心电图心拍智能分类识别方法与流程

本发明属于心电信号识别技术领域，特别涉及一种心电图心拍智能分类识别方法。

背景技术：

近年来，我国居民主要疾病死亡率中心血管疾病占比最高，它已成为我国乃至全球居民死亡的主要原因，对人们的健康造成了严重威胁。常见的心血管病包括心脏病发作、缺血性中风、出血性中风、心力衰竭、不同类型的心律失常和心脏瓣膜等疾病。心电图信号是心脏活动的记录，可以被心电图仪捕捉到，上述疾病引起的心脏异常在患者的心电图信号中均会以某种异常波形表现出来。心电图的诊断目前往往直接由人工分析完成，但是因心电图数据量极为庞大，且心跳类型非常多样化，因此人工对心电图进行逐个心拍的管理和分析是一项难以有效完成的任务；特别是在临床监护或穿戴式健康监护环境下，对于初级医生来说，实时诊断是一项艰巨并且困难的任务；此外，因一些异常心跳出现的突然性和不频繁性，致使心脏病专家很难及时捕获一些紧急病情的重要变化信息，直接威胁病人的生命安全。因此，从大量心电图数据中自动、及时识别异常心跳是一项重要而必需的工作。心电图的自动诊断是心电图研究领域的热点之一，特别是在实时心电信号诊断领域更是如此。各类心脏病患者的心拍波形不仅比较异常且多样化，而且心拍信号的实时记录设备常会受工作环境的影响而引入大量不同类型的噪音信息，致使心电图的有效诊断非常困难，至今仍是一个具有较高挑战性的研究问题。现有心电图自动诊断大致分为信号预处理、特征生成和识别三个阶段；特征提取虽然取得了显著进展，但是对噪音干扰较为严重的心拍识别性能仍然很低，难以满足临床诊断的要求；另外，识别分类主要关注各类心拍的识别，而不关注实时记录情况下特定患者的心拍识别，忽略了不同患者之间的心拍波形的差异，对新病人的心拍识别的性能并不理想，其性能有待进一步提升。

技术实现要素：

为此，本发明提供一种心电图心拍智能分类识别方法，提升心电信号识别准确度，可内嵌穿戴设备中以实现心电信号实时持续监测，提升实用性。

按照本发明所提供的设计方案，提出一种心电图心拍智能分类识别方法，包含：

获取心电图心拍信号样本数据，该样本数据包含健康者心电图心拍信号数据及不同类型病患者心电图心拍信号数据，并对样本数据进行预处理，所述预处理至少包含：采用小波变换和中值滤波器相结合来去除样本数据中的噪声；对去噪后的样本数据标注r峰位置及波形间隔，将样本数据中的所有心拍信号分割位同尺度的单一心拍，并采用均值填充度分割结果进行缩放，以确保心拍信号特征不变形；

构建基于余弦距离的堆叠自编码器，提取心拍信号中具有鲁棒性和辨别性的信号特征信息；并基于该信号特征信息组建分类识别数据库；

构建用于一维心拍信号分类的卷积神经网络模型，包含用于学习心拍信号一般特征的通用背景模型ucnn，和用于学习不同患者间特异性心拍特征的心拍识别模型spcnn；

使用训练集训练通用背景模型ucnn，学习患者的一般特征，其参数用来初始化用于特定患者的心拍识别模型spcnn；

采集待检测者前m分钟的心拍数据，并输入到spcnn进行训练，使其学习到不同患者心拍中的特异性；利用采集到的剩余分钟数据以测试spcnn的准确率。

作为本发明中心电图心拍智能分类识别方法，进一步地，利用小波变换去除心拍信号数据中工频干扰和肌电干扰噪声，利用中值滤波器去除基线漂移噪声。

作为本发明中心电图心拍智能分类识别方法，进一步地，利用中值滤波器去除基线漂移噪声中，首先，确定窗口大小，获取心电信号的基线轮廓；然后使用原始信号减去基线轮廓，得到去除基线漂移的样本数据。

作为本发明中心电图心拍智能分类识别方法，进一步地，堆叠自编码器采用三层结构，前一隐藏层的输出作为后一隐藏层的输入，无监督的逐层训练，使得每层自编码器输入重构与输入间的误差最小；之后通过随机梯度下降算法对整个堆叠自编码器进行微调，得到最优参数解。

作为本发明中心电图心拍智能分类识别方法，进一步地，自编码器编码阶段采用非线性sigmoid函数作为编码器激活函数；解码阶段，利用与编码器对称变换的解码器实现，同样采用非线性sigmoid函数作为解码器激活函数。

