分段多尺度心电图分类方法、设备及可读存储介质与流程

本发明涉及时序数据分析，尤其涉及一种分段多尺度心电图分类方法、设备及可读存储介质。

背景技术：

1、心电图(electrocardiogram,ecg)是一种常用的非侵入性检测心脏活动的技术。它可以通过每一个电极记录心脏的电活动，并通过一系列的波形来反映心脏的工作状态。

2、心电图数据通常是高度时变的、非平稳的，所以心电图信号非常复杂，会包括不同的噪声、干扰和异常信号。这些因素容易会导致心电图信号出现形态失真或重要的特征被遮盖的情况，从而影响分类的准确性，同时也对算法的鲁棒性和可解释性也构成了较高的要求。

3、为了可以更好的将心电图数据应用于心电图的信息化研究，从而提高心电图分类的准确性和效率，需研发一种新的心电图分类方法。

技术实现思路

1、本发明所要解决的技术问题在于，提供一种分段多尺度心电图分类方法、设备及可读存储介质，可提高心电图分类的准确性及高效性。

2、为了解决上述技术问题，本发明提供了一种分段多尺度心电图分类方法，包括：采集目标运动员的目标心电图数据；对所述目标心电图数据进行预处理；对预处理后的目标心电图数据进行分片处理；根据所述目标运动员的年龄特征及性别特征，从事先训练好的心电图分类模型集中筛选出对应的心电图分类模型；将分片处理后的目标心电图数据输入到对应的心电图分类模型中，以输出目标运动员的心电图类型。

3、作为上述方案的改进，所述心电图分类模型集的训练步骤包括：采集运动员的基准心电图数据；对所述基准心电图数据进行预处理；对预处理后的基准心电图数据进行分片处理；根据年龄特征及性别特征对分片处理后的基准心电图数据进行分段处理，以生成年龄分段数据及性别分段数据；将所述年龄分段数据及性别分段数据进行组合，以形成至少一组组合心电图数据；将各组所述组合心电图数据分别输入对应的心电图分类模型中进行训练，其中，一组所述组合心电图数据对应一个心电图分类模型；将训练好的所有心电图分类模型组合为心电图分类模型集。

4、作为上述方案的改进，所述对预处理后的目标心电图数据/基准心电图数据进行分片处理的步骤包括：根据所述处理后的目标心电图数据/基准心电图数据构建数据集其中，t为数据流的数量，l为数据流的长度；通过滑动窗口，将数据集分为一组多变量子序列其中，m为多变量子序列的数量，m＝(l-window_size)/step，window_size为滑动窗口大小，step为步长。

5、作为上述方案的改进，所述将各组所述组合心电图数据分别输入对应的心电图分类模型中进行训练的步骤包括：对所述组合心电图数据进行多尺度划分，以生成至少一组序列样本；将各组所述序列样本分别输入stack lstm网络；将所述stack lstm网络的各组输出结果进行拼接处理；将拼接后的输出结果输入分类器中进行分类处理。

6、作为上述方案的改进，采用三种尺度的滑动窗口对所述组合心电图数据进行多尺度划分，以生成三组序列样本，其中：采用第一种尺度的滑动窗口进行划分后所生成的序列样本为w1为第一种尺度的滑动窗口，t为数据流的数量；采用第二种尺度的滑动窗口进行划分后所生成的序列样本为w2为第二种尺度的滑动窗口；采用第三种尺度的滑动窗口进行划分后所生成的序列样本为w3为第三种尺度的滑动窗口。

7、作为上述方案的改进，第一种尺度的滑动窗口长度是第二种尺度的滑动窗口长度的2倍，第二种尺度的滑动窗口长度是第三种尺度的滑动窗口长度的2倍，三种尺度的滑动窗口的中心相互对齐。

8、作为上述方案的改进，所述stacklstm网络依次包括两个lstm层及一个dense层。

9、作为上述方案的改进，所述对所述目标心电图数据/基准心电图数据进行预处理的步骤包括：采用min-max标准对所述目标心电图数据/基准心电图数据进行归一化处理。

10、相应地，本发明还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现上述分段多尺度心电图分类方法的步骤。

11、相应地，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述分段多尺度心电图分类方法的步骤。

12、实施本发明，具有如下有益效果：

13、本发明通过构建多个心电图分类模型，能有效的解决心电图时序数据在分类中，不同年龄段运动员以及不同性别运动员的心电图分类存在一定差异性的情况下，使用通用的算法模型造成鲁棒性不强，难以获得准确的分类结果的问题；具体地，本发明将所有运动员的心电图数据按照年龄和性别两种方式进行分段，并根据分段结果进行重新组合，以减少运动员心电图数据之间的差异性。

14、进一步，本发明使用滑动窗口提取一段时间序列的数据信息，以提高模型的准确性并提升其泛化能力；采用多尺度方式对提取的时间序列数据信息进行三种尺度的变换，以获得不同尺度的数据信息；且每种尺度变换后的数据输入到一个堆叠长短期记忆人工神经网络，一共获得三个堆叠长短期记忆人工神经网络，将这三个网络的输出进行拼接后输入到分类器中，以此构成了心电图分类模型并提高分类的准确性；同时，每个堆叠长短期记忆人工神经网络都包含两个结构相同的长短期记忆人工神经网络层和一个全连接层，以获取心电图时间序列数据的细粒度和粗粒度信息。

技术特征：

1.一种分段多尺度心电图分类方法，其特征在于，包括：

2.如权利要求1所述的分段多尺度心电图分类方法，其特征在于，所述心电图分类模型集的训练步骤包括：

3.如权利要求2所述的分段多尺度心电图分类方法其特征在于，所述对预处理后的目标心电图数据/基准心电图数据进行分片处理的步骤包括：

4.如权利要求2所述的分段多尺度心电图分类方法，其特征在于，所述将各组所述组合心电图数据分别输入对应的心电图分类模型中进行训练的步骤包括：

5.如权利要求4所述的分段多尺度心电图分类方法，其特征在于，采用三种尺度的滑动窗口对所述组合心电图数据进行多尺度划分，以生成三组序列样本，其中：

6.如权利要求5所述的分段多尺度心电图分类方法，其特征在于，第一种尺度的滑动窗口长度是第二种尺度的滑动窗口长度的2倍，第二种尺度的滑动窗口长度是第三种尺度的滑动窗口长度的2倍，三种尺度的滑动窗口的中心相互对齐。

7.如权利要求4所述的分段多尺度心电图分类方法，其特征在于，所述stacklstm网络依次包括两个lstm层及一个dense层。

8.如权利要求2所述的分段多尺度心电图分类方法，其特征在于，所述对所述目标心电图数据/基准心电图数据进行预处理的步骤包括：采用min-max标准对所述目标心电图数据/基准心电图数据进行归一化处理。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。

技术总结
本发明公开了一种分段多尺度心电图分类方法、设备及可读存储介质，涉及时序数据分析技术领域，所述方法包括：采集目标运动员的目标心电图数据；对所述目标心电图数据进行预处理；对预处理后的目标心电图数据进行分片处理；根据所述目标运动员的年龄特征及性别特征，从事先训练好的心电图分类模型集中筛选出对应的心电图分类模型；将分片处理后的目标心电图数据输入到对应的心电图分类模型中，以输出目标运动员的心电图类型。采用本发明，可提高心电图分类的准确性及高效性。

技术研发人员：彭晓燕,李一帆,颜志威,梁汉宇,李智勇
受保护的技术使用者：广东海聊科技有限公司
技术研发日：
技术公布日：2024/1/13