[發(fā)明專利]利用LSTM網(wǎng)絡(luò)對心電數(shù)據(jù)進(jìn)行處理的算法在審
| 申請?zhí)枺?/td> | 201811050743.4 | 申請日: | 2018-09-10 |
| 公開(公告)號: | CN110881966A | 公開(公告)日: | 2020-03-17 |
| 發(fā)明(設(shè)計)人: | 張躍;李峰;宿影;李彥 | 申請(專利權(quán))人: | 深圳市游弋科技有限公司;深圳市巖尚科技有限公司;清華大學(xué)深圳研究生院 |
| 主分類號: | A61B5/0402 | 分類號: | A61B5/0402 |
| 代理公司: | 深圳新創(chuàng)友知識產(chǎn)權(quán)代理有限公司 44223 | 代理人: | 黃議本 |
| 地址: | 518000 廣東省深圳市南*** | 國省代碼: | 廣東;44 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 利用 lstm 網(wǎng)絡(luò) 對心 數(shù)據(jù) 進(jìn)行 處理 算法 | ||
1.利用LSTM網(wǎng)絡(luò)對心電數(shù)據(jù)進(jìn)行處理的算法,其特征在于包括:
讀取心電數(shù)據(jù);
將心電數(shù)據(jù)進(jìn)行隨機(jī)切分使每段數(shù)據(jù)包括設(shè)定數(shù)量的R波;
建立訓(xùn)練模型,包括設(shè)置雙向LSTM層、設(shè)置全連接層、以及在雙向LSTM層之間、或者全連接層之間、或者雙向LSTM層與全連接層之間設(shè)置dropout;
對所述訓(xùn)練模型的參數(shù)進(jìn)行配置;
利用心電數(shù)據(jù)對所述訓(xùn)練模型進(jìn)行循環(huán)訓(xùn)練以生成最終模型。
2.根據(jù)權(quán)利要求1所述的算法,其特征在于所述利用心電數(shù)據(jù)對所述訓(xùn)練模型進(jìn)行循環(huán)訓(xùn)練以生成最終模型包括:
得到數(shù)據(jù)的樣本列表并對所述樣本列表按照標(biāo)簽順序進(jìn)行排序;
計算每個類別的樣本數(shù),并且得到樣本最多的類別的樣本數(shù);
根據(jù)所述樣本最多的類別的樣本數(shù),對每一類隨機(jī)產(chǎn)生一個隨機(jī)排列的列表;
用每個類別的列表中的數(shù)對各自類別的樣本數(shù)求余,得到一個索引值,從每個類別的樣本中提取樣本,生成每個類別的樣本隨機(jī)列表;
把所有類別的樣本隨機(jī)列表連在一起,生成Random Shuffling,得到最后的樣本列表,用所述最后的樣本列表進(jìn)行訓(xùn)練。
3.根據(jù)權(quán)利要求1所述的算法,其特征在于所述設(shè)置雙向LSTM層包括:使用包裝器TimeDistributed來產(chǎn)生針對各個時間步信號的獨(dú)立全連接。
4.根據(jù)權(quán)利要求1所述的算法,其特征在于所述將心電數(shù)據(jù)進(jìn)行隨機(jī)切分使每段數(shù)據(jù)包括設(shè)定數(shù)量的R波包括:將R波作為標(biāo)簽;利用LSTM網(wǎng)絡(luò)訓(xùn)練得到檢測R波的R波檢測模型;通過R波檢測模型對心電數(shù)據(jù)的R波進(jìn)行識別,從而對心電數(shù)據(jù)切分使得每段數(shù)據(jù)包括設(shè)定數(shù)量的R波。
5.根據(jù)權(quán)利要求1所述的算法,其特征在于:所述雙向LSTM層的層數(shù)為一層、兩層、三層、四層、五層或者六層以上;所述全連接層的層數(shù)為一層、兩層、三層、四層、五層或者六層以上。
6.根據(jù)權(quán)利要求1所述的算法,其特征在于所述對所述訓(xùn)練模型的參數(shù)進(jìn)行配置包括:選擇損失函數(shù)和優(yōu)化器。
