一种基于深度学习的心肌缺血心电信号分析方法与流程

1.本发明涉及心电信号分析的技术领域，尤其涉及一种基于深度学习的心肌缺血心电信号分析方法。


背景技术：

2.如今社会日新月异，人们生活节奏快，工作和生活的压力使人们的身体容易出现疾病。心血管疾病是其中发病率和死亡率最高的疾病，心血管疾病一般发生在人体的心脏、血管，疾病类型多且病情复杂，如果得不到及时治疗，患者随时都有生命危险。大多数心血管疾病最终都会导致心力衰竭的发生，近年来心力衰竭的患者人数持续上涨，冠心病患者增多是其最主要的原因，冠心病是冠状动脉发生动脉粥样硬化引起血管狭窄或阻塞，可能会引起心肌缺血，鉴于此，如何实现心肌缺血诊断成为避免心血管疾病的重要研究内容。
3.鉴于此，本发明提出一种基于深度学习的心肌缺血心电信号分析方法，通过构建多个深度残差网络分类器用于心肌缺血的心电信号分析，并使用分类器权重动态更新策略更新每个分类器输出结果的权重占比，将所有分类器的加权结果作为最终的心肌缺血心电信号分析结果，实现是否存在心肌缺血的分类预测。


技术实现要素：

4.本发明提供一种基于深度学习的心肌缺血心电信号分析方法，目的在于(1)实现心电信号特征提取；(2)构建多个深度残差网络分类器用于心肌缺血的心电信号分析，并使用分类器权重动态更新策略更新每个分类器输出结果的权重占比，将分类器的加权结果作为心肌缺血心电信号分析结果。
5.实现上述目的，本发明提供的一种基于深度学习的心肌缺血心电信号分析方法，包括以下步骤：
6.s1：采集心电信号，并对采集的心电信号依次进行滤波、去噪处理；
7.s2：利用特征向量提取算法从处理后的心电信号中提取特征向量，得到心电信号特征向量；
8.s3：构建多个深度残差网络分类器用于心肌缺血心电信号分析，并分别进行参数训练；
9.s4：将心电信号特征向量作为深度残差网络分类器的输入，深度残差网络分类器输出心电信号的分类结果，根据分类器的分类结果动态更新每一个分类器的权重参数，并将所有分类器的加权结果作为最终的心肌缺血心电信号分析结果。
10.作为本发明的进一步改进方法：
11.所述s1步骤中采集人体的心电信号，并对采集的心电信号进行滤波处理，得到滤波处理后的心电信号，包括：
12.将心电电极片固定在人体皮肤部位，心电电极片持续获取人体的心电信号，并将心电信号传输到心电传感器，在心电传感器内部设置高通滤波器，若心电信号的频率高于
高通滤波器的截止频率，电容元件的容抗较小，对心电信号无衰减作用，若心电信号的频率低于高通滤波器的截止频率，电容元件的容抗较大，心电信号被衰减，且心电信号频率越低衰减程度越高，心电传感器采集得到的滤波后的心电信号为x(t)；
13.所述截止频率f
t
的计算公式为：
[0014][0015]
其中：
[0016]
r表示高通滤波器中电阻的电阻值；
[0017]
c表示高通滤波器中电容元件的电容。
[0018]
所述s1步骤中对滤波后的心电信号进行去噪处理，包括：
[0019]
利用小波变换算法对滤波后的心电信号x(t)进行去噪处理，所述小波变换算法流程为：
[0020]
1)固定尺度因子a，利用小波函数ω(t)对心电信号x(t)进行小波变换处理，在本发明一个具体实施例中，小波函数为daubechies小波函数，所述小波变换处理公式为：
[0021][0022]
其中：
[0023]
b表示小波函数的位移因子；
[0024]
q(a,b)表示小波变换得到的小波系数；
[0025]
2)改变小波函数的位移因子并重复步骤1)，得到在尺度因子a下的小波系数集合；
[0026]
3)改变尺度因子a，重复步骤1)2)，得到心电信号在不同尺度因子、位移因子下的小波系数q(a,b)，直到
[0027]
4)确定小波阈值为λ；
[0028]
5)删除小于小波阈值λ的小波系数，保留大于等于小波阈值λ的小波系数，得到的小波系数为q(a,b)
