[发明专利]基于转换技术的深度学习心电图数据分类方法及装置

说明书

本发明属于医疗数据处理技术领域，尤其是涉及一种基于转换技术的深度学习心电图数据分类方法及装置。一种基于转换技术的深度学习心电图数据分类方法，包括以下步骤:S1、数据采集和数据预处理，采集包含多个心动周期的心电序列数据，并对心电序列数据进行预处理；S2、划分心动周期，对步骤S1所得的心电序列数据利用小波变换进行划分，对训练集、验证集和测试集的数据进行数据预处理处理；S3、进行深度学习模型构建，在步骤S2所得的训练集上进行模型训练，在验证集中进行验证并选择超参数，最终在测试集上进行模型测试，以得到验证结果。本发明提供了一种准确性高、基于注意力机制、基于转换技术的深度学习心电图数据分类方法及装置。

技术领域

本发明属于医疗数据处理技术领域，尤其是涉及一种基于转换技术的深度学习心电图数据分类方法及装置。

背景技术

心电图波形数据采集进行心电图分类往往是医生诊断心脏类疾病的重要辅助手段。通常心电图波形数据的采集是在医院或体检中心进行的，存在检测不便，检测频率低等特点，由于医生的人工标注的速度较慢，不能及时的把心电图分类结果告知病患，缺乏实时性和便利性。近年来，随着移动用户端设备的普及和深度学习为代表的神经人工智能算法的发展，利用人工智能算法进行实时心电检测成为了可能。同时，由于心电图各种波形之间存在着复杂的联合关系，且掺杂着大量的噪声数据，因此使用传统方法的准确率不如使用深度学习的方法。

目前大多数基于数据挖掘和人工智能的算法都是利用聚类和逻辑回归算法，这些算法不具有数据敏感性，不能根据数据的特点进行对应的特征提取。

发明内容

本发明所要解决的技术问题是提供一种准确性高、基于注意力机制、基于转换技术的深度学习心电图数据分类方法及装置。为此，本发明采用以下技术方案：

一种基于转换技术的深度学习心电图数据分类方法，包括以下步骤:

S1、数据采集和数据预处理，

采集包含多个心动周期的心电序列数据，并对心电序列数据进行预处理；

S2、划分心动周期，

对步骤S1所得的心电序列数据利用小波变换进行划分，并依据7:2:1的比例对判断标注的心电序列数据进行训练集、测试集和验证集的划分，对训练集、验证集和测试集的数据进行数据预处理处理；

S3、进行深度学习模型构建，

在步骤S2所得的训练集上进行模型训练，在验证集中进行验证并选择超参数，最终在测试集上进行模型测试，以得到验证结果。

在采用上述技术方案的基础上，本发明还可采用以下进一步的技术方案：

所述步骤S1还包括将心电序列数据按照55个分类进行判断标注，所述55个分类分别对应55种心脏疾病。

所述步骤S1中的预处理采用z-score方法进行归一化处理，所述归一化处理后的输出数据在0-1之间。其中，z-score的公式为：μ和σ分别是数据列的均值和方差。

所述步骤S2中的训练集用于模型的训练，所述测试集用于超参数的选择，所述验证集用于模型鲁棒性的测试。

所述分类方法还包括：步骤S4、进行深度学习模型训练，利用cross-entropy函数引导模型训练，直至模型收敛。

cross-entropy即交叉熵，是Shannon信息论中一个重要概念，主要用于度量两个概率分布间的差异性信息。

进一步地，本发明同时还提供以下技术方案：

基于转换技术的深度学习心电图数据分类装置，包括：

存储器，用于存储计算机的可执行指令、和在执行所述可执行指令时使用或产生的数据；