7.根據(jù)權(quán)利要求1所述的算法,其特征在于:所述dropout的比率為0.5。
8.根據(jù)權(quán)利要求2所述的算法,其特征在于所述對所述最終模型進(jìn)行可視化處理具體為:使用tensor board對所述最終模型可視化以便對所述最終模型進(jìn)行參數(shù)調(diào)節(jié)和優(yōu)化。
9.根據(jù)權(quán)利要求1至8任一項所述的算法,其特征在于所述設(shè)置雙向LSTM層包括:
定義前向LSTM單元和反向LSTM單元;指定所述前向LSTM單元的初始狀態(tài)和所述反向LSTM單元的初始狀態(tài);準(zhǔn)備心電數(shù)據(jù)序列;實現(xiàn)雙向雙層LSTM層;
或者,定義單向LSTM單元;指定單向LSTM單元的初始狀態(tài);利用雙向LSTM包裝器實現(xiàn)雙向雙層LSTM層。
10.一種計算機(jī)可讀存儲介質(zhì),其存儲有與計算設(shè)備結(jié)合使用的計算機(jī)程序,所述計算機(jī)程序被處理器執(zhí)行以實現(xiàn)權(quán)利要求1-9任一項所述算法。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于深圳市游弋科技有限公司;深圳市巖尚科技有限公司;清華大學(xué)深圳研究生院,未經(jīng)深圳市游弋科技有限公司;深圳市巖尚科技有限公司;清華大學(xué)深圳研究生院許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201811050743.4/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 同類專利
- 專利分類
- 用于高階長短期記憶網(wǎng)絡(luò)的系統(tǒng)和方法
- 基于深度學(xué)習(xí)LSTM的空調(diào)故障診斷方法
- 基于注意力機(jī)制的時間序列預(yù)測方法、裝置及存儲介質(zhì)
- 一種基于PCA-LSTM網(wǎng)絡(luò)的廢水處理智能監(jiān)控方法
- 一種基于FAF-LSTM深度神經(jīng)網(wǎng)絡(luò)的居民負(fù)荷預(yù)測方法及系統(tǒng)
- 用于預(yù)測血糖水平的循環(huán)神經(jīng)網(wǎng)絡(luò)裝置和系統(tǒng)
- 基于情景LSTM結(jié)構(gòu)網(wǎng)絡(luò)的微博情感分析方法
- 語音信號處理方法、裝置、電子設(shè)備和存儲介質(zhì)
- 基于約束并行LSTM分位數(shù)回歸的電力負(fù)荷概率預(yù)測方法
- 基于深度網(wǎng)絡(luò)AS-LSTM的命名實體識別系統(tǒng)及識別方法
- 網(wǎng)絡(luò)和網(wǎng)絡(luò)終端
- 網(wǎng)絡(luò)DNA
- 網(wǎng)絡(luò)地址自適應(yīng)系統(tǒng)和方法及應(yīng)用系統(tǒng)和方法
- 網(wǎng)絡(luò)系統(tǒng)及網(wǎng)絡(luò)至網(wǎng)絡(luò)橋接器
- 一種電力線網(wǎng)絡(luò)中根節(jié)點(diǎn)網(wǎng)絡(luò)協(xié)調(diào)方法和系統(tǒng)
- 一種多網(wǎng)絡(luò)定位方法、存儲介質(zhì)及移動終端
- 網(wǎng)絡(luò)裝置、網(wǎng)絡(luò)系統(tǒng)、網(wǎng)絡(luò)方法以及網(wǎng)絡(luò)程序
- 從重復(fù)網(wǎng)絡(luò)地址自動恢復(fù)的方法、網(wǎng)絡(luò)設(shè)備及其存儲介質(zhì)
- 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法、裝置及存儲介質(zhì)
- 網(wǎng)絡(luò)管理方法和裝置





