[发明专利]一种基于深度学习的强泛化能力的T波形态分类系统

权利要求书

1.一种基于深度学习的强泛化能力的T波形态分类系统，其特征在于，包括：

数据预处理模块，被配置为：获取心电信号数据，并对获取的数据进行预处理；

片段提取模块，被配置为：提取R波波峰位置和T波终点位置，得到包含R波与T波的信号片段；包含R波与T波的信号片段，起点为第i个R波峰的时间与R波峰同R波起点之间的时间差的差值，终点为第i个T波终点的时间与检测值同实际值之间偏差的平均值的加和；

预测概率向量提取模块，被配置为：将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频域预测概率向量；

分类模块，被配置为：将时域和时频域的预测概率向量进行加权融合，根据新得到的向量得到T波形态分类结果；

分别获取时域图像的预测概率向量F1，时频图像的预测概率向量F2，使用加权融合的方式组成新的向量F，将新的特征向量输入全连接层与softmax层，完成T波的分类，其中：

F＝horzat(α*F1,β*F2)

其中，“horzat(·)”为串联矩阵的函数，此处表示将F1和F2两个向量融合运算，α、β分别表示可训练的权重值，α∈[0,1]，β∈[0,1]，且满足公式：

α+β＝1；

第一卷积神经网络和第二卷积神经网络的结构相同，均包括依次设置的输入层、第一卷积层、第一线性整流层、第一最大池化层、第二卷积层、第三卷积层、第二线性整流层、第二最大池化层和输出层。

2.如权利要求1所述的基于深度学习的强泛化能力的T波形态分类系统，其特征在于，

采用0.5Hz～45Hz的巴特沃斯带通滤波器对获取的数据进行滤波预处理。

3.如权利要求1所述的基于深度学习的强泛化能力的T波形态分类系统，其特征在于，

利用拟合抛物线方法提取R波波峰位置。

4.如权利要求1所述的基于深度学习的强泛化能力的T波形态分类系统，其特征在于，

利用改进滑动窗面积法提取T波终点位置。

5.如权利要求1所述的基于深度学习的强泛化能力的T波形态分类系统，其特征在于，

对信号片段进行改进频率切片小波变换，得到候选片段的时频图像。

6.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如下步骤：

获取心电信号数据，并对获取的数据进行预处理；

提取R波波峰位置和T波终点位置，得到包含R波与T波的信号片段；包含R波与T波的信号片段，起点为第i个R波峰的时间与R波峰同R波起点之间的时间差的差值，终点为第i个T波终点的时间与检测值同实际值之间偏差的平均值的加和；

将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频域预测概率向量；

将时域和时频域预测概率向量进行加权融合，根据融合后的向量得到T波形态分类结果；

分别获取时域图像的预测概率向量F1，时频图像的预测概率向量F2，使用加权融合的方式组成新的向量F，将新的特征向量输入全连接层与softmax层，完成T波的分类，其中：

F＝horzat(α*F1,β*F2)

其中，“horzat(·)”为串联矩阵的函数，此处表示将F1和F2两个向量融合运算，α、β分别表示可训练的权重值，α∈[0,1]，β∈[0,1]，且满足公式：

α+β＝1。

7.一种电子设备，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程序，其特征在于，所述处理器执行所述程序时实现如下步骤：

获取心电信号数据，并对获取的数据进行预处理；

提取R波波峰位置和T波终点位置，得到包含R波与T波的信号片段；包含R波与T波的信号片段，起点为第i个R波峰的时间与R波峰同R波起点之间的时间差的差值，终点为第i个T波终点的时间与检测值同实际值之间偏差的平均值的加和；

将信号片段分别转化为时域图像和时频域图像，将时域图像输入到第一卷积神经网络中，得到时域预测概率向量，将时频域图像输入到第二卷积神经网络中，得到时频域预测概率向量；

将时域和时频域预测概率向量进行加权融合，根据融合后的向量得到T波形态分类结果；

分别获取时域图像的预测概率向量F1，时频图像的预测概率向量F2，使用加权融合的方式组成新的向量F，将新的特征向量输入全连接层与softmax层，完成T波的分类，其中：

F＝horzat(α*F1,β*F2)

其中，“horzat(·)”为串联矩阵的函数，此处表示将F1和F2两个向量融合运算，α、β分别表示可训练的权重值，α∈[0,1]，β∈[0,1]，且满足公式：

α+β＝1。