欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202210650732X
申请人: 湖北工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种轻量级基于深度学习的心律失常分类方法,其特征在于,包括以下步骤:采集原始一维单导联心电信号进行心拍分割后对其进行Z‑Score标准化;

将标准化后的心拍数据按患者间范式构建训练集、待测数据集,并对训练集样本进行特征平衡;

构建包含基于卷积神经网络的心电信号特征提取器、基于双向长短时网络的特征学习器和特征分类器的轻量级融合预分类模型,使用批加权损失函数计算网络损失率,并利用训练集和随机梯度下降法对模型进行训练,最后得到训练后的轻量级融合预分类模型;

将待测数据输入至轻量级融合预分类模型中输出心律失常分类数据。

2.根据权利要求1所述一种轻量级基于深度学习的心律失常分类方法,其特征在于:采集若干包含有不同类型的心律失常的一维原始单导联心电信号;

使用pan‑tompkins算法采集的原始心电信号进行QRS波群检测,定位原始信号的R波位置,并判断信号检测的第一个R峰和最后的一个R峰是否满足心拍截取长度,将不满足心拍截取长度的波峰丢弃,最后以每个R峰为中心截取心拍,并读取R峰对应心拍标签,截取时,以每个R峰为中心向R峰左移M1,向R峰右移M2进行截取,其中,M1和M2为时间,单位是秒;

将原始信号分割心拍随机分配为心拍样本集和对应心拍标签集。

3.根据权利要求1所述一种轻量级基于深度学习的心律失常分类方法,其特征在于:对已分割心拍进行Z‑Score标准化,计算公式为:其中,x为观测心拍值,m为单个心拍总体平均值,s为总体标准差。

4.根据权利要求1所述一种轻量级基于深度学习的心律失常分类方法,其特征在于:训练集包含特定类型的心律失常标签,即正常心拍N、室上性异位心拍S、心室异位心拍V、融合心拍F和未知心拍Q,其中待测数据集是无标签数据,训练集与待测数据集的数据来自不同患者,针对训练集使用SMOTE算法平衡样本,少数样本扩充的计算公式如下:*

xnew=xi+rand(0,1)×(xj‑xi),j∈N           (2)其中,xi表示少数样本类别中的样本点,xj表示K邻近中随机挑选的样本点,rand(0,1)表示0~1的随机数。

5.根据权利要求1所述一种轻量级基于深度学习的心律失常分类方法,其特征在于:构建轻量级融合预分类模型,包括顺次连接的基于CNN特征提取器:用于提取一维时序心电信号的内部特征;

基于BiLSTM特征学习器:用于学习CNN特征提取器提取到的心拍特征;

特征分类器:用于异常心拍特征分类。

6.根据权利要求1所述一种轻量级基于深度学习的心律失常分类方法,其特征在于:构建轻量级融合预分类模型,CNN特征提取器包括6层一维卷积层堆叠,6层一维卷积层包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层,除开第一卷积层外,其余卷积层每层依次连接批归一化层,最大池化层和Dropout层,BiLSTM特征学习器包括一层BiLSTM和一层Dropout层,特征分类器包括一层数据压平层、一层全连接层和一层Softmax函数层。

7.根据权利要求1所述一种轻量级基于深度学习的心律失常分类方法,其特征在于:模型训练过程中,特征提取器的特征送入学习器过程中选择随机梯度下降法更新权重。

8.根据权利要求1所述一种轻量级基于深度学习的心律失常分类方法,其特征在于:提出了一种批量加权损失函数计算损失率,计算方法如下:其中,Lossi表示第i批次的损失率,N为批次量大小, 表示第i批次Ci,j类的损失权重,Ci,j表示第i批次第j个标签,其中Ci,j∈N,S,V,F,Q, 表示第i批次标签得离散概率,λ表示正则化项,θ为模型参数,ε0为调制参数。

9.一种轻量级基于深度学习的心律失常分类方法,采用权利要求1至8任意一项所述方法,其特征在于:包括第一单元:采集原始一维单导联心电信号进行心拍分割后对其进行Z‑Score标准化;

第二单元:将标准化后的心拍数据按患者间范式构建训练集、待测数据集;并对训练集样本进行特征平衡;

第三单元:构建包含基于卷积神经网络的心电信号特征提取器、基于双向长短时网络的特征学习器和特征分类器的轻量级融合预分类模型,使用批量加权损失函数计算损失率,并利用训练集和随机梯度下降法对模型进行训练,最后得到训练后的轻量级融合预分类模型;

第四单元:将待测数据输入至轻量级融合预分类模型中输出心律失常分类数据。