[发明专利]一种基于卷积神经网络的心电分类方法

说明书

本发明涉及心电信号处理技术领域，具体涉及一种基于卷积神经网络的心电分类方法。包括：S1、采集心电信号训练数据，并分别附上标签进行数据预处理；S2、将预处理后的训练数据进行数据增强；S3、构建卷积神经网络模型，利用增强后的训练数据对卷积神经网络模型进行训练，得到训练模型；S4、获取目标心电信号，将目标心电信号输入训练模型进行计算，输出概率值；S5、根据输出的概率值进行正负例判断，得出分类判断结果。本发明可以有效提高心电诊断的效率和准确率，且提供的训练模型可以涵盖各种复杂心电特征，便于进行数据的迁移学习。

技术领域

本发明涉及心电信号处理技术领域，具体涉及一种基于卷积神经网络的心电分类方法。

背景技术

心电图检查是医院的常规检查项目，心电图是医生判断病人心脏状况的最基本依据，心电图信号是由心脏活动引起的非平稳周期性生物信号转换成的电信号，蕴含大量复杂的心脏活动信息。当前心电诊断领域还存在着一些问题：1、诊断大夫的培养周期长、成本高，目前高端人才的缺口还很大；2、大夫个人主观性差别很大，很难做到诊断标准完全统一；3、大夫仅凭肉眼观察，很多底层信息不可见，信息利用率低；4、相似疾病太多，看图过程中存在大量重复性劳动；5、大夫看图耗时很长，至少几分钟到数小时不等。针对这些问题，现行的解决办法有传统的数字信号处理方法和利用机器学习模型或统计学习模型处理方法。

利用传统的数字信号处理方法，针对某种特定疾病心电图，先手动提取特征，然后根据阈值做判断，该方法需要有大量的医学和信号处理经验，而且不具有通用性，在换了疾病之后，很难再有较高的准确率，甚至根本不能工作。利用机器学习模型或统计学习模型，在一定程度上，实现了自动化，也具备了一定的通用性，比第一类方法，在准确率上也有极大的提高，但是模型依然存在表达能力不足的问题，不能涵盖各种复杂的情况，而且很难进行迁移学习。

发明内容

针对现有技术存在的不足，本发明提供了一种基于卷积神经网络的心电分类方法，其应用时，可以有效提高心电诊断的效率和准确率，且提供的训练模型可以涵盖各种复杂心电特征，便于进行数据的迁移学习。

本发明所采用的技术方案为：

一种基于卷积神经网络的心电分类方法，包括以下步骤：

S1、采集心电信号训练数据，并分别附上标签进行数据预处理；

S2、将预处理后的训练数据进行数据增强；

S3、构建卷积神经网络模型，利用增强后的训练数据对卷积神经网络模型进行训练，得到训练模型；

S4、获取目标心电信号，将目标心电信号输入训练模型进行计算，输出概率值；

S5、根据输出的概率值进行正负例判断，得出分类判断结果。

作为上述技术方案的优选，在步骤S1中，采集的心电信号训练数据包含集至少600个病例数据，每个病例数据有5000个时间步和12个通道。

作为上述技术方案的优选，在步骤S1中，对训练数据进行数据预处理的步骤包括：

S11、读取所有通道心电信号训练数据；

S12、构建多通道数据矩阵：将读取的多通道心电数据按照[time_step,channel]的矩阵形式排布，其中，time_step为时间步，也就是按照时间顺序的采样点数，channel为通道数；

S13、对数据矩阵进行数据归一化处理：在特征维度上，每个特征值都减去该时间步下所有特征的均值，然后再除以该时间步下所有特征的标准差；

S14、将归一化处理后的数据对应标签进行0-1编码：正例为1，负例为0。

作为上述技术方案的优选，在步骤S23中，对数据矩阵进行数据归一化处理的公式为：