[发明专利]用于心律失常分类的深度模型、利用该模型的方法及装置

权利要求书

1.一种用于心律失常分类的深度模型，其包括：表征学习部分和序列学习部分；

表征学习部分用于接收由原始心电信号解析的等长序列；表征学习部分基于MSCNN结构进行构建，由两个不同尺度堆叠的卷积块支路构成；支路一卷积核尺度较大，用以捕获心电信号的低频信息，以多尺度特征输出；支路二卷积核尺度较小，用以捕获心电信号的高频信息，以多尺度特征输出；支路一输出的多尺度特征和支路二输出的多尺度特征进行拼接，形成多尺度深度特征，用于输入到序列学习部分；

序列学习部分基于以LSTM为基本单元的Seq-Seq网络进行构建，所述Seq-Seq网络在其编码器和解码器之间设置有注意力机制层；其输出为时序深度特征；

所述支路一、支路二分别由顺序连接的卷积感知层、第一池化层、Dropout层、三个连续堆叠的深度可分离卷积层、第二Dropout层、第二池化层、展平层组成；

所述支路一、支路二的第一池化层、Dropout层、三个连续堆叠的深度可分离卷积层、第二Dropout层、第二池化层、展平层相同；

所述支路一的卷积感知层的输入卷积核尺寸为5×1，通道数为32，跨越步长为3；

所述支路二的卷积感知层的输入卷积核尺寸为3×1，通道数为32，跨越步长为3；

所述支路一、支路二的三个连续堆叠的深度可分离卷积层的卷积核尺寸为3×1，通道数依次为64，128和256，步长均为1；

所述的以LSTM为基本单元的Seq-Seq网络为以Bi-LSTM为基本单元的Seq-Seq网络；

Bi-LSTM基本单元包括输入层、前向传播层、后向传播层；前向传播层及后向传播层分别向注意力机制层传递信息流；注意力机制层向解码器传递信息流。

2.一种利用权利要求1所述的深度模型的方法，其包括：

将原始心电信号解析为以R峰点为中心点切割成的等长序列后输入所述深度模型的表征学习部分；

所述深度模型的表征学习部分根据所接收的等长序列，输出所述多尺度深度特征至所述深度模型的序列学习部分；所述深度模型的序列学习部分根据所输入的所述多尺度深度特征，得到时序深度特征；

通过SoftMax根据所述时序深度特征计算各心律失常分类的概率。

3.根据权利要求2所述的方法，其特征在于：

将原始心电信号解析为以R峰点为中心点切割成等长序列后，进行数据增强和数据平衡，然后输入所述深度模型的表征学习部分。

4.一种用于心律失常分类的装置，其包括：深度模型单元、心电信号解析单元、分类概率计算单元；

深度模型单元通过计算设备实现，其被配置为包括权利要求1所述的深度模型；

心电信号解析单元通过计算设备实现，其被配置用于将原始心电信号解析为以R峰点为中心点切割成的等长序列；该等长序列作为深度模型单元的深度模型的输入；

分类概率计算单元通过计算设备实现，其被配置通过SoftMax根据深度模型单元的深度模型的输出的时序深度特征计算各种心律失常类型的概率。

5.根据权利要求4所述的用于心律失常分类的装置，其特征在于：

心电信号解析单元将原始心电信号解析为以R峰点为中心点切割成等长序列后，进行数据增强和数据平衡，然后输入所述深度模型的表征学习部分。