[发明专利]一种基于深度残差网络的心电图分类方法及系统

权利要求书

1.一种基于深度残差网络的心电图分类方法，其特征在于，包括以下步骤：

S1，样本数据预处理：采集获取预设数量的标注好的心电图数据，预处理后获得作为模型训练输入的心电图样本数据和类别标签；根据心电图样本数据提取关键波形位置获取关键波形标签；将心电图样本数据、类别标签和关键波形标签以及它们之间的对应关系整合为数据集；将数据集按照预设比例划分为训练集和验证集；

S2，构建具有分支的深度残差网络模型：构建基本的深度残差网络，在其主干网络预设位置构建用以重构关键波形位置的分支；分支包括：卷积层和Sigmoid层；具有分支的深度残差网络模型的训练过程中，通过构建的基本的深度残差网络计算出分类损失函数，通过构建的分支计算出波形检测的损失函数，根据计算出的分类损失函数和波形检测的损失函数得出最终的损失函数；

S3，设置批处理数量和初始学习率，通过步骤S1得到的训练集对步骤S2构建的具有分支的深度残差网络模型进行训练；通过步骤S1得到的验证集对训练后的具有分支的深度残差网络模型进行验证，当验证集损失函数达到预设收敛条件则完成训练，获得训练好的具有分支的深度残差网络模型；

S4，将待分类检测的心电图数据输入步骤S3获得的训练好的具有分支的深度残差网络模型，模型输出心电图分类结果；

其中，步骤S1中，关键波形包括P波和R波中的一种或两种；

步骤S2构建的基本的深度残差网络模型中：数据进入模型后，先依次经过卷积层、批归一化层和ReLU激活层；然后分为两部分，一部分直接经过最大池化层进行处理，另一部分依次经过卷积层、批归一化层、ReLU激活层、Dropout层、卷积层和最大池化层进行处理，处理完毕获得的两部分数据加到一起，再依次经过预设数量的卷积块进行处理，处理后的数据再依次经过批处理层、ReLU激活层、全连接层和Softmax层处理后输出；分支的卷积层的输入端与主干网预设位置的卷积块的输出端相连接；

卷积块内的数据流分为两个分支处理；一个分支只经过一个最大池化层处理，另一个分支依次经过预设数量的卷积层、批归一化层、ReLU激活层和Dropout层之后再经过一个最大池化层处理，两个分支处理后的数据再加到一起作为所述卷积块的输出。

2.根据权利要求1所述的一种基于深度残差网络的心电图分类方法，其特征在于，步骤S1中的预处理包括：将采集的心电图数据进行归一化和滤波去噪处理；

具体包括：将采集的心电图数据补齐至统一预定长度进行归一化，然后先后通过低通滤波器和高通滤波器以滤去噪音信号。

3.根据权利要求1所述的一种基于深度残差网络的心电图分类方法，其特征在于，分类损失函数的计算公式为：

式中，S为经过预处理后的心电图序列，Y是类别标签，p()函数是预测当前心电图属于某个类别的概率，N是类别数量，y_i是第i个类别。

4.根据权利要求3所述的一种基于深度残差网络的心电图分类方法，其特征在于，步骤S2中，在构建的基本的深度残差网络的主干网的两个预设位置分别引入一个分支，每个分支后分别连接一个卷积层和Sigmoid层，卷积层的神经元数量设置为2，Sigmoid层输出一个三维的张量（b，f，2），b表示批处理数量，f表示特征的长度，2表示这个张量来预测一个二元组（x，c），x为关键波形顶点的相对位置，c为关键波形的概率。

5.根据权利要求4所述的一种基于深度残差网络的心电图分类方法，其特征在于，波形检测的损失函数的计算公式为：

式中，S为经过预处理后的心电图序列，X表示关键波形位置标签，C表示置信度标签；表示做x相对坐标回归的系数，表示对没有物体的网格计算预测结果的系数，用于控制正例和负例对结果的贡献比例；和分别表示有物体和没有物体时值为1，否则为0；和分别表示预测物体的真实相对位置和真实置信度，和分别表示当前模型预测的物体相对位置和置信度。