具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

发明人经过研究发现：心电信号不仅具有时域的特征，其中常见的整个心动周期信号带宽为0-58±19Hz，P波带款为0-8±3Hz，QRS波带宽为0-55±19Hz，T波带宽为0-11±2Hz，因此心电信号在频域上具有丰富的特征信息。基于心电信号的时域特征和频域特征可以实现对心电信号的准确分析，进而实现对心律失常类型的准确识别。在此基础上，本发明基于心电信号的时频域融合特征对心电信号进行分类，实现对心律失常类型的准确识别。

请参阅图1，本实施例公开的一种心电信号类型的识别方法包括以下步骤：

S101：获取标准化心电信号；

S102：分别提取所述标准化心电信号的时域特征和频域特征；

S103：对所述时域特征和所述频域特征进行特征融合，得到所述标准化心电信号的时频域融合特征；

S104：将所述时频域融合特征输入到预先训练好的分类模型中进行分类处理，得到所述标准化心电信号的类型，所述标准化心电信号的类型表征所述标准化心电信号对应的心律失常类型，所述分类模型是预先利用已标注心电信号类型的分类特征样本集对预设机器学习模型进行训练后得到的。

具体的，分类模型的分类处理结果为分类标签值，根据分类标签值与心电信号类型的对应关系，确定所述分类标签值对应的心电信号类型，心电信号类型包括：正常(N)、左束支阻滞(L)、右束支阻滞(R)和室性早搏(V)。

需要说明的是，利用分类模型对心电信号进行分类的前提是预先已经利用已标注心电信号类型的分类特征样本集对预设机器学习模型进行训练，得到该分类模型。

请参阅图2，本实施例公开的分类模型训练方法包括以下步骤：

S201：获取由已标注心电信号类型的预设长度的单通道心电图数据样本组成的历史样本集，并按预设比例将历史样本集划分为训练集和测试集；

预设长度可以为20秒，心电数据为ECG(electrocardiogram，心电图)信号数据。

已标注的心电信号类型包括：正常(N)、左束支阻滞(L)、右束支阻滞(R)和室性早搏(V)。

训练集和测试机的划分比例可以预先进行设定，如将20000个样本按照8:2的比例划分为训练集和测试集，其中训练集和测试集的样本数为16000个和4000个。

S202：分别对训练集和测试集中的每个样本进行标准化处理，得到标准化参数以及标准训练集和标准测试集；

对训练集和测试集中的每个样本进行标准化处理，将每个样本的数据统一到同一数据分布范围内，消除个体差异导致的误差。

其中，标准化处理的方法为：假设某一变量序列为x₁,…,x_n，记其中平均值和标准差值分别为:μ和σ。则标准化后的序列为：

标准化处理后的序列值服从正态分布，并存储标准化参数μ和σ，用于对待分类的心电数据进行标准化处理。

标准化处理后的数据格式为1*7200*1，即数据宽、高和通道数分别为1、7200和1。

其中的训练集用于模型拟合，模型的优化器都使用Adam方法，因此模型训练过程中可以不使用验证集。

S203：利用长短期记忆网络模型分别提取标准训练集和标准测试集中每个样本的时域特征；

本实施例公开的心率失常分类方法对应的模型处理示意图如图3所示，时域特征提取模型为LSTM(Long-Short Term Memory，长短期记忆网络模型)，本发明实施例中卷积层、全连接层和LSTM长短期处理时间序列时域层采用的激活函数为ReLU函数，其中对应计算公式为：

S204：将标准训练集和标准测试集中每个样本转换为图像，并利用二维卷积神经网络模型分别提取标准训练集和标准测试集中每个样本对应图像的频域特征；

请参阅图3，频域特征提取模型对应的是二维卷积神经网络模型，将样本通过时域变换转换成图像后，先后经过卷积层1、池化层1、卷积层2、池化层2和全连接层1的处理，得到频域特征。

S205：分别对标准训练集和标准测试集中每个样本的时域特征和频域特征进行特征融合，得到标准训练集和标准测试集中每个样本的分类特征，即得到已标注心电信号类型的分类特征样本集；

