[发明专利]基于持续深度学习的ECG数据分类方法

说明书

本发明公开了基于持续深度学习的ECG数据分类方法，具体为：获取采样率分别为128Hz和360Hz的ECG数据，对ECG数据进行预处理；构建卷积神经网络模型，并设置模型的超参数；利用构建的卷积神经网络模型结合EWC方法对采样率为128Hz的心拍样本进行训练并测试，得到第一次训练好的卷积神经网络模型；利用第一次训练好的卷积神经网络模型结合EWC方法对采样率为360Hz的心拍样本进行训练并测试，得到ECG数据分类模型；利用采样率为128Hz的心拍样本对ECG数据分类模型进行测试；采用ECG数据分类模型对待分类的ECG数据进行分类，得到分类结果。本发明能够对两种不同采样率的心电数据进行自动、高效、准确地分类心拍类型，进一步提高分类精度，加强模型的泛化能力。

技术领域

本发明涉及基于持续深度学习的ECG数据分类方法，属于ECG数据分类技术领域。

背景技术

深度神经网络是模仿人脑机制构建的具有局部特征提取和学习能力的深层架构神经网络。近年，随着人工智能技术的不断发展和成熟，利用深度学习算法在实现心电数据分析引擎来自动提取患者心电图特征以及实现对心电数据的自动分类等方面已经取得了新的突破。例如，支持向量机(SVM)、双子支持向量机、序列到序列的深度学习方法、基于注意力的LSTM-CNN混合模型等方法。尽管利用这些深度学习模型可以准确地、客观地自动分类心拍类型；但是，这些模型目前都只是针对于一种采样率的心电数据；然而，当用针对一种采样率的心电数据训练好的模型去对另一种不同采样率的心电数据实现分类时，则会导致分类效果不佳，准确率较低，模型的泛化能力不强和迁移能力较弱的情况出现。

目前的深度学习模型并不能很好地适应新任务；当训练好模型再去学习新任务的过程中，效果并不是很好；不能够在学得新知识和保护旧知识之间达成平衡；因此，深度学习模型当下都面临着同样的问题：如何增强模型迁移能力和克服灾难性遗忘的发生。目前心电数据识别分类存在如下问题：

1)效率不高。在对心电信号进行分类时，分析心电信号耗费太长的时间将显示不出计算机分析信号的优势，并且诊断耗费的时间越长就越不利于患者的身体健康，就存在越多的隐患，效率不高。

2)仅针对与一种采样率的数据。目前，对于心拍分类的算法研究，大多数算法、模型利用计算机进行心拍分类时，都仅仅是针对于一种采样率的，这并不能够完美地体现出深度学习模型提出的初衷。而且，由于一些不常见的心拍类型所对应的数据较少，模型得不到足够的数据进行训练；所以在对心电信号处理的时候，计算机可能会无法判断出或误判这类不常见的心拍类型。因此，如果能够对不同采样率的心电数据分类，不仅可以提高算法的可移植性和可扩展性，还可以提高分类模型训练和更新的效率。

3)现有的数据较少。现实中已有的且被准确标记的ECG标准数据库较少；如何能够基于现有数据较少的情况下，设计有效的、自适应能力较强的分类模型，减少分类误差也是亟待解决的问题。

不同的采样率对心电图机测量精度的影响主要体现在对R-R间期和QRS复波高度的测量误差。持续学习是一种深度学习设置方法，其要求在保证重要旧知识不被遗忘的同时，能够从新任务中，获得新知识。如果我们能够利用一个加入持续学习方法的深度模型对不同采样率的心电数据实现心拍类型的自动分类，不仅可以提高模型的泛化能力、迁移能力和分类效率，打破当下深度学习模型仅对于一种采样率的心电数据实现心拍分类的状况；还可以检测出较少见的部分心拍类型；这将会更近一步地促进智慧医疗领域的发展。

发明内容

本发明所要解决的技术问题是：提供基于持续深度学习的ECG数据分类方法，能够对两种不同采样率的心电数据进行自动、高效、准确地分类心拍类型，进一步提高分类精度，加强模型的泛化能力。

本发明为解决上述技术问题采用以下技术方案：

基于持续深度学习的ECG数据分类方法，包括如下步骤：