作为本发明中心电图心拍智能分类识别方法，进一步地，采用余弦距离作为自编码器的损失函数，其中，预测输入样本和输出样本之间的关系表示为：

其中，n为样本个数，x(i)为cdsae的输入样本，为输出样本，两者都为一维信号。

作为本发明中心电图心拍智能分类识别方法，进一步地，非线性sigmoid函数表示为：

作为本发明中心电图心拍智能分类识别方法，进一步地，卷积神经网络模型包含9个卷积层，2个池化层及2个全连接层，其中，卷积核采用多尺度相结合，以捕捉心跳之间的微小异常及避免提取的单一化，实现多角度分析输入数据。

作为本发明中心电图心拍智能分类识别方法，进一步地，非线性激活函数表示为：f(x)＝max(0,x)，其中，x表示神经元输入。

作为本发明中心电图心拍智能分类识别方法，进一步地，损失函数表示为：

其中，yi表示期望输出，表示原始的实际输出。

本发明的有益效果：

本发明首先利用小波变换和中值滤波器去除肌电干扰、工频干扰和基线漂移，形成一个修正的心电信号，提升心电准确率和识别率；其次，为了减少患者间变异的影响，提高从有限数量患者中学习到的特征表示，通过基于余弦距离的堆叠自编码器(cosinedistancebasedstackauto-encoder，cdsae)，对心跳进行降维和关键特征增强，使提取后的心电信号具有更好的去噪性能，有助于提升分类准确率；然后，利用一个一维的卷积神经网络模型来训练修改后的信号特征以进行分类，获取通用卷积神经网络模型，然后再利用被测试者通过穿戴设备提取的部分数据量，训练通用模型以调整模型参数及权重，最终得到适用于特定人群的专用神经网络模型模型，利用提取的另一部分数据输入该模型中以识别心电信号患者类型。并在mit-bih数据库上进行评估，最终实验结果中，准确率可提升为97.18％，f1值提升为96.23％，进一步证明本发明方案的有效性；且专用神经网络模型可用于每个被测试者包含心血管患者，可嵌入到穿戴设备中，用于实时监测诊断，提高实用性，可适用于临床、诊断等多个领域，以便辅助医生快速进行相关诊断，具有较好的推广价值和应用前景。

附图说明：

图1为实施例中心拍智能分类识别流程示意图；

图2为实施例中心电信号检测分类和识别原理示意；

图3为实施例中工频干扰噪声去除前后对比示意；

图4为实施例中肌电干扰噪声去除前后对比示意；

图5为实施例中记录113前5000个采样点噪声去除示意；

图6为实施例中标准心跳分割示意；

图7为实施例中堆叠自编码器模型示意；

图8为实施例中自编码器特征提取结果示意；

图9为实施例中cnn训练模型示意；

图10为实施例中特定患者心电分类示意；

图11为实施例中记录101部分数据展示示意。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。

在传统的多种心脏疾病分类方案中，心电信号通常被用于特征学习和分类。心电图自动诊断大致分为信号预处理、特征生成和识别三个阶段；前者主要指信号去噪及规则化等，特征生成主要指时域和频域心拍特征信息的提取与生成，后者主要指识别模型的构建。本发明实施例，参见图1所示，提供一种心电图心拍智能分类识别方法，包含：

s101)获取心电图心拍信号样本数据，该样本数据包含健康者心电图心拍信号数据及不同类型病患者心电图心拍信号数据，并对样本数据进行预处理，所述预处理至少包含：采用小波变换和中值滤波器相结合来去除样本数据中的噪声；对去燥后的样本数据标注r峰位置及波形间隔，将样本数据中的所有心拍信号分割位同尺度的单一心拍，并采用均值填充度分割结果进行缩放，以确保心拍信号特征不变形；

s102)构建基于余弦距离的堆叠自编码器，提取心拍信号中具有鲁棒性和辨别性的信号特征信息；并基于该信号特征信息组建分类识别数据库；

s103)构建用于一维心拍信号分类的卷积神经网络模型，包含用于学习心拍信号一般特征的通用背景模型ucnn，和用于学习不同患者间特异性心拍特征的心拍识别模型spcnn；