′
，将小波系数重构为去噪信号，将重构得到的去噪信号作为处理后的心电信号f(t)，则小波逆变换方法的公式为：
[0029][0030]
其中：
[0031]
f(t)为重构得到的去噪信号。
[0032]
所述s2步骤中利用特征向量提取算法从处理后的心电信号中提取特征向量，包括：
[0033]
利用特征向量提取算法从处理后的心电信号中提取特征向量，所述特征提取算法流程为：
[0034]
对处理后的心电信号f(t)进行多尺度小波分解，得到多尺度的小波系数，并将不同尺度的小波系数重构为多尺度心电信号，其中多尺度小波分解的公式为：
[0035][0036]
其中：
[0037]
ω0(t)为小波函数，在本发明一个具体实施例中，小波函数为db5小波函数；
[0038]
qi(ai，b)为尺度ai的小波系数，在本发明一个具体实施例中，i＝1，2，3，4，a1《a2《a3《a4，且ai∈[1,3]；
[0039]
b0表示小波函数的位移因子，将其设置为1；
[0040]fi
(t)表示对尺度ai的小波系数进行重构，得到尺度ai的心电信号，f0(t)表示滤波、去噪处理后的心电信号f(t)；
[0041]
在尺度a3的心电信号中，保留正极大值大于正阈值或负极大值小于负阈值的正负极大值点，遍历正负极大值点之间的过零点，对过零点进行时移(2
3-3)/2的修正，修正后起始零点时刻所对应尺度a3心电信号即为心电信号r波的起点，末尾零点时刻所对应尺度a3心电信号即为心电信号r波的终点，r波起点以及终点之间的信号值为尺度a3心电信号在相同时刻的信号值；
[0042]
将r波对应到尺度a1的心电信号，q波峰值位置对应r波位置前的第一个和第二个极值点的过零点，s波峰值位置对应对应r波位置后的第一个和第二个极值点的过零点；
[0043]
将r波对应到尺度a2的心电信号，qrs波起点对应尺度a2心电信号上r波位置前的第三个极值点，qrs波终点对应尺度a2心电信号上r波位置后的第三个极值点；
[0044]
将r波峰值位置对应到尺度a4的心电信号，并将qrs波起点和qrs波终点对应到尺度a4的心电信号，以长度为50个采样点的窗口在qrs波起点前搜索r波极值点对，负极大值点位p波起点，正极大值点对应p波终点；以长度为50个采样点的窗口在qrs波终点后搜索r波极值点对，负极大值点位t波起点，正极大值点对应t波终点；
[0045]
根据尺度分解得到的心电信号，所提取的特征向量为：
[0046]
f＝(d
rs
,d
rq
,d
rp
,d
rt
,d
qp
，d
st
，h
rq
，h
rs
，h
qp
，h
st
}
[0047]
其中：
[0048]drs
,d
rq
,d
rp
,d
rt
,d
qp
,d
st
分别为r波峰值与s波峰值的距离，r波峰值与q波峰值的距离，r波峰值与p波峰值的距离，r波峰值与t波峰值的距离，q波峰值与p波峰值的距离，s波峰值与t波峰值的距离；
[0049]hrq
,h
rs
,h
qp
,h
st
分别为r波与q波的幅值差，r波与s波的幅值差，q波与p波的幅值差，s波与t波的幅值差。
[0050]
所述s3步骤中构建多个深度残差网络分类器，包括：
[0051]
构建多个以心电信号特征向量为输入，心电信号分类结果为输出的深度残差网络分类器，在本发明一个具体实施例中，心电信号分类结果为{0,1}，其中0表示心电信号不存在心肌缺血，1表示心电信号存在心肌缺血；
[0052]
所述深度残差网络分类器由l个残差单元以及一个全连接层构成，其中全连接层为softmax函数，用来输出心电信号的分类结果，其中第j个残差单元的输出结果为：
[0053]rj
＝w1(r
j-1
)+sc(r
j-1
)
[0054]
其中：
[0055]rj
表示第j个残差单元的输出结果，r0表示输入的心电信号特征向量f；
