[发明专利]一种心律异常预测方法

权利要求书

1.一种心律异常预测方法，其特征在于，包括以下步骤：

将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量；

将输入向量通过多个RNN模型训练获得多个底层分类器；

采用全连接神经网络融合多个底层分类器预测ECG异常事件。

2.根据权利要求1所述的心律异常预测方法，其特征在于：所述将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量具体为：

采用多个CNN模型提取ECG数据集的空间特征，得到多个相同维数的特征向量；

将多个特征向量在深度方向合并，形成输入向量。

3.根据权利要求2所述的心律异常预测方法，其特征在于：所述CNN模型包括卷积层和池化层，所述卷积层用于提取ECG数据集的空间特征后形成特征图，所述池化层用于对特征图特征选择和信息过滤后生成特征向量。

4.根据权利要求1所述的心律异常预测方法，其特征在于：所述将ECG数据集分别通过多个CNN模型生成多个特征向量，并将多个特征向量堆叠形成输入向量之前包括获取ECG数据集并对其预处理，具体为：

获取医疗心电样本；

对医疗心电样本进行增强操作，并对其竖直翻转后获得ECG数据集。

5.根据权利要求4所述的心律异常预测方法，其特征在于：所述对原始心跳样本的数据进行增强操作包括对医疗心电样本数据进行随机平移或加减。

6.根据权利要求1所述的心律异常预测方法，其特征在于：所述将输入向量通过多个RNN模型训练获得多个底层分类器具体为：

多个RNN模型分别提取输入向量的时序信息，生成多个具有独立预测ECG异常事件的底层分类。

7.根据权利要求1所述的心律异常预测方法，其特征在于：采用全连接神经网络融合多个底层分类器预测ECG异常事件包括以下步骤：

对输入向量进行5折交叉验证，并取其中4折作为训练数据，另外1折作为验证数据；

各底层分类器分别对训练数据训练后获得多个训练模型，各训练模型分别去预测验证数据后获得多组预测矩阵，将多组预测矩阵输入至全连接神经网络。