[發(fā)明專利]一種基于持續(xù)學(xué)習(xí)的心律失常實(shí)時分類方法

在審

• 申請?zhí)枺?/td>: 202210497273.6
• 申請日: 2022-05-09
• 公開（公告）號: CN114970612A
• 公開（公告）日: 2022-08-30
• 發(fā)明（設(shè)計）人: 孫樂;陳青源
• 申請（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;A61B5/00;A61B5/363;A61B5/366
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 陳月菊

1.一種基于持續(xù)學(xué)習(xí)的心律失常實(shí)時分類方法，其特征在于，所述實(shí)時分類方法包括以下步驟：

S1，定位QRS波，截取出ECG信號中的心拍，針對不同心拍類型，各自采樣得到若干個數(shù)據(jù)流；

S2，基于深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建心拍分類模型，該心拍分類模型用于對導(dǎo)入的心拍數(shù)據(jù)進(jìn)行分類；

基于聚類算法對采樣得到的數(shù)據(jù)流進(jìn)行處理，計算得到同類數(shù)據(jù)的原型，原型是指相同類別標(biāo)簽所有數(shù)據(jù)的平均值，將每類數(shù)據(jù)的原型和部分?jǐn)?shù)據(jù)流一起存儲至緩沖區(qū)；分批量多次導(dǎo)入數(shù)據(jù)流，從緩沖區(qū)中讀取相同批量大小的數(shù)據(jù)，合成新的訓(xùn)練數(shù)據(jù)，采用指數(shù)加權(quán)平均的方式對每次輸入后的原型進(jìn)行迭代更新，對心拍分類模型進(jìn)行訓(xùn)練和參數(shù)更新；

S3，將待識別的ECG心拍數(shù)據(jù)導(dǎo)入完成訓(xùn)練的心拍分類模型，進(jìn)行心拍類型識別。

2.根據(jù)權(quán)利要求1所述的基于持續(xù)學(xué)習(xí)的心律失常實(shí)時分類方法，其特征在于，步驟S1中，所述心拍類型包括正常心拍、室上異位心拍、心室異位心拍、融合心拍以及不可分心拍。

3.根據(jù)權(quán)利要求1所述的基于持續(xù)學(xué)習(xí)的心律失常實(shí)時分類方法，其特征在于，步驟S2中，所述心拍分類模型包括依次連接的輸入層、5個結(jié)構(gòu)相同的特征提取模塊、第一全連接層、第一ReLU激活層、第二全連接層和softmax激活層；

所述特征提取模塊包括依次連接的第二卷積層、第二ReLU激活層、第三卷積層、融合層、第四卷積層和池化層；所述第一卷積層的輸出端分別連接至第二卷積層和融合層的輸入端，第一卷積層的輸出特征依次經(jīng)第二卷積層、第二ReLU激活層、第三卷積層處理，由融合層將處理結(jié)果與原始輸出特征融合后再導(dǎo)入第四卷積層。

4.根據(jù)權(quán)利要求1所述的基于持續(xù)學(xué)習(xí)的心律失常實(shí)時分類方法，其特征在于，所述心拍分類模型的訓(xùn)練過程包括以下步驟：

S21，將采樣得到的數(shù)據(jù)流劃分成訓(xùn)練集和測試集兩個部分，訓(xùn)練集和測試集的數(shù)據(jù)流數(shù)量比例為9：1；

S22，采用深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建心跳分類模型1D-Resnet network對訓(xùn)練集的數(shù)據(jù)流進(jìn)行分類處理；其中，采用stride＝2的卷積做下采樣，并且用global average pool層替換了全連接層；

S23，針對每個心拍類型，采用K-means方法，按照樣本之間的距離大小，將相應(yīng)的樣本集劃分為K個簇，從所有相同標(biāo)簽的數(shù)據(jù)中計算出最具有代表性的點(diǎn)，記為該類的原型，將計算出的原型和部分?jǐn)?shù)據(jù)存入緩沖區(qū)；

S24，分批量多次導(dǎo)入數(shù)據(jù)流，從緩沖區(qū)中讀取相同批量大小的數(shù)據(jù)，合成新的訓(xùn)練數(shù)據(jù)，采用指數(shù)加權(quán)平均的方式對每次輸入后的原型進(jìn)行迭代更新，對心拍分類模型進(jìn)行訓(xùn)練和參數(shù)更新；其中，指數(shù)加權(quán)參數(shù)β＝0.9，損失函數(shù)是取負(fù)對數(shù)似然并對批中的所有實(shí)例求和；

S25，將最后取得的最優(yōu)參數(shù)保留，輸入測試集至心拍分類模型中進(jìn)行測試，如果測試通過，結(jié)束訓(xùn)練流程，否則返回步驟S21。

5.根據(jù)權(quán)利要求4所述的基于持續(xù)學(xué)習(xí)的心律失常實(shí)時分類方法，其特征在于，步驟S25中，將測試集的分類結(jié)果與最近鄰原型進(jìn)行比對，以持續(xù)更新原型。