[0056]
w1(
·
)表示对输入值进行1
×
1的卷积操作；
[0057]
sc(
·
)表示残差映射，在本发明一个具体实施例中，残差单元由两个卷积层组成，残差映射操作为对输入值进行两次卷积处理，所构建的深度残差网络分类器的残差单元数目、残差单元中的卷积层不同；
[0058]
第l个残差单元的输出结果为relu(r
l
)，将第l个残差单元的输出relu(r
l
)作为全连接层的输入，则全连接层的输出结果为softmax(relu(r
l
))。
[0059]
所述s3步骤中训练得到深度残差网络分类器的参数，包括：
[0060]
获取深度残差网络分类器训练数据集，所述训练数据集为{(e1,y1),(e2,y2),
…
,(en,yn)}，其中，n表示训练数据集中的数据组数，en表示第n组心电信号特征向量，yn表示心电信号特征向量所对应的心电信号分类结果，yn＝{0,1}，其中0表示心电信号不存在心肌缺血，1表示心电信号存在心肌缺血；
[0061]
构建深度残差网络分类器的损失函数：
[0062][0063]
其中：
[0064]
为深度残差网络分类器预测得到的en的心电信号分类结果；
[0065]
将训练数据集输入到所构建的每个深度残差网络分类器中进行参数训练，直到深度残差网络分类器的损失函数稳定，训练得到m个深度残差网络分类器。
[0066]
所述s4步骤中将心电信号特征向量作为深度残差网络分类器的输入，深度残差网络分类器输出心电信号的分类结果，根据分类器的分类结果动态更新每一个分类器的权重参数，将所有分类器的加权结果作为心电信号分析结果，包括：
[0067]
将心电信号特征向量作为所构建的多个深度残差网络分类器的输入，利用深度残差网络分类器权重动态更新策略动态更新每个深度残差网络分类器的权重，将所有分类器的加权结果作为心电信号分析结果，所述深度残差网络分类器权重更新策略流程为：
[0068]
1)计算深度残差网络分类器的评价指标：
[0069][0070][0071]
其中：
[0072]ns
表示训练深度残差网络分类器的训练数据数目；
[0073]ei
表示训练数据中的心电信号特征向量，yi表示ei对应的心电信号分类结果；
[0074]yij
表示第j个深度残差网络分类器输出结果为ei所对应的心电信号分类结果；
[0075]
p(y
ij
|ei)表示第j个深度残差网络分类器输出yi的概率；
[0076]
value1j,value2j表示第j个深度残差网络分类器的评价指标；
[0077]
2)计算深度残差网络分类器的权重：
[0078][0079]
其中：
[0080]
θj表示第j个深度残差网络分类器的权重；
[0081]
ε为参数，将其设置为0.1；
[0082]
得到所构建的多个深度残差网络分类器的权重集合{θ1,θ2,
…
,θk}，其中k表示所构建的深度残差网络分类器数目，对所计算得到的权重集合进行等比例变换，得到变换后的权重集合{θ
′1,θ
′2,
…
,θ
′k}，其中
[0083]
将心电信号特征向量f输入到深度残差网络分类器中，所有分类器的加权结果作为心电信号分析结果：
[0084][0085][0086]
其中：
[0087]
表示第k个深度残差网络分类器对心电信号特征向量f的心电信号分类结果，其中0表示心电信号不存在心肌缺血，1表示心电信号存在心肌缺血；
[0088]
表示心电信号分类的加权结果，0表示心电信号不存在心肌缺血，1表示心电信号存在心肌缺血；
[0089]
表示加权结果阈值，将其设置为0.7；
[0090]
将当前分析得到的添加到深度残差网络分类器的训练数据中，更新深度残差网络分类器的权重集合，实现深度残差网络分类器权重的动态更新。
[0091]
相对于现有技术，本发明提出一种基于深度学习的心肌缺血心电信号分析方法，该技术具有以下优势：
