一种基于迁移学习心律失常分类识别的方法与流程

技术特征：
1.一种基于迁移学习心律失常分类识别的方法，其特征在于，包括：构建神经网络模型，通过ecg信号标注样本对神经网络模型进行训练，其中，神经网络模型中包含lstm网络；通过模拟ppg历史数据标注样本对通过ecg信号标注样本训练后的神经网络模型进行训练；将通过模拟ppg历史数据标注样本训练后的神经网络模型中的lstm网络替换为swlstm网络，通过真实ppg历史数据标注样本对替换完成后的模型进行训练，得到识别模型，其中识别模型用于进行心律失常分类识别。2.根据权利要求1所述方法，其特征在于：所述神经网络模型为未训练的cti-net模型，其中cti-net模型中包括cnn网络、lstm网络及全连接层，其中cnn网络、lstm网络及全连接层两两之间相互连接。3.根据权利要求1所述方法，其特征在于：所述ecg信号标注样本、模拟ppg历史数据标注样本及真实ppg历史数据标注样本的获取过程包括：分别采集ecg信号、模拟ppg历史数据、真实ppg历史数据；分别对采集ecg信号、模拟ppg历史数据、真实ppg历史数据进行标准化处理；分别获取采集ecg信号、模拟ppg历史数据、真实ppg历史数据对应的标签；分别对应的标签与标准化处理后的数据进行整合，得到ecg信号标注样本、模拟ppg历史数据标注样本及真实ppg历史数据标注样本，其中，ecg信号、模拟ppg历史数据、真实ppg历史数据分别为相同或不同的固定长度，所述对应的标签为分类预测输出心律失常类别。4.根据权利要求3所述方法，其特征在于：所述标准化处理的过程如下式：其中，s
′
k
为标准化处理后的数据，s1,
…
,s
n
为采集ecg信号、模拟ppg历史数据或真实ppg历史数据的变量序列，μ和σ为标准化参数，μ为平均值，σ为标准差值，标准化参数根据ecg信号、模拟ppg历史数据、真实ppg历史数据的数据类型不同进行设置。5.根据权利要求3所述方法，其特征在于：通过滑动窗口法采集ecg信号、模拟ppg历史数据、真实ppg历史数据。6.根据权利要求1所述方法，其特征在于：将通过模拟ppg历史数据标注样本训练后的神经网络模型中的lstm网络替换为swlstm网络时，通过模拟ppg历史数据标注样本训练后的神经网络模型中除lstm网络之外的其他网络模型的结构及权重参数保持不变，并在所述lstm网络替换为swlstm网络后，对swlstm网络中的权重参数进行随机初始化。7.根据权利要求1所述方法，其特征在于：所述识别模型为cswti-net模型。8.根据权利要求1所述方法，其特征在于：所述心律失常分类包括：正常、房颤、一级房室传导阻滞、左束支传导阻滞、右束支传导阻滞、房性早搏及室性早搏。

技术总结
本发明公开一种基于迁移学习心律失常分类识别的方法，包括，构建神经网络模型，通过ECG信号标注样本对神经网络模型进行训练，其中，神经网络模型中包含LSTM网络；通过模拟PPG历史数据标注样本对通过ECG信号标注样本训练后的神经网络模型进行训练；将通过模拟PPG历史数据标注样本训练后的神经网络模型中的LSTM网络替换为SWLSTM网络，通过真实PPG历史数据标注样本对替换完成后的模型进行训练，得到识别模型，其中识别模型用于进行心律失常分类识别。通过上述技术方案，本发明解决了传统深度学习模型对PPG信号实现心律失常分类监测的模型所需标注的真实数据样本较大的问题，同时提升模型的泛化性能。时提升模型的泛化性能。时提升模型的泛化性能。


技术研发人员：石用伍 李小勇 龙本丹
受保护的技术使用者：贵州省人民医院
技术研发日：2022.02.21
技术公布日：2022/5/25