(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211062926.4 (22)申请日 2022.09.01 (71)申请人 广西师范大学 地址 541000 广西壮 族自治区桂林市七 星 区七星街道广西师 范大学育才校区 (72)发明人 周飞燕　罗奇　 (74)专利代理 机构 西安长和专利代理有限公司 61227 专利代理师 黄伟洪 (51)Int.Cl. A61B 5/318(2021.01) A61B 5/346(2021.01) A61B 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06V 10/30(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) A61B 5/366(2021.01) (54)发明名称 多导联心电图正异常分类方法、 系统、 介质、 设备及终端 (57)摘要 本发明属于计算机辅助心电图诊断技术领 域， 公开了一种多导联心电图正异常分类方法、 系统、 介质、 设备及终端， 对原始心电图信号进行 预处理， 通过滤波， 心拍分割操作， 得到划分好的 心拍文件， 包括训练集、 验证集和测试集； 将训练 集进行数据增强， 使用提出的网络结构进行训练 和测试， 得到最终的分类结果。 本发明利用残差 网络的特点获取心拍特征， 引入注 意力机制加以 权重， 提高心拍正异常分类的准确率； 在MIT ‑BIH 数据集中的 测试数据所获到的准确率为 99.45％、 特异性为99.59％、 灵敏度为99.02％。 传统方法过于依赖前期手工提取特征， 其手工提 取的效果影 响最终结果， 而本发 明利用卷积神经 网络的优势弥补了传统机器学习方法上的不足， 还能达到一个比较好的结果。 权利要求书2页 说明书7页 附图3页 CN 115444428 A 2022.12.09 CN 115444428 A 1.一种多导联心电图正异常分类方法， 其特征在于， 所述多导联心电图正异常分类方 法包括： 对原始心电图信号进行预处理， 通过滤波， 心拍分割操作， 得到划分好的心拍文件， 包 括训练集、 验证集和测试集； 将训练集进 行数据增强， 再使用所提出的网络结构进 行训练和 测试， 得到最终的分类结果。 2.如权利要求1所述的多导联心电图正异常分类方法， 其特征在于， 所述多导联心电图 正异常分类方法包括以下步骤： 步骤一， 对数据集进行去噪预处 理； 步骤二， 使用所提出的模型训练验证集和训练集， 保存最佳的参数模型； 步骤三， 使用测试集进行最后的判断， 作为泛化 误差。 3.如权利要求2所述的多导联心电图正异常分类方法， 其特征在于， 所述步骤一中的数 据集使用MIT ‑BIH心率失常数据集； 所述对数据集进行去噪预处 理包括： 经过db5小波滤波器去除原始心拍中的基线漂移、 工频干扰噪声； 在QRS波的波峰前100 个采样点和波峰后的20 0个采样点， 构成完整的心拍； 切分成长度为300个采样点后， 再划分训练集和测试集； 在训练模型前， 提取训练集的 30％作为验证集， 并且保证验证集中正异常心拍的数量相同。 4.如权利要求2所述的多导联心电图正异常分类方法， 其特征在于， 所述步骤二中的模 型为残差神经网络模型， 利用残差网络的特点获取心拍特 征， 引入的注意力机制加以权 重； 采用残差神经网络模型诊断时所涉及到的包括心拍长度和心拍标签在内的心电图特 征已提取到， 将标签为 N的心拍定义 为0， 其余标签定义 为1。 5.如权利要求4所述的多导联心电图正异常分类方法， 其特征在于， 所述残差神经网络 模型中， 两条导联分别经过相同的模型结构后， 得到期特征值后再合并； 合并后使用批量归 一化BN、 修正线性单元ReLU方法以及dr opout， 利用长短期记忆网络LSTM处理心拍的时间维 度； 每条导联在开始均经过一层卷积和池化层， 提取初步的特征； 经过block模块， 根据 stride设定的参数值决定调用有卷积模块的近道连接或无卷积模块的近道连接； 每个 block中使用Se注意机制； 模 型在block之外使用Se注意机制， 给特征赋予权值； 利用全局平 均池化GAP和全局最大池化GMP得到特 征向量进行分类。 6.如权利要求1所述的多导联心电图正异常分类方法， 其特征在于， 所述多导联心电图 正异常分类方法还 包括： 使用特异性Sp、 灵敏度Se、 准确率Acc及综合指标约登指数γ度量分类效果的优劣， 约 登指数越大， 分类系统的整体分类性能越好； 则各个指标的定义如下 所示： Acc＝(TP+TN)/(TP+TN+FP+FN)； Se＝TP/(TP+FN)； Sp＝TN/(TN+FP)； ‑p＝TN/TN+FN。 7.一种应用如权利要求1～6任意一项所述的多导联心电图正异常分类方法的多导联 心电图正异常 分类系统， 其特 征在于， 所述多导联心电图正异常 分类系统包括：权　利　要　求　书 1/2 页 2 CN 115444428 A 2数据预处 理模块， 用于对数据集进行去噪预处 理； 模型训练模块， 用于使用模型训练验证集和训练集， 保存最佳的参数模型； 异常分类模块， 用于使用测试集进行最后的判断， 作为泛化 误差。 8.一种计算机设备， 其特征在于， 所述计算机设备包括存储器和处理器， 所述存储器存 储有计算机程序， 所述计算机程序被所述处理器执行时， 使得所述处理器执行如权利要求 1 ～6任意一项所述的多导联心电图正异常 分类方法的步骤。 9.一种计算机可读存储介质， 存储有计算机程序， 所述计算机程序被处理器执行时， 使 得所述处理器执行如权利要求1～6任意 一项所述的多导联心电图正异常 分类方法的步骤。 10.一种信息数据处理终端， 其特征在于， 所述信息数据处理终端用于实现如权利要求 7所述的多导联心电图正异常 分类系统。权　利　要　求　书 2/2 页 3 CN 115444428 A 3