心电信号分类方法及装置、计算机可读介质、电子设备

本公开涉及计算机，具体涉及一种心电信号分类方法、一种心电信号分类装置、一种计算机可读介质，以及一种电子设备。

背景技术：

1、心电图(electrocardiogram，ecg)是诊断心血管疾病最广泛采用的临床方法。在相关技术中，为了保证心电信号分类的性能，大多采用基于深度学习的心电信号分类方法。为了提高模型精度，相关算法通常采用计算密集的网络模型，需要很高的计算量和内存容量。但是，这样的方案并不适用于边缘计算场景下的容量和处理能力受限的可穿戴设备。

2、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开提供一种心电信号分类方法、一种心电信号分类装置、一种计算机可读介质，以及一种电子设备，能够有效克服现有技术中存在的模型复杂，计算量高，不能适用边缘计算场景下的容量和处理能力受限的可穿戴设备的缺陷。

2、本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

3、根据本公开的第一方面，提供一种心电信号分类方法，所述方法包括：

4、对待处理心电信号进行预处理，获取各心拍对应的二维图像；

5、将所述二维图像输入基于vgg网络的心电信号分类模型，利用连续的若干个特征提取单元对所述二维图像进行特征提取，输出特征图；其中，所述特征提取单元包括：基于ghost module的卷积层、最大池化层；

6、利用分类单元根据特征图进行分类，获取所述待处理心电信号对应的分类结果。

7、在一些示例性实施方式中，所述对待处理心电信号进行预处理，获取各心拍对应的二维图像，包括：

8、对待处理心电信号进行分割，获取对应的心拍信号；

9、对所述心拍信号进行转换，获取心拍信号对应的灰度形式的二维图像。

10、在一些示例性实施方式中，所述方法还包括：训练所述心电信号分类模型，包括：

11、采集已标记的心电样本数据，根据r波峰值对心电样本数据进行切片以获取心拍样本数据；

12、对心拍样本数据进行转换，以获取对应的二维图像样本数据，作为训练样本数据；

13、对所述训练样本数据进行划分，获取对应的训练集、验证集和测试集；

14、将所述训练集输入基于vgg网络的心电信号分类模型进行模型训练至模型收敛；并将所述验证集输入心电信号分类模型对模型进行验证；

15、将所述测试集数据输入已训练完成的心电信号分类模型，输出对应的心电信号分类结果。

16、在一些示例性实施方式中，所述方法还包括：

17、对所述二维图像样本数据按预设裁剪规则进行裁剪，以获取裁剪图像；

18、对所述裁剪图像进行尺寸变换以获取增强图像样本数据，并作为所述训练样本数据。

19、在一些示例性实施方式中，所述基于vgg网络的心电信号分类模型包括连续设置的多个特征提取单元，以及分类单元；其中，所述特征提取单元包括依次设置的至少两个基于ghost module的卷积层，以及最大池化层；所述分类单元包括依次设置的第一全连接层、第二全连接层。

20、在一些示例性实施方式中，所述第一全连接层、第二全连接层之间设置有dropout层。

21、在一些示例性实施方式中，心电信号的类型包括：nor类型、pvc类型、apc类型、rbbb类型和lbbb类型中的任意一项。

22、根据本公开的第二方面，提供一种心电信号分类装置，包括：

23、预处理模块，用于对待处理心电信号进行预处理，获取各心拍对应的二维图像；

24、特征提取模块，用于将所述二维图像输入基于vgg网络的心电信号分类模型，利用连续的若干个特征提取单元对所述二维图像进行特征提取，输出特征图；其中，所述特征提取单元包括：基于ghost module的卷积层、最大池化层；

25、分类结果输出模块，用于利用分类单元根据特征图进行分类，获取所述待处理心电信号对应的分类结果。

26、根据本公开的第三方面，提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的心电信号分类方法。

27、根据本公开的第四方面，提供一种电子设备，包括：

28、处理器；以及

29、存储器，用于存储所述处理器的可执行指令；

30、其中，所述处理器配置为经由执行所述可执行指令时实现上述的心电信号分类方法。

31、本公开的一种实施例所提供的心电信号分类方法，通过对待处理心电信号进行预处理来获取各心拍对应的二维图像；在将二维图像输入基于vgg网络的心电信号分类模型，利用连续的若干个特征提取单元对所述二维图像进行特征提取，输出特征图；再利用分类单元根据特征图进行分类，获取所述待处理心电信号对应的分类结果。通过将心电信号的二维图像作为模型的输入，并使用基于vgg网络的心电信号分类模型，可以不需要对待处理心电信号进行噪声过滤，并能够实现轻量级的心电信号分类模型结构，能够易于部署在处理能力有限的边缘便携式设备上。

32、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

技术特征：

1.一种心电信号分类方法，其特征在于，所述方法包括：

2.根据权利要求1所述的心电信号分类方法，其特征在于，所述对待处理心电信号进行预处理，获取各心拍对应的二维图像，包括：

3.根据权利要求1所述的心电信号分类方法，其特征在于，所述方法还包括：训练所述心电信号分类模型，包括：

4.根据权利要求1所述的心电信号分类方法，其特征在于，所述方法还包括：

5.根据权利要求1或3所述的心电信号分类方法，其特征在于，所述基于vgg网络的心电信号分类模型包括连续设置的多个特征提取单元，以及分类单元；其中，所述特征提取单元包括依次设置的至少两个基于ghost module的卷积层，以及最大池化层；所述分类单元包括依次设置的第一全连接层、第二全连接层。

6.根据权利要求5所述的心电信号分类方法，其特征在于，所述第一全连接层、第二全连接层之间设置有dropout层。

7.根据权利要求1所述的心电信号分类方法，其特征在于，心电信号的类型包括：nor类型、pvc类型、apc类型、rbbb类型和lbbb类型中的任意一项。

8.一种心电信号分类装置，其特征在于，所述装置包括：

9.一种计算机可读介质，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如权利要求1至7中任一项所述的心电信号分类方法。

10.一种电子设备，其特征在于，包括：

技术总结
本公开具体涉及计算机技术领域，具体涉及一种心电信号分类方法及装置、计算机可读介质，以及电子设备。所述方法包括：对待处理心电信号进行预处理，获取各心拍对应的二维图像；将所述二维图像输入基于VGG网络的心电信号分类模型，利用连续的若干个特征提取单元对所述二维图像进行特征提取，输出特征图；其中，所述特征提取单元包括：基于Ghost Module的卷积层、最大池化层；利用分类单元根据特征图进行分类，获取所述待处理心电信号对应的分类结果。本方案能够实现轻量级的心电信号分类模型结构，能够易于部署在处理能力有限的边缘便携式设备上。

技术研发人员：江帆,李育鑫,秦君伟,梁晓
受保护的技术使用者：西安邮电大学
技术研发日：
技术公布日：2024/1/12