[0092]
首先，本方案提出一种心电信号特征向量提取算法，通过对处理后的心电信号f(t)进行多尺度小波分解，得到多尺度的小波系数，并将不同尺度的小波系数重构为多尺度心电信号，其中多尺度小波分解的公式为：
[0093][0094]
其中：ω0(t)为小波函数；qi(ai,b)为尺度ai的小波系数，i＝1,2,3,4，a1《a2《a3《a4，且ai∈[1,3]；b0表示小波函数的位移因子，将其设置为1；fi(t)表示对尺度ai的小波系数进行重构，得到尺度ai的心电信号，f0(t)表示滤波、去噪处理后的心电信号f(t)；在尺度a3的心电信号中，保留正极大值大于正阈值或负极大值小于负阈值的正负极大值点，遍历正负极大值点之间的过零点，对过零点进行时移(2
3-3)/2的修正，修正后起始零点时刻所对应尺度a3心电信号即为心电信号r波的起点，末尾零点时刻所对应尺度a3心电信号即为心电信号r波的终点，r波起点以及终点之间的信号值为尺度a3心电信号在相同时刻的信号值；将r波对应到尺度a1的心电信号，q波峰值位置对应r波位置前的第一个和第二个极值点的过零点，s波峰值位置对应对应r波位置后的第一个和第二个极值点的过零点；将r波对应
到尺度a2的心电信号，qrs波起点对应尺度a2心电信号上r波位置前的第三个极值点，qrs波终点对应尺度a2心电信号上r波位置后的第三个极值点；将r波峰值位置对应到尺度a4的心电信号，并将qrs波起点和qrs波终点对应到尺度a4的心电信号，以长度为50个采样点的窗口在qrs波起点前搜索r波极值点对，负极大值点位p波起点，正极大值点对应p波终点；以长度为50个采样点的窗口在qrs波终点后搜索r波极值点对，负极大值点位t波起点，正极大值点对应t波终点；根据尺度分解得到的心电信号，所提取的特征向量为：
[0095]
f＝(d
rs
,d
rq
,d
rp
,d
rt
,d
qp
,d
st
,h
rq
,h
rs
,h
qp
,h
st
}
[0096]
其中：d
rs
,d
rq
,d
rp
,d
rt
,d
qp
,d
st
分别为r波峰值与s波峰值的距离，r波峰值与q波峰值的距离，r波峰值与p波峰值的距离，r波峰值与t波峰值的距离，q波峰值与p波峰值的距离，s波峰值与t波峰值的距离；h
rq
,h
rs
,h
qp
,h
st
分别为r波与q波的幅值差，r波与s波的幅值差，q波与p波的幅值差，s波与t波的幅值差。本方案依据心电信号波形的特性，r波能量分布在高尺度小波变换结果上，qs波为高频波，主要分布在低尺度小波变换结果上，而tp波频率较低，分布在高尺度小波变换结果上，通过对心电信号进行多尺度小波变换，得到不同尺度的小波变换结果，并在多尺度小波变换结果上提取对应更为精准的波形特征，得到更能表征心电信号特征的心电信号特征向量，提高了心肌缺血心电信号分析的准确性。
[0097]
同时，本方案提出一种深度残差网络分类器权重动态更新策略，通过计算深度残差网络分类器的评价指标：
[0098][0099][0100]
其中：ns表示训练深度残差网络分类器的训练数据数目；ei表示训练数据中的心电信号特征向量，yi表示ei对应的心电信号分类结果；y
ij
表示第j个深度残差网络分类器输出结果为ei所对应的心电信号分类结果；p(y
ij
|ei)表示第j个深度残差网络分类器输出yi的概率；value1j,value2j表示第j个深度残差网络分类器的评价指标，其中value1j表示对分类器准确度进行评价，value2j表示对分类器的稳定性进行评价；根据所计算的深度残差网络分类器评价指标，基于分类器的准确度和稳定性确定深度残差网络分类器的权重：
[0101][0102]
其中：θj表示第j个深度残差网络分类器的权重；ε为参数，将其设置为0.1；得到所构建的多个深度残差网络分类器的权重集合{θ1,θ2,
…
