[发明专利]基于机器学习的静息心电分析方法

权利要求书

1.基于机器学习的静息心电分析方法，包括：

获取心电波形数据；

构建卷积神经网络算法模型，所述卷积神经网络算法模型包括数据分帧一卷积层，所述卷积层为深度可分离卷积结构，且其卷积核宽度为25，步长为2，组数为12；所述卷积层之后为一池化层，所述池化层连接4个密集连接块，各个所述密集连接块之间通过一过渡层连接；所述心电波形数据在经过最后一个所述密集连接层后通过所述池化层进行特征向量化；

将经过特征向量化的特征向量输入预先训练的分类器进行分类，所述分类器至少包括表征心率失常的分类器及表征窦性心律的分类器。

2.如权利要求1所述的方法，获取心电波形数据之后，还包括数据预处理步骤，该步骤包括：1)针对所述心电波形数据进行上限截止频率为35Hz的低通滤波处理；和/或，2)对使用下限截止频率为0.5Hz的高通滤波处理。

3.如权利要求2所述的方法，获取心电波形数据的采样频率为360Hz，在进行所述数据预处理时还包括对心电信号进行小波分解。

4.如权利要求2所述的方法，在进行所述数据预处理时，还包括根据R波位置对心电信号进行分割。

5.如权利要求1所述的方法，所述卷积层为3个连续操作的复合函数：批规范化处理，修正线性单元和核大小为1×13的卷积操作。

6.如权利要求1所述的方法，所述密集连接块为多个核大小1×1与1×13卷积层的卷积核组，所述卷积核组在4个所述密集连接块中的数目分别为6，12，24和16，并且设置特征图的增长速率为12。

7.如权利要求1所述的方法，所述过渡层为核大小由1×1的卷积层连接一个步长为1×5平均池化层组成的。

8.如权利要求1所述的方法，在获取心电波形数据之后，还包括数据分帧步骤。

9.如权利要求1所述的方法，在进行特征向量化时，采用全局池化方式和/或采用LSTM循环神经网络。

10.如权利要求1所述的方法，所述分类器在进行预先训练时，包括：

根据过往真实的心电波形数据的P波、QRS波群和或T波的幅值特征，获取初始样本集，并根据不同的特征划分多个样本子集；

针对不同的样本子集，随机抽取若干样本分别生成训练集和测试集；

构建线性分类器，并通过所述训练集对所述线性分类器进行训练。