s104)使用训练集训练通用背景模型ucnn，学习患者的一般特征，其参数用来初始化用于特定患者的心拍识别模型spcnn；

s105)采集待检测者前m分钟的心拍数据，并输入到spcnn进行训练，使其学习到不同患者心拍中的特异性；利用采集到的剩余分钟数据以测试spcnn的准确率。

信号去噪及规则化，时域和频域心拍特征信息的提取与生成信号特征，然后识别模型的构建进行心电信号分类识别。在信号去噪方面，可通过中值滤波器、fir滤波器、小波变换、均值滤波器等，以降低高斯噪音、肌电噪声和基线漂移噪音。在特征生成方面，可通过稀疏自编码器、堆叠自编码器、聚类、归一化等，以实现特征提取。在心电图识别方面，可通过有监督和无监督方法分类识别。有监督的分类是指数据带有标签，分类算法在有标签的数据集中学习并识别特征，有监督方法可通过卷积神经网络、限制玻尔兹曼机、深度置信网络、最小二乘支持向量机等实现。无监督分类是指在没有标签的数据集中学习，根据数据的个性特点，把特征相同的点建群分类，根据其的总体特征进行预测判断，可通过自编码器、k-均值算法等实现。但有监督和无监督两类方法相比，有监督的分类能有效的辅助分析心电信号并且检测诊断。

参见图2所示，心拍智能分类识别可由两个阶段组成。第一阶段为特征检测，分为数据预处理和关键特征提取；第二阶段为分类，使用cnn模型实现。

通常，心电图产生的噪声包括基线漂移、工频干扰、肌电干扰等，针对这三类噪声，本发明实施例中采用小波变换和中值滤波器相结合的去噪方法。小波变换对于非平稳且突变信号有良好的效果，利用基函数的伸缩和平移解决了局部性和时域分析的问题，针对工频干扰和肌电干扰噪声本文使用小波变换去除，小波基函数可选用daubechiesn，考虑到信号的光滑度和计算量问题，可选用n为5，此时，消失矩为5，支撑长度为9；原始信号可选自mit-bih心律失常数据库中的记录114，效果如图3工频干扰噪声去除前后对比(108记录50000-54000采样点)、图4肌电干扰噪声去除前后对比(108记录8000-12000采样点)，可以看到，工频干扰和肌电干扰噪声都被很好地去除。针对基线漂移噪声，本发明实施例中，使用中值滤波器进行去除，常用的基线漂移滤波器除中值滤波器外有高通滤波器、线性滤波器，但相比中值滤波器复杂度高，考虑到整个系统的可穿戴设备实用性，选用计算复杂性较小的中值滤波器去除基线漂移。首先，取固定窗口大小，将每个值替换为该窗口内的中值，得到心电信号的基线轮廓，再使用原信号减去得到的基线轮廓，最终获得去除基线漂移的信号。具体结果如图5所示，记录113前5000个采样点噪声去除，a为原始信号，b为得到的基线轮廓，c为去除基线漂移噪声后的信号。从图5中可以看出，在不改变基本波形的情况下，完整的滤除了基线漂移噪声，效果较好。中值滤波器的滤除效果取决于窗口大小和采样率，本发明实施例中基于mit-bih数据库，采样频率为360hz，经实验证明，窗口大小为40时，滤波器去噪效果最好。实验结果表明，以daubechies5为小波基的小波变换和以窗口大小为40的中值滤波器相结合能有效的去除心电图噪声，提升信号质量。一个心跳波形一般包括p波、qrs复合波和t波，图6展示了一个正常心电图波形标准心跳的分割尺寸，心脏病专家可通过每个波的波形和起点来进行疾病诊断。通常p波时长为0.12秒，振幅小于0.25毫伏，qrs复合波(q波、r波和s波的组合)时长一般在0.06秒至0.10秒之间，qt间期(qrs复合波的起点至t波终点)时长在0.36秒至0.46秒之间；去噪后得到的心电信号必须被分离成单独的心跳才能分类；因此，本发明实施例中，可依据专家提供的注释文件获取r峰的位置，r峰向前取0.35秒，向后取0.35秒分割单个波形，将所有心电记录分割为83945个同尺度的单一心拍进行训练，由于在心电图采集的过程中出现横向漂移的情况，造成重叠分割，基于此问题，采用均值填充方法将小尺度的心跳进行缩放，保证了关键特征不变性，对之后的分类检测提供了重要基础。

分类模型分为两部分：首先，将预处理后的心电信号放进自编码器中训练，以无监督的方式学习得到更准确的抽象特征表示；在此特征学习阶段之后，在得到训练数据的基础上，训练已构建的cnn模型。