,θk}，其中k表示所构建的深度残差网络分类器数目，对所计算得到的权重集合进行等比例变换，得到变换后的权重集合{θ
′1,θ
′2,
…
,θ
′k}，其中将心电信号特征向量f输入到深度残差网络分类器中，所有分类器的加权结果作为心电信号分析结果：
[0103][0104]
[0105]
其中：表示第k个深度残差网络分类器对心电信号特征向量f的心电信号分类结果，其中0表示心电信号不存在心肌缺血，1表示心电信号存在心肌缺血；表示心电信号分类的加权结果，0表示心电信号不存在心肌缺血，1表示心电信号存在心肌缺血；表示加权结果阈值，将其设置为0.7；将当前分析得到的添加到深度残差网络分类器的训练数据中，更新深度残差网络分类器的权重集合，实现深度残差网络分类器权重的动态更新。
附图说明
[0106]
图1为本发明一实施例提供的一种基于深度学习的心肌缺血心电信号分析方法的流程示意图；
[0107]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0108]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0109]
s1：采集心电信号，并对采集的心电信号依次进行滤波、去噪处理。
[0110]
所述s1步骤中采集人体的心电信号，并对采集的心电信号进行滤波处理，得到滤波处理后的心电信号，包括：
[0111]
将心电电极片固定在人体皮肤部位，心电电极片持续获取人体的心电信号，并将心电信号传输到心电传感器，在心电传感器内部设置高通滤波器，若心电信号的频率高于高通滤波器的截止频率，电容元件的容抗较小，对心电信号无衰减作用，若心电信号的频率低于高通滤波器的截止频率，电容元件的容抗较大，心电信号被衰减，且心电信号频率越低衰减程度越高，心电传感器采集得到的滤波后的心电信号为x(t)；
[0112]
所述截止频率f
t
的计算公式为：
[0113][0114]
其中：
[0115]
r表示高通滤波器中电阻的电阻值；
[0116]
c表示高通滤波器中电容元件的电容。
[0117]
所述s1步骤中对滤波后的心电信号进行去噪处理，包括：
[0118]
利用小波变换算法对滤波后的心电信号x(t)进行去噪处理，所述小波变换算法流程为：
[0119]
1)固定尺度因子a，利用小波函数ω(t)对心电信号x(t)进行小波变换处理，在本发明一个具体实施例中，小波函数为daubechies小波函数，所述小波变换处理公式为：
[0120][0121]
其中：
[0122]
b表示小波函数的位移因子；
[0123]
q(a,b)表示小波变换得到的小波系数；
[0124]
2)改变小波函数的位移因子并重复步骤1)，得到在尺度因子a下的小波系数集合；
[0125]
3)改变尺度因子a，重复步骤1)2)，得到心电信号在不同尺度因子、位移因子下的小波系数q(a,b)，直到
[0126]
4)确定小波阈值为λ；
[0127]
5)删除小于小波阈值λ的小波系数，保留大于等于小波阈值λ的小波系数，得到的小波系数为q(a,b)
′
，将小波系数重构为去噪信号，将重构得到的去噪信号作为处理后的心电信号f(t)，则小波逆变换方法的公式为：
[0128][0129]
其中：
[0130]
f(t)为重构得到的去噪信号。
[0131]
s2：利用特征向量提取算法从处理后的心电信号中提取特征向量，得到心电信号特征向量。
[0132]
所述s2步骤中利用特征向量提取算法从处理后的心电信号中提取特征向量，包括：
[0133]
利用特征向量提取算法从处理后的心电信号中提取特征向量，所述特征提取算法流程为：
[0134]
对处理后的心电信号f(t)进行多尺度小波分解，得到多尺度的小波系数，并将不同尺度的小波系数重构为多尺度心电信号，其中多尺度小波分解的公式为：
[0135][0136]
