于，所述特征提取组合模型包括第一特征提取模块和第二特征提取模块；
3.根据权利要求1所述的心电图自动分类方法，其特征在于，所述对心电图数据进行预处理，得到预处理结果，具体包括：
4.根据权利要求1所述的心电图自动分类方法，其特征在于，基于深度神经网络利用海量心脏病预测相关特征进行训练得到所述分类模型，具体包括：
5.根据权利要求2所述的心电图自动分类方法，其特征在于，所述第一特征提取模块包括卷积层、激活函数和池化层，所述卷积层满足第二预设公式；
6.根据权利要求1或3所述的心电图自动分类方法，其特征在于，所述预处理结果满足第一预设公式；
7.一种心电图自动分类装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述心电图自动分类方法。
9.一种非暂态计算机可读存
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述心电图自动分类方法。
...【技术特征摘要】
1.一种心电图自动分类方法，其特征在于，包括：
2.根据权利要求1所述的心电图自动分类方法，其特征在于，所述特征提取组合模型包括第一特征提取模块和第二特征提取模块；
3.根据权利要求1所述的心电图自动分类方法，其特征在于，所述对心电图数据进行预处理，得到预处理结果，具体包括：
4.根据权利要求1所述的心电图自动分类方法，其特征在于，基于深度神经网络利用海量心脏病预测相关特征进行训练得到所述分类模型，具体包括：
5.根据权利要求2所述的心电图自动分类方法，其特征在于，所述第一特征提取模块包括卷积层、激活函数和池化层，所述卷积层满足第二预设公式；
6.根据权利要求1或...
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。