[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

说明书

本发明涉及心电检测技术领域，特别涉及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。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，根据每一个心搏的信号的特征，确定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，根据每一个心搏的RR间期特征的特征，确定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，根据每一个心搏的信号的特征、心搏的信号之间的关系、每一个心搏的RR间期特征的特征和心搏的RR间期特征之间的关系，确定每一个心搏的类别。

技术领域

本发明涉及心电检测技术领域，特别涉及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。

背景技术

目前针对Holter(动态心电图)长时长的信号的分类，相关研究主要以MIT_BIH_Arrhythmia数据集为主，使用的方法从CNN(Convolutional Neural Networks，卷积神经网络),BiLSTM(Bi-directional Long Short-Term Memory，双向长短期记忆),seq2seq(序列到序列),wavelet transform(小波变换)都有。虽然方法众多，而且结果都很高，准确率(acc)指标99％。但是在数据处理上都基本一致，都是根据R波，找出单个心搏，然后对单个心搏或者连续多个心搏进行分类。然而目前的方法中，在训练和验证都是根据心搏信号来进行区分，而不是根据样例(人)来区分。导致同一个人的心搏可能同时出现在训练集和验证集。在将上述MIT_BIH_Arrhythmia数据按照人来划分训练集和验证集的情况下，上述使用CNN和seq2seq的方法的验证指标出现大幅度降低。所以，因为数据集处理的问题，目前的方法缺乏实用性。

发明内容

本发明的目的在于提供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。可以考虑到心搏本身的特征以及时序上之前和之后心搏特征对这个心搏的影响，同时考虑了局部和全局的特征。提高了分类的准确率。

本发明的实施方式公开了一种基于深度学习的心搏信号的分类方法，用于电子设备，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。

可选地，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。

可选地，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。