[发明专利]基于自动深度卷积学习模型的十二导联心电图的分类方法

权利要求书

1.基于自动深度卷积学习模型的十二导联心电图的分类方法，其特征在于：具体包括如下步骤：

步骤1：对样本心电信号进行去噪处理；并将去噪处理后的心电信号划分成训练集和测试集；

步骤2：构建基于Resnet34的深度卷积学习模型；

步骤3：对心电信号中每类心拍类型标签进行One-Hot编码；

步骤4：采用训练集对步骤3的基于Resnet34的深度卷积学习模型进行训练；训练完成后，保存准确率最高的模型参数和准确率；并采用测试集测试训练后的基于Resnet34的深度卷积学习模型的准确度；

步骤5：将实际的心电信号输入至训练后得到的基于Resnet34的深度卷积学习模型中，得到实际的心电信号的类别。

2.根据权利要求1所述的基于自动深度卷积学习模型的十二导联心电图的分类方法，其特征在于：所述步骤1中采用小波变换的方法对心电信号进行去噪处理。

3.根据权利要求1所述的基于自动深度卷积学习模型的十二导联心电图的分类方法，其特征在于：所述基于Resnet34的深度卷积学习模型包括依次连接的第一卷积层，第一批量归一化层，第一ReLU激活层，最大池化层，第一～第四残差卷积块，平均池化层，全连接层以及Sigmoid激活函数层；

所述第一～第四残差卷积块结构相同，均包括第二卷积层，第二，三批量归一化层，第二，三ReLU激活层，剔除层，第三卷积层和相加模块；所述第二卷积层，第二批量归一化层，第二ReLU激活层，剔除层，第三卷积层以及第三批量归一化层依次连接，所述相加模块的输入与第三批量归一化层的输出以及残差卷积块的输入连接，相加模块的输出与第三ReLU激活层连接。

4.根据权利要求1所述的基于自动深度卷积学习模型的十二导联心电图的分类方法，其特征在于：训练基于Resnet34的深度卷积学习模型使时采用的损失函数为：

其中，loss_crossentropy(x,t)表示损失函数，X表示训练集中心电信号的总个数，C表示类别的总个数，若y_x,t＝1，表示第x个心电信号属于第t个类别，若y_x,t＝0,则表示第x个心电信号不属于第t个类别；p_x,c表示第x个心电信号属于第t个类别的概率。

5.根据权利要求1所述的基于自动深度卷积学习模型的十二导联心电图的分类方法，其特征在于：基于Resnet34的深度卷积学习模型采用H-reg方法进行特征提取优化：

其中，x表示第x个心电信号，表示x服从样本数据集分布，表示二范式的数学期望，n为超参数，表示在学习模型中提取的每个特征值的重要性。

6.根据权利要求1所述的基于自动深度卷积学习模型的十二导联心电图的分类方法，其特征在于：所述步骤4中采用如下公式计算准确率：

其中，F1为准确率，Pre为准确度，Rec为召回率，TP表示训练时深度卷积学习模型的输出为正例而且实际上也是正例的样本心电信号的个数，FP为训练时深度卷积学习模型的输出为正例但实际上是负例的样本心电信号的个数；FN为训练时深度卷积学习模型的输出为负例但实际为正例的样本心电信号的个数。

7.根据权利要求1所述的基于自动深度卷积学习模型的十二导联心电图的分类方法，其特征在于：该方法还包括采用SHAP函数解释每个导联对于学习模型最后输出决策的影响。