[发明专利]一种基于深度残差网络的心电图分类方法及系统

摘要

本发明公开了一种基于深度残差网络的心电图分类方法及系统，包括：采集标注好的心电图数据，获得心电图样本数据、类别标签和关键波形标签；将三者以及它们之间的对应关系整合为数据集；数据集包括训练集和验证集；构建基本的深度残差网络，在其主干网络预设位置构建用以重构关键波形位置的分支；分支包括：卷积层和Sigmoid层；训练后，获得训练好的具有分支的深度残差网络模型；通过训练好的模型对待分类检测的心电图数据进行分类。本发明通过在深度残差网络中引入新的分支来检测关键波形，使得模型能够更关注于心电图的关键波形，在可解释性和性能上都得到提升，输出给医生的分类数据更具有参考价值。

主权项

1.一种基于深度残差网络的心电图分类方法，其特征在于，包括以下步骤：S1，样本数据预处理：采集获取预设数量的标注好的心电图数据，预处理后获得作为模型训练输入的心电图样本数据和类别标签；根据心电图样本数据提取关键波形位置获取关键波形标签；将心电图样本数据、类别标签和关键波形标签以及它们之间的对应关系整合为数据集；将数据集按照预设比例划分为训练集和验证集；S2，构建具有分支的深度残差网络模型：构建基本的深度残差网络，在其主干网络预设位置构建用以重构关键波形位置的分支；分支包括：卷积层和Sigmoid层；具有分支的深度残差网络模型的训练过程中，通过构建的基本的深度残差网络计算出分类损失函数，通过构建的分支计算出波形检测的损失函数，根据计算出的分类损失函数和波形检测的损失函数得出最终的损失函数；S3，设置批处理数量和初始学习率，通过步骤S1得到的训练集对步骤S2构建的具有分支的深度残差网络模型进行训练；通过步骤S1得到的验证集对训练后的具有分支的深度残差网络模型进行验证，当验证集损失函数达到预设收敛条件则完成训练，获得训练好的具有分支的深度残差网络模型；S4，将待分类检测的心电图数据输入步骤S3获得的训练好的具有分支的深度残差网络模型，模型输出心电图分类结果。