数据预处理后，为使数据有一个健壮的特性表示，以最大概率提取数据中的关键信息，提高最终分类精度；在此阶段，本发明实施例中，确定一个改进的深层体系结构模型--堆叠自编码器，简称csae；它是一个对称神经网络，主要用于以无监督的方式学习数据隐含的深层特征，可通过改变隐层参数对输入数据进行降维，使用大量隐藏节点来学习更有价值的表示，其数据降维与主成分分析(pca)相比，自编码器的非线性和线性表征比pca更灵活，且学习到的数据特征比pca更准确。为了使自编码器学习到更复杂且更深层的特征，本发明实施例中，设计了3层堆叠自编码器，如图7所示，每层的神经元个数分别为256、232、200，当前层自编码器提取的特征作为下一层自编码器的输入，无监督的逐层训练，使得每层自编码器的输出对输入重构误差最小。经实验证明，训练模型batch大小设为64，学习率设为0.01，此时训练精度最高，迭代次数最小。

通常，堆叠自编码器分别由编码和解码两部分组成；在编码阶段，设矢量x为输入样本，通过编码器得到隐含表示的数学模型为：

h＝s(wx+b)(1)

其中，w是x*h维的权重矩阵，b是偏置向量，s是编码器激活函数，本发明实施例中，可使用非线性sigmoid函数s(x)＝1/(1+exp(-x))作为编码器激活函数，使自编码器具有非线性映射学习能力。

解码器是编码器的对称变换；它通过与编码器相近的映射变换h作为输入，通过映射函数重构输出x’，x’和x的维度一致：

x'＝s(w'x+b')(2)

其中，w’是解码器的权重矩阵，b’是偏置向量，s是解码器激活函数，同样选择sigmoid函数。

自编码器模型参数优化就是找到训练样本重构误差求和并最小化的过程。因此，本发明实施例中，自编码器模型参数优化中最小化目标函数如下：

o({w,w',b,b'})＝∑l(x,x')(3)

其中，不同的目标函数应用于不同的任务，有不同的测量方式，本阶段自编码器用于提取数据关键特征，传统的用于损失函数如：均方误差，较适用于高像素、多维的图像特征提取。但对于一维心电波形图信号，会造成过度下采样，以致大量波形信息被忽略，不利于获取不同病人心跳的特异性。因此，本文针对不同患者的特异性，使用余弦相似度(cos距离)作为自编码器的损失函数，预测输入样本和输出样本之间的关系可表示如下：

其中x为输入样本，x’为自编码器的输出样本，两者都为一维信号。余弦值的范围在[-1,1]之间，其值越趋近于1，相似度越高，越趋近于-1，方向相反。本文将余弦值归一化为[0,1]之间，越趋近于0，相似度越低。

选择每个类别的单个心跳实例，在堆叠自编码器中取得的结果如图8所示，左图为原始信号，右图为自编码器特征提取之后的心跳，(a)--(d)分别为n、s、v、f四类特征提取前后结果对比，可以看到r波、p波、t波被明确的识别出来，并做到特征增强。

深度学习中的算法有卷积神经网络、支持向量机、多层反馈循环神经网络等；运用深度学习算法进行图像分类已是热点思路；心电图分类正是顺应人工智能信息处理的优势，将心电图分类技术智能化更加完善。相对于普通深度学习分类算法，深度神经网络具有运算层级高，处理数据量大的优点，用神经网络来提取心电图信息，能够极大程度地提高心电图像的分类精度。

本发明实施例中设计的用于心电信号分类的卷积神经网络如图9所示。通常，cnn的输入样本是具有两个或两个以上维度的图像，如灰度图像或分辨率较高的彩色图像；但是，在本发明中，实验中心电波形图是由不同时刻的振幅构成一维向量；因此，在使用模型对心电信号进行分类之前，要对模型的图像分析结构进行修改，使卷积层中的所有卷积运算适用于一维序列，每一层中使用的卷积核大小也修改为适用于一维序列。整个模型共有13层，9个卷积层，2个池化层，2个全连接层。卷积核设计可采用小尺度和多尺度相结合的方法，小尺度可以捕捉心跳之间的微小异常，并且能降低计算复杂度和计算成本，多尺度可避免提取的特征过于单一化，多角度分析输入数据。

模型输入可为一个256×1×1的序列，第1、5、9卷积层步长为1，卷积核大小为5×1；第2、6、10卷积层步长为2，卷积核大小为3×1；第3、7、11卷积层步长为2，卷积核大小为1×1；第4、8层为池化层，步长为2。第一个全连接层输出神经元个数为1024，第二个为512。在整个体系结构中，基于relu(非线性)激活函数创建所有神经元层，函数式可表示为：

f(x)＝x⁺＝max(0,x)(5)

