[发明专利]一种心电信号分类方法及装置

权利要求书

1.一种心电信号分类方法，其特征在于，包括：

步骤a：对心电信号进行分割，分别得到训练集数据和测试集数据；

步骤b：通过深度学习对所述训练集数据进行模型训练，构建预测分类模型；

步骤c：通过所述预测分类模型对所述测试集数据进行心电信号分类。

2.根据权利要求1所述的心电信号分类方法，其特征在于，所述步骤a中在对心电信号进行分割步骤之前还包括：对所述心电信号进行去噪处理；所述对心电信号进行去噪处理具体为：通过小波变换对心电信号进行去噪处理。

3.根据权利要求2所述的心电信号分类方法，其特征在于，所述通过小波变换对心电信号进行去噪具体包括：

步骤a1：对心电信号进行提升小波分解，使所含噪声分布在不同的分解子带上；

步骤a2：根据不同分解子带上的心电信号及其噪声特点，设定每一层小波系数的加权系数阈值，对不同分解子带上的心电信号进行权重处理；

步骤a3：对权重处理后的心电信号进行重构，得到干净的心电信号。

4.根据权利要求3所述的心电信号分类方法，其特征在于，在所述步骤a中，所述对心电信号进行分割的分割方式为：以R波峰为中心波峰，选取每个心电信号RR间期具有数据特征的采样点的采样频率和时间长度对心电信号进行分割。

5.根据权利要求1所述的心电信号分类方法，其特征在于，在所述步骤b中，所述构建预测分类模型具体为构建基于深度信念网络的预测分类模型的最优结构：当基于深度信念网络的预测分类模型的隐含层个数为1时，在输入层中，将输入结点的个数设置为10个不同值，将隐含层的结点个数设置为五个不同的值；在对所述测试集数据的分类结果中，寻找出准确率最高时对应的输入层点个数和隐含层结点个数，之后再增加新的隐含层，判断新的隐含层中结点个数的变化对分类结果的影响，确定最佳隐含层结点个数，同时确定隐含层层数，最终确定所述基于深度信念网络的预测分类模型的最优结构。

6.一种心电信号分类装置，其特征在于，包括：

数据分割模块：用于对心电信号进行分割，分别得到训练集数据和测试集数据；

模型训练模块：用于通过深度学习对所述训练集数据进行模型训练，构建预测分类模型；

信号分类模块：用于通过所述预测分类模型对所述测试集数据进行心电信号分类。

7.根据权利要求6所述的心电信号分类装置，其特征在于，还包括数据预处理模块，所述数据预处理模块用于对所述心电信号进行去噪处理；所述对心电信号进行去噪处理具体为：通过小波变换对心电信号进行去噪处理。

8.根据权利要求7所述的心电信号分类装置，其特征在于，所述通过小波变换对心电信号进行去噪具体包括：对心电信号进行提升小波分解，使所含噪声分布在不同的分解子带上；根据不同分解子带上的心电信号及其噪声特点，设定每一层小波系数的加权系数阈值，对不同分解子带上的心电信号进行权重处理；对权重处理后的心电信号进行重构，得到干净的心电信号。

9.根据权利要求8所述的心电信号分类装置，其特征在于，所述数据预处理模块对心电信号进行分割具体为：以R波峰为中心波峰，选取每个心电信号RR间期具有数据特征的采样点的采样频率和时间长度对心电信号进行分割。

10.根据权利要求6所述的心电信号分类装置，其特征在于，所述模型训练模块还用于构建基于深度信念网络的预测分类模型的最优结构：当基于深度信念网络的预测分类模型的隐含层个数为1时，在输入层中，将输入结点的个数设置为10个不同值，将隐含层的结点个数设置为五个不同的值；在对所述测试集数据的分类结果中，寻找出准确率最高时对应的输入层点个数和隐含层结点个数，之后再增加新的隐含层，判断新的隐含层中结点个数的变化对分类结果的影响，确定最佳隐含层结点个数，同时确定隐含层层数，最终确定所述基于深度信念网络的预测分类模型的最优结构。