[发明专利]基于可持续学习浅层循环神经网络的心电信号分类装置

说明书

本发明公开了基于可持续学习浅层循环神经网络的心电信号分类装置，包括预处理模块、信号初始化模块、神经网络分类模块；其中，预处理模块，用于接收心电图机输出的心电信号，对心电信号分别进行数据弱增强和数据强增强；信号初始化模块，用于对经过弱增强的心电信号和强增强心电信号进行重要性评估，然后对分别进行编码；神经网络分类模块，用于对信号初始化模块输出的心电信号进行训练，获得心电信号分类模型，实现对心电信号正常或异常的分类结果。本发明能够实现对于多维时间序列数据的自动、高效、准确的处理，同时解决RNN模型对于时序的依赖以及对于多维时间序列数据在硬件上的处理对于物理成本消耗很大的问题。

技术领域

本发明属于人体心血管检测装置领域，具体涉及基于可持续学习浅层循环神经网络的心电信号分类装置。

背景技术

由于心血管疾病的高致病率和高死亡率的特性，它已经成为危害人类健康和生命的“头号杀手”，对于心血管疾病进行有效诊断和预防尤为重要。近些年，随着深度学习理论和技术的快速发展，借助深度学习对心电图机获取的心电图进行特征分析以及病症分类已成为生理信号领域研究的热点问题。递归循环网络(RNN)常用于处理时间序列数据的神经网络，既有层间的连接，又有同层神经元之间的连接，并且具有短期记忆的效果。RNN常用于处理时间序列的问题，但是由于RNN的特性，导致其在支持硬件的情况下，对于多维时间序列的处理的物理成本很大。同时，为了提高深度学习模型的可解释性和透明性，建立用户与决策模型之间的关系，越来越多的研究人员使用可解释性方法以增加模型的可解释性。深度学习在生理信号领域所遇到的困难，体现在如何有效的对多维时间序列进行分类，并保证检测结果的准确性。

发明内容

本发明的目的在于：提供基于可持续学习浅层循环神经网络的心电信号分类装置，有效的对多维时间序列进行分类，保证模型预测的准确性，解决深度学习方法在生理信号领域的应用。

为实现上述目的，本发明提供如下技术方案：基于可持续学习浅层循环神经网络的心电信号分类装置，包括：

预处理模块、信号初始化模块、神经网络分类模块；其中，

预处理模块，用于接收心电图机输出的心电信号，对心电信号分别进行数据弱增强和数据强增强；

信号初始化模块，用于对经过弱增强的心电信号和强增强心电信号进行重要性评估，然后对分别进行编码，构成心电信号样本数据集；

神经网络分类模块，用于对心电信号样本数据集进行训练，获得心电信号分类模型，实现对心电信号正常或异常的分类结果，所述神经网络分类模块包括两组独立的浅层递归神经网络。

进一步地，前述的预处理模块被配置执行以下动作：

S101、基于心电图输出的心电信号，对其进行降噪处理；

S102、对经过降噪处理后的心电信号进行弱增强处理，得到弱增强的12维心电信号数据；

S103、对经过降噪处理的心电信号进行强增强处理，得到强增强的12维心电信号数据。

进一步地，前述的步骤S102具体为：对经过降噪处理后的12导联心电数据X＝{X_i,i＝0,1,2,…,m}生成维度与X相同的高斯分布的数据，并将其与12导联心电数据X中相同时序的数据进行相加再相乘，得到弱增强的12维心电信号数据：X_w＝{X_wi,i＝0,1,2,…,m}其中，由m为心电数据的数量。

进一步地，前述的骤S103具体为：对经过降噪处理后的12导联心电数据X＝{X_i,i＝0,1,2,…,m}生成维度与X相同的高斯分布的数据，同时将2导联心电数据X的时间顺序打乱，然后将两组数据中相同时序的数据相加，得到强增强的12维心电信号数据集X_s＝{X_si,i＝0,1,2,…,m}。