相对于sigmoid激活函数，tanh激活函数，relu函数计算量小，求导简单；它可以避免反向传播中梯度消失问题，结合学习率0.0005，收敛速度快，适合用于深层次模型。选用交叉熵作为损失函数，交叉熵可被广泛应用于分类问题中。交叉熵函数式为:

h(yi,yi')＝-∑yilog(yi')(6)

yi表示期望输出，yi’表示原始的实际输出，模型最终经过softmax回归处理之后的输出为概率分布，交叉熵计算的是yi和yi’两个概率分布之间的距离，交叉熵越小，两个概率的分布越接近。

针对特定患者心电图分类提出具体解决方案，整个流程分为训练阶段和应用阶段，如图10所示，在训练阶段，首先采集大量不同病人长期的心电信号，对心电数据进行滤波和分割，之后放入自编码器中提取信号的关键信息，心跳被重新采样，组成通用数据库；在通用数据库上，对一个通用的cnn模型进行训练，并将训练好的通用cnn模型嵌入到可穿戴设备中，作为特定患者模型的预训练模型。然后在可穿戴设备训练阶段，由可穿戴设备捕获特定患者的前5分钟心电信号，进行数据预处理和自编码器特征提取，生成特定数据库，将特定数据库中的心电信号放入训练好的通用模型中进行再训练，得到参数，初始化特定cnn模型；在进行一些训练修改后，生成一个特定cnn模型。最后，将特定cnn模型嵌入到可穿戴设备中进行后续监测。对于设备上的应用阶段，将数据库中特定患者的剩余心跳组成测试集，将测试数据放入特定cnn模型中，衡量整个分类系统的准确率和分类精度。nsvf分类系统可嵌入到特定患者的穿戴设备中，实时获取患者的心跳并输入到特定cnn模型中，得到其类别，如果出现异常心跳，此设备可以警告患者。nsvf分类系统中，通用cnn模型可以检测长期大量心电信号中的异常，特定cnn模型可以针对特定患者进行实时检测。显然，该方案不仅适用于患者，还可适用于监测无病者，以精确识别被试者心拍类型。

为验证本发明实施例中技术方案的有效性，下面通过具体实验数据做进一步解释说明：

选择使用麻省理工学院提供的专门用于研究心律失常的数据库(mit-bih)，用来对心律失常检测和分类结果的评估；mit-bih数据库包含48个心电图记录，来自47名受试者，其中25名是32岁至89岁的男性，22名是23岁至89岁的女性，每条记录持续30分钟左右，采样频率为360hz(以每秒360个样本的速度数字化)，每个心电图记录包括两个来自不同电极的导联：mlii导联和v1导联，通过将电极放在胸部获得。在本研究实验中，只使用mlii导联的信号进行训练和测试；所有的记录都由心脏病专家注释其类别，图11展示了101号记录的部分数据。由于4个心电记录(102,104,107,217)为起搏心跳，被排除在训练和测试集之外，剩余44条记录；为保证心跳的完整性，除去每条记录的首尾长度不规则数据，收集共99065次心跳用来本次实验分析；根据aami标准，将心拍信号分为五类：正常心跳、室上性心跳、心室上性心跳、融合心跳和无法分类的心跳。整个数据集分为两大部分：训练集和测试集；将mit-bih数据库中的24条记录{101,105,106,108,109,112,114,115,116,118,119,122,124,201,203,205,207,208,209,214,215,220,223,230}构建为初始训练集，其余的记录{100,103,111,113,117,121,123,200,202,210,212,213,219,221,222,228,231,232,233,234}构建为测试集；每个类别的含义以及心跳个数如表1所示。由于对应nsvf分类系统中s类和f类的样本数量较少，为了保持每类之间的平衡性，可采用多点平滑滤波，取平均值，将s类和f类样本数量放大2倍、3倍或者4倍。

表1每个类别的心拍数量表

在本实验研究中，训练集为通用数据集，用来训练通用模型，得到模型参数，传入特定患者模型中；接着选取测试数据集中每条记录的前5分钟数据，用来训练专用于每位患者的特定模型；最终，将测试集中每条记录的剩余25分钟左右数据用来测试最终结果；经实验表明，通用模型和特定病人专用模型的学习率为0.0005，通用模型的batch_size大小为40时训练精度达到最高，步数最少，特定病人专用模型的batch_size大小为50时训练精度最高，步数最少；之后，随着batch_size的增大训练步数也不断增大，随之学习速度降低；因此可知，在cnn分类模型中，batch_size的设置并非越大越好或越小越好，与学习率和数据量有关。

