[发明专利]心搏信号的分类的和用于心搏信号的分类的深度学习模型的训练的方法、设备和介质

权利要求书

1.一种基于深度学习的心搏信号的分类方法，用于电子设备，其特征在于，所述方法包括：

通过卷积神经网络，确定多个连续心搏中的每一个心搏的信号的特征；

通过第一Transformer模型的Encoder模块，根据所述每一个心搏的信号的特征，确定所述多个连续心搏中的心搏的信号之间的关系；

通过全连接神经网络，确定所述多个连续心搏中的每一个心搏的RR间期特征的特征；

通过第二Transformer模型的Encoder模块，根据所述每一个心搏的RR间期特征的特征，确定所述多个连续心搏中的心搏的RR间期特征之间的关系；

通过神经网络的全连接层，根据所述每一个心搏的信号的特征、所述心搏的信号之间的关系、所述每一个心搏的RR间期特征的特征和所述心搏的RR间期特征之间的关系，确定所述多个连续心搏中的每一个心搏的类别。

2.根据权利要求1所述的方法，其特征在于，

所述卷积神经网络包括四组，每组两层，并且包括具有残差结构的一维卷积层；

所述全连接神经网络为三层全连接神经网络；

所述神经网络的全连接层为两层全连接层。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

通过小波变换对所述多个连续心搏的整体信号进行去噪；

对整体信号进行归一化；

降低所述整体信号的采样率；

对所述多个连续心搏的整体信号进行分割，得到所述每一个心搏的信号。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

所述RR间期特征包括RR散点图特征、RR间期值、心率值以及信号的时域特征和频域特征。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

确定心搏的RR散点图，然后确定所述RR散点图的置信椭圆面积、置信距离散度和置信角散度作为所述心搏的所述RR散点图特征；

所述RR间期值包括所述心搏前后第一预定数量的RR间期值；

根据所述心搏周围相邻的第二预定数量的RR间期确定所述心搏的所述心率值；

所述频域特征包括：所述心搏前后预定时间内信号的重心频率、平均频率、均方根频率以及频率标准差；

所述时域特征包括：所述心搏前后预定时间内信号的最大值、最小值、峰值、平均值、方根幅值、方差、标准差、均方根、峭度、偏度、波形因子、峰值因子、脉冲因子、裕度因子、余隙因子。

6.一种用于心搏信号的分类的深度学习模型的训练方法，用于电子设备，其特征在于，所述方法包括：

将不同样例的心搏的信号分别划分为训练集和验证集,并使得相同类别的心搏信号在所述训练集和所述验证集之间均匀分布；

降低所述训练集和所述验证集中正常心搏的信号的占比；

使用所述训练集和所述验证集训练所述深度学习模型。

7.一种基于深度学习的心搏信号的分类设备，其特征在于，所述设备包括存储有计算机可执行指令的存储器和处理器，当所述指令被所述处理器执行时，使得所述设备实施根据权利要求1-5中任一项所述的基于深度学习的心搏信号的分类方法。

8.一种计算机存储介质，其特征在于，在所述计算机存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行根据权利要求1-5中任一项所述的基于深度学习的心搏信号的分类方法。

9.一种用于心搏信号的分类的深度学习模型的训练设备，其特征在于，所述设备包括存储有计算机可执行指令的存储器和处理器，当所述指令被所述处理器执行时，使得所述设备实施根据权利要求6所述的用于心搏信号的分类的深度学习模型的训练。

10.一种计算机存储介质，其特征在于，在所述计算机存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行根据权利要求6所述的用于心搏信号的分类的深度学习模型的训练。