[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

说明书

本发明提供一种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，具体为：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。本发明提高了分类的精度，并且增加了模型的可解释性。

技术领域

本发明属于时序分类技术领域。

背景技术

目前，心电图是检测心脏问题最广泛使用的方法。标准心电图有12个导联，包括6个肢体导联(I、II、III、aVR、aVL、aVF)和6个胸部导联(V1、V2、V3、V4、V5、V6)由体表电极记录。基于心电图的检测为医生的判断提供了重要的帮助，因此，具有高精确度的心电图检测系统具有广泛的应用价值。

目前对于心跳的研究方面，第一种是基于机器学习的经典特征提取方法，而第二种是基于先进的深度学习方法。传统的机器学习方法对于心跳的研究主要依赖于人工特征提取，因为不同心电图波形差异很大。由于深度学习的广泛发展和研究，使用深度学习算法对心电图分类具有以下优势。(1)信号需要的预处理较少；(2)可以自动提取特征。利用深度网络的逐层非线性表示，通过训练网络获得心电数据中的深层次特征，提高了自动分类算法的准确性。然而现有的深度学习网络仍然存在一下缺点：

1、分类精度不高，需要更深的网络模型来提高模型的精度。由于部分生理信号数据集较少，导致一般深度的深度学习模型在训练过程中容易发生欠拟合现象，导致分类和预测精度不高。

2、目前深度学习模型在对输入数据的特征提取时，在对输入数据进行提取时会将对输出无关的特征进行提取，从而影响最后的输出的精度。

发明内容

发明目的：为了解决上述现有技术存在的问题，本发明提供了一种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。

技术方案：本发明提供了一种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，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。

进一步的，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。

进一步的，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，第二批量归一化层，第二，三ReLU激活层，剔除层，第三卷积层，第三批量归一化层和相加模块；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。