[發明專利]一種基于持續學習的心律失常實時分類方法

在審

• 申請號: 202210497273.6
• 申請日: 2022-05-09
• 公開（公告）號: CN114970612A
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 孫樂;陳青源
• 申請（專利權）人: 南京信息工程大學
• 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: 南京經緯專利商標代理有限公司 32200
• 代理人: 陳月菊

本發明公開了一種基于持續學習的心律失常實時分類方法，包括：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據流；基于深度卷積神經網絡構建心拍分類模型；基于聚類算法計算得到同類數據的原型，將每類數據的原型和部分數據流一起存儲至緩沖區；分批量多次導入數據流，從緩沖區中讀取相同批量大小的數據，合成新的訓練數據，采用指數加權平均的方式對每次輸入后的原型進行迭代更新，對心拍分類模型進行訓練和參數更新；將待識別的ECG新拍數據導入完成訓練的心拍分類模型，進行心拍類型識別。本發明能夠高效準確的實現數據不平衡條件下的心律失常分類，同時能夠在持續學習下實現心律失常分類。

技術領域

本發明屬于計算機軟件技術領域，尤其涉及一種基于持續學習的心律失常實時分類方法。

背景技術

數據流在當代生活中的普及促使系統不斷學習。自動駕駛車輛、感知機器人數據和視頻流產生永無止境的數據流，每次車輛轉彎、機器人進入新房間或攝像機切換到后續場景后，觀察到的環境都會發生突變。由于這些變化，從流數據中學習遠非微不足道。但是在日常生活中，數據并非穩定不變。因為神經網絡的學習方案是在假設相同且獨立的情況下開發的，因此有關實時不平衡數據信息分析的設計發明至關重要。

傳感器(英文名稱：transducer/sensor)是一種檢測裝置，能感受到被測量的信息，并能將感受到的信息，按一定規律變換成為電信號或其他所需形式的信息輸出，以滿足信息的傳輸、處理、存儲、顯示、記錄和控制等要求。因此，傳感器在收集數據時可以滿足實時數據的需求。如今生活中，智能手環等設備的普及，對人們生理數據的收集提供了極大便利。特別是醫學上心電信號的收集。

通過傳感器人們可以第一時間得到相關的生理數據。醫生可以對其進行分析判斷，及時給出診斷。近年來有關生理信號使用深度學習模型進行分類的研究逐漸增多。在大規模數據集和深度神經網絡發展的驅動下，分類模型的發展取得了巨大的進展。為了提高模型分類的效率和準確度，人們在基礎神經網絡上進行了許多改進。持續學習(continuallearning)是指系統可以從一個或多個領域學習許多任務。他們高效地保留了他們學到的知識，并利用這些知識更有效地學習新的任務。其中，概念漂移(concept drift)的問題仍需解決方案。概念漂移是指在預測分析和機器學習的概念漂移表示目標變量的統計特性隨著時間的推移以不可預見的方式變化的現象。隨著時間的推移，模型的預測精度將降低。對于分類模型來說，概念漂移會影響模型分類的準確度，如何解決這個問題仍是當前研究的重點。

發明內容

解決的技術問題：為了能夠使計算機更加自動準確高效的分類生理信號的類型，在現有的生理信號自動分類中還有一些問題亟待解決。本發明旨在解決以下問題：

(1)效率不高。在對在對生理信號進行分類時，如果對于每段信號計算機處理時間過長，會導致其效率不高。在現實場景下，錯誤的診斷導致誤診甚至耽誤最佳治療時間。

(2)準確率不高。由于大多數數據都是不平衡的，所以會對模型分類的精度有一定的限制。而如果準確度不夠高模型實現就沒有意義，不能提供相應的幫助，起到真正輔助作用。

(3)概念漂移。對于不平衡的數據，極少數數據錯誤可能會導致整個結果的錯誤。有效的解決概念漂移可以提高模型分類的準確度，確保模型的預測精度并且確保模型本身不會隨著時間的推移而不適用。

(4)在線分類。在對在對生理信號進行分類時，數據并不是實時輸出，缺乏即時性。在線的持續學習能滿足更多分類的需求，實現更廣泛更有效的應用。

技術方案：。

一種基于持續學習的心律失常實時分類方法，所述實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據流；

S2，基于深度卷積神經網絡構建心拍分類模型，該心拍分類模型用于對導入的心拍數據進行分類；