为了评估本发明实施例中所提出的分类模型，使用一些常用的性能指标。这些指标为灵敏度(se)(召回率)、阳性检测率(p)(精确率)和综合指标(f1-score)，该类别被正确分类个数(tp)、不属于该类却被分类器分为该类的个数(fp)和该类被错分为其他类的个数(fn)，公式如下：

灵敏度(se)可以反映诊断实验正确识别患病者的能力，该值越大越好；阳性检测率(p)可评价其诊断的有效性，该值也越大越好；f1-score是综合指标，它是精确率和召回率的调和平均数，同时兼顾了分类的精确率和召回率，是较为标准的综合指标。

使用自编码器进行关键特征提取，在数据预处理阶段有较大的创新，为了证明本发明实施例中技术方案的性能，现将自编码器使用前后结果进行对比，如表2所示。

表2使用自编码器性能对比

从表2可以看出，基于本发明实施例中提出的分类模型，在预处理阶段，未使用堆叠自编码器模型csae进行关键特征提取，在去噪后直接进行分类，得到准确率为92.46％；使用csae后，准确率为97.18％，提升了4.72个百分点。使用聚类算法对每个类的节拍分别进行聚类，使训练集包含尽可能多的典型模式，准确率为93.79％，准确率不如自编码器，且训练数据量增大，给其后的分类模型增加负担，不利于实际应用。在模型训练之前，对特征数据进行归一化，可以加快模型训练速度，但准确率为93.25％，使用前后相比，准确率没有明显的提升。为了证明在数据预处理阶段使用csae，与本发明实施例中cnn分类模型的融合性，与自编码器和dnn融合的分类算法进行比较，得出准确率为95.03％，低于本发明实施例方案的97.18％。综上所述，在数据预处理阶段，使用自编码器进行关键特征提取，能提升最终分类精度和准确率，对整个分类系统至关重要。本实施例技术方案在20条记录的测试集中进行检验，其中为每条记录的后25分钟心跳，得到每个类别的正确和错误分类数量，表3所示。

表3测试集每条记录的准确率

从表3中每个类别的分类正确数量和错误数量可以得出，综合准确率达到97.18％，证明本发明实施例中所提出的自编码器特征提取结合用于特定患者的分类深度网络模型有较好的效果。通用模型和专用模型的训练平均需要9min，一经训练，可嵌入穿戴设备中，特定患者的每个心跳分类只需0.2ms，对于大范围的心血管患者心电信号的实时诊断是足够有效的；该处理时间在intel(r)core(tm)i5-8400cpu@2.80ghz8.00gb64位系统上计算，没有使用gpu等任何加速设备，可用于更快的速度。

为了证明本文发明实施例中提出的csae和卷积神经网络融合用于特定患者的分类模型在准确性、敏感性和f1值方面的性能，选取其他4个分类器，在每一类中进行了精确的比较，如表4和5所示。

表5选取其他四个分类器说明

表4实验结果对标

从表4、表5可以看出，本发明实施例中所提方案对心电图的分类结果具有优势。通过使用csae和cnn相融合，在cnn模型未训练时，心电信号通过下采样提取关键特征，最终准确率和f1值明显高于a；b使用dnn作为分类器，使用两个中值滤波器去噪，总体重点在于特征提取和识别，相比于本实验方案，没有考虑到用于特定患者的心电检测，且测试训练集数量大；本实验方案测试数据量小，存储成本低，可嵌入到穿戴设备中，这为健康实时监护提供了便利；c使用sae和dnn算法融合分类器，准确率达到94.05％，但其f1值只有77.84％，没有考虑到诊断的正确识别能力和诊断的有效性，本实验方案与其相比效果好；d用于解决每个类别之间不平衡性问题的神经网络，在通用模型训练结束后，分别训练n、s、v、f四类数据，训练负担大，最终准确率和f1值较低，与本实验方案相比不适用于临床实际应用。综上所述，本实验方案使用小波变换和中值滤波器滤除噪声，使用csae进行特征提取，最终使用cnn结构对心跳进行分类，分类的准确率和f1值跟现有的算法相比得到提高，在实际应用中更加可行。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

基于上述的方法，本发明实施例还提供一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的方法。

基于上述的方法，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的方法。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。