[发明专利]融合源端影响的三心拍多模型综合决策心电特征分类方法

权利要求书

1.一种融合源端影响的三心拍多模型综合决策心电特征分类方法，其特征在于，包括以下步骤：

步骤S1：采集待测心电信号，并进行预处理，得到心电信号数据集；

步骤S2：构建特征提取模型，并将步骤S1得到的数据集B输入到三个特征提取模型中，三个特征提取模型均采用LSTM网络模型，分别为：LSTMAGE，LSTMREGION，LSTMGENDER；三个特征提取模型的前向传播网络由处理序列信号网络构成，其输出通过函数实现对于年龄，性别，地域，心电特征的多分类；所述LSTMAGE模型损失函数通过标签年龄、心电特征决定；所述LSTMREGION模型损失函数通过标签地域、心电特征决定;所述LSTMGENDER模型损失函数通过标签性别、心电特征决定；三个模型分别提取不同的源端特征及心电特征，分别为；

步骤S3：构建解码重构模型，并通过解码重构模型将特征提取模型所提取的特征还原成心电信号；

步骤S4：构建特征分类模型，将辨别步骤S2中的特征编码，作为特征提取模型的验证模型；

步骤S5：模型训练分为两个部分；第一部分，训练步骤S2特征提取模型以及步骤S3解码重构模型；第二部分，以步骤S3解码重构模型的生成信号与原始信号的差异训练步骤S2的特征提取模型以及步骤S3的解码重构模型；

步骤S6：融合步骤S5循环训练后的特征提取模型的特征，融合决策分类结果。

2.根据权利要求1所述的融合源端影响的三心拍多模型综合决策心电特征分类方法，其特征在于，所述步骤S1具体为：

步骤S11：采用小波阈值收缩法对心电信号进行预处理；

步骤S12：将预处理后的心电信号按照每三个心拍为一组进行分组，数据分为N份；

步骤S13：遍历数据集找到最长的数据并将其他数据扩充为最长数据的数据长度，得到处理后的数据集B。

3.根据权利要求1所述的融合源端影响的三心拍多模型综合决策心电特征分类方法，其特征在于，所述步骤S2具体为：

步骤S21：将得到的数据集B，按数据标签划分为三组相同的数据集B1、B2、B3；

步骤S22：将三组不同标签的相同数据B1、B2、B3分别输入到相同的特征提取网络中，得到三个具有不同效果的特征提取网络，三个模型提取出来的编码特征向量分别为。

4.根据权利要求1所述的融合源端影响的三心拍多模型综合决策心电特征分类方法，其特征在于，所述解码重构模型采用LSTM模型。

5.根据权利要求3所述的融合源端影响的三心拍多模型综合决策心电特征分类方法，其特征在于，所述步骤S4具体为：

步骤S41：特征分类模型采用卷积神经网络模型，其网络结构由多个卷积层，一个池化层，一个全连接层组成，将编码特征作为一维数据输入特征分类模型当中；

步骤S42：经过卷积运算，池化运算，计算出特征向量来自于前向网络中哪个特征提取网络。

6.根据权利要求1所述的融合源端影响的三心拍多模型综合决策心电特征分类方法，其特征在于，所述步骤S5具体为：

步骤S51：特征提取模型的训练采用自适应的梯度下降方法，采用交叉熵损失函数以及适合模型的优化算法对LSTM网络进行训练；

步骤S52：解码重构模型的训练采用梯度下降法；

步骤S53：利用解码重构模型的生成信号与原始信号的差异产生两个损失函数分别训练特征提取模型以及解码重构模型。

7.根据权利要求1所述的融合源端影响的三心拍多模型综合决策心电特征分类方法，其特征在于，所述步骤S6中采用函数加权计算每个编码特征的概率值，由概率值转换为权重值，函数为：

其中，Vi为第i个节点的输出值，C为输出节点的个数，即分类的类别个数；Si为第i个节点经过softmax的输出值；

设三个模型的输出分别是，其模型最后加权输出为：

其中分别为表示LSTMAGE、LSTMREGION、LSTMGENDER这三个模型第i个节点的softmax输出值；

最终决策为模型LSTMAGE、LSTMREGION、LSTMGENDER的综合决策。