其中：
[0137]
ω0(t)为小波函数，在本发明一个具体实施例中，小波函数为db5小波函数；
[0138]
qi(ai，b)为尺度ai的小波系数，在本发明一个具体实施例中，i＝1，2，3，4，a1《a2《a3《a4，且ai∈[1,3]；
[0139]
b0表示小波函数的位移因子，将其设置为1；
[0140]fi
(t)表示对尺度ai的小波系数进行重构，得到尺度ai的心电信号，f0(t)表示滤波、去噪处理后的心电信号f(t)；
[0141]
在尺度a3的心电信号中，保留正极大值大于正阈值或负极大值小于负阈值的正负极大值点，遍历正负极大值点之间的过零点，对过零点进行时移(2
3-3)/2的修正，修正后起始零点时刻所对应尺度a3心电信号即为心电信号r波的起点，末尾零点时刻所对应尺度a3心电信号即为心电信号r波的终点，r波起点以及终点之间的信号值为尺度a3心电信号在相同时刻的信号值；
[0142]
将r波对应到尺度a1的心电信号，q波峰值位置对应r波位置前的第一个和第二个极值点的过零点，s波峰值位置对应对应r波位置后的第一个和第二个极值点的过零点；
[0143]
将r波对应到尺度a2的心电信号，qrs波起点对应尺度a2心电信号上r波位置前的第三个极值点，qrs波终点对应尺度a2心电信号上r波位置后的第三个极值点；
[0144]
将r波峰值位置对应到尺度a4的心电信号，并将qrs波起点和qrs波终点对应到尺
度a4的心电信号，以长度为50个采样点的窗口在qrs波起点前搜索r波极值点对，负极大值点位p波起点，正极大值点对应p波终点；以长度为50个采样点的窗口在qrs波终点后搜索r波极值点对，负极大值点位t波起点，正极大值点对应t波终点；
[0145]
根据尺度分解得到的心电信号，所提取的特征向量为：
[0146]
f＝(d
rs
,d
rq
,d
rp
,d
rt
,d
qp
,d
st
,h
rq
,h
rs
,h
qp
,h
st
}
[0147]
其中：
[0148]drs
,d
rq
,d
rp
,d
rt
,d
qp
,d
st
分别为r波峰值与s波峰值的距离，r波峰值与q波峰值的距离，r波峰值与p波峰值的距离，r波峰值与t波峰值的距离，q波峰值与p波峰值的距离，s波峰值与t波峰值的距离；
[0149]hrq
,h
rs
,h
qp
,h
st
分别为r波与q波的幅值差，r波与s波的幅值差，q波与p波的幅值差，s波与t波的幅值差。
[0150]
s3：构建多个深度残差网络分类器用于心肌缺血心电信号分析，并分别进行参数训练。
[0151]
所述s3步骤中构建多个深度残差网络分类器，包括：
[0152]
构建多个以心电信号特征向量为输入，心电信号分类结果为输出的深度残差网络分类器，在本发明一个具体实施例中，心电信号分类结果为{0，1}，其中0表示心电信号不存在心肌缺血，1表示心电信号存在心肌缺血；
[0153]
所述深度残差网络分类器由l个残差单元以及一个全连接层构成，其中全连接层为softmax函数，用来输出心电信号的分类结果，其中第j个残差单元的输出结果为：
[0154]rj
＝w1(r
j-1
)+sc(r
j-1
)
[0155]
其中：
[0156]rj
表示第j个残差单元的输出结果，r0表示输入的心电信号特征向量f；
[0157]
w1(
·
)表示对输入值进行1
×
1的卷积操作；
[0158]
sc(
·
)表示残差映射，在本发明一个具体实施例中，残差单元由两个卷积层组成，残差映射操作为对输入值进行两次卷积处理，所构建的深度残差网络分类器的残差单元数目、残差单元中的卷积层不同；
[0159]
第l个残差单元的输出结果为relu(r
l
)，将第l个残差单元的输出relu(r
l
)作为全连接层的输入，则全连接层的输出结果为softmax(relu(r
l
))。
[0160]
所述s3步骤中训练得到深度残差网络分类器的参数，包括：
[0161]
获取深度残差网络分类器训练数据集，所述训练数据集为{(e1,y1),(e2,y2),
…
,(en,yn)}，其中，n表示训练数据集中的数据组数，en表示第n组心电信号特征向量，yn表示心电信号特征向量所对应的心电信号分类结果，yn＝{0,1}，其中0表示心电信号不存在心肌缺血，1表示心电信号存在心肌缺血；
[0162]
构建深度残差网络分类器的损失函数：
[0163][0164]
其中：
[0165]
为深度残差网络分类器预测得到的en的心电信号分类结果；
[0166]
将训练数据集输入到所构建的每个深度残差网络分类器中进行参数训练，直到深度残差网络分类器的损失函数稳定，训练得到m个深度残差网络分类器。
[0167]
s4：将心电信号特征向量作为深度残差网络分类器的输入，深度残差网络分类器输出心电信号的分类结果，根据分类器的分类结果动态更新每一个分类器的权重参数，并将所有分类器的加权结果作为最终的心肌缺血心电信号分析结果。
[0168]
所述s4步骤中将心电信号特征向量作为深度残差网络分类器的输入，深度残差网络分类器输出心电信号的分类结果，根据分类器的分类结果动态更新每一个分类器的权重参数，将所有分类器的加权结果作为心电信号分析结果，包括：
[0169]
将心电信号特征向量作为所构建的多个深度残差网络分类器的输入，利用深度残差网络分类器权重动态更新策略动态更新每个深度残差网络分类器的权重，将所有分类器的加权结果作为心电信号分析结果，所述深度残差网络分类器权重更新策略流程为：
[0170]
1)计算深度残差网络分类器的评价指标：
[0171][0172][0173]
其中：
[0174]ns
表示训练深度残差网络分类器的训练数据数目；
[0175]ei
表示训练数据中的心电信号特征向量，yi表示ei对应的心电信号分类结果；
[0176]yij
表示第j个深度残差网络分类器输出结果为ei所对应的心电信号分类结果；
[0177]
p(y
ij
|ei)表示第j个深度残差网络分类器输出yi的概率；
[0178]
value1j，value2j表示第j个深度残差网络分类器的评价指标；
[0179]
2)计算深度残差网络分类器的权重：
[0180][0181]
其中：
[0182]
θj表示第j个深度残差网络分类器的权重；
[0183]
ε为参数，将其设置为0.1；
[0184]
得到所构建的多个深度残差网络分类器的权重集合{θ1，θ2，
…
，θk}，其中k表示所构建的深度残差网络分类器数目，对所计算得到的权重集合进行等比例变换，得到变换后的权重集合{θ
′1,θ
′2,
…
,θ
′k}，其中
[0185]
将心电信号特征向量f输入到深度残差网络分类器中，所有分类器的加权结果作为心电信号分析结果：
[0186][0187][0188]
其中：
[0189]
表示第k个深度残差网络分类器对心电信号特征向量f的心电信号分类结果，其中0表示心电信号不存在心肌缺血，1表示心电信号存在心肌缺血；
[0190]
表示心电信号分类的加权结果，0表示心电信号不存在心肌缺血，1表示心电信号存在心肌缺血；
[0191]
表示加权结果阈值，将其设置为0.7；
[0192]
将当前分析得到的添加到深度残差网络分类器的训练数据中，更新深度残差网络分类器的权重集合，实现深度残差网络分类器权重的动态更新。
[0193]
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
[0194]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0195]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。