请参阅图3，合并层对时域特征和频域特征进行特征融合，得到分类特征。

S206：利用标准训练集中每个样本的分类特征及心电信号类型，对预设机器学习模型进行训练；

请参阅图3，采用全连接层2将合并层输出的融合后的分类特征进行映射，全连接层的输出个数等于分类模型的分类类别数，分类采用的损失函数为交叉熵。

S207：利用标准测试集中每个样本的分类特征及心电信号类型，对训练后得到的分类模型进行验证，得到分类模型的预设性能指标值；

可选的，本实施例通过初始化设置的最大轮数(MaxEpochs)进行控制，当训练迭代次数达到预先设置的最大轮数，训练结束。

S208：当预设性能指标值达到阈值时，分类模型训练完成。

本实施例采用的性能指标包括：准确率(ACC)、灵敏度(Sn)、特异性(Sp)和马太相关系数(MCC)。

其中准确率(简称ACC)的计算公式为：

其中灵敏度(简称Sn)的计算公式为：

其中特异性(简称Sp)的计算公式为：

其中马太相关系数(MCC)的计算公式为：

其中TP、TN、FP和FN分别表示真阳性、真阴性、假阳性和假阴性的实例。对马太相关系数MCC的取值范围从-1到1中，MCC为-1表示最坏的可能预测，而值为1表示最好的可能预测方案。此外，MCC为0表示随机预测。

通过设置训练参数，得到本实施例中CNN-LSTM模型对测试集的测试结果与实际的值的比较结果如图4所示。图4为混淆矩阵，从中可以看出总体的分类准确率达到了98.9％，单个类的分类准确率最低为97.5％。

图5示出的评价指标值，包括准确率、灵敏度、特异性和马太相关系数，可以看出CNN-LSTM模型对心电信号分类具有良好的性能。

在此基础上，在进行心电信号分类的实际应用中，上述实施例中S101：获取标准化心电信号，包括以下步骤：

获取预设长度的原始单通道心电图数据；

根据上述对训练集合测试集的每个样本进行对标准化处理得到的标准化参数，对所述原始单通道心电图数据进行标准化处理，得到标准化心电信号，确保超出训练集范围的数据也能够得到较好的恢复，提高模型的泛化能力。

上述实施例中S102：分别提取所述标准化心电信号的时域特征和频域特征，包括以下步骤：

利用预先训练好的时域特征提取模型，提取所述标准化心电信号的时域特征，所述时域特征提取模型是预先利用所述标准训练集对长短期记忆网络模型进行训练后得到的，所述标准化心电信号和所述训练集中的样本的格式相同；

将所述标准化心电信号转换为图像，并将所述图像输入预先训练好的频域特征提取模型，提取所述标准化心电信号的频域特征，所述频域特征提取模型是预先利用所述标准训练集对二维卷积神经网络模型进行训练后得到的。

可见，本实施例公开的一种心电信号类型的识别方法，通过预先利用已标注心电信号类型的分类特征样本集对预设机器学习模型进行训练，得到分类模型，基于该分类模型对标准化心电信号的时频域融合特征进行心电信号分类处理，提高了心电信号类型的识别速度，进而提高了心律失常分类速度。同时，由于输入到分类模型中的分类特征融合了标准化心电信号的时域特征和频域特征，使该分类特征不仅能够体现标准化心电信号的时域特征，还能够体现标准化心电信号的频域特征，进而提高分类模型对心电信号分类的准确性，实现对心电信号类型快速、准确的识别，进而实现对心律失常类型快速、准确的识别。

基于上述实施例公开的一种心电信号类型的识别方法，本实施例对应公开了一种心电信号类型的识别装置，请参阅图6，该心电信号类型的识别装置包括：

心电信号获取单元100，用于获取标准化心电信号；

特征提取单元200，用于分别提取所述标准化心电信号的时域特征和频域特征；

特征融合单元300，用于对所述时域特征和所述频域特征进行特征融合，得到所述标准化心电信号的时频域融合特征；

分类处理单元400，用于将所述时频域融合特征输入到预先训练好的分类模型中进行分类处理，得到所述标准化心电信号的类型，所述标准化心电信号的类型表征所述标准化心电信号对应的心律失常类型，所述分类模型是预先利用已标注心电信号类型的分类特征样本集对预设机器学习模型进行训练后得到的。

可选的，所述装置还包括分类特征样本集获取单元，用于：

获取由已标注心电信号类型的预设长度的单通道心电图数据样本组成的历史样本集，并按预设比例将所述历史样本集划分为训练集和测试集；

分别对所述训练集和所述测试集中的每个样本进行标准化处理，得到标准化参数以及标准训练集和标准测试集；

利用长短期记忆网络模型分别提取所述标准训练集和所述标准测试集中每个样本的时域特征；

将所述标准训练集和所述标准测试集中每个样本转换为图像，并利用二维卷积神经网络模型分别提取所述标准训练集和所述标准测试集中每个样本对应图像的频域特征；

分别对所述标准训练集和所述标准测试集中每个样本的时域特征和频域特征进行特征融合，得到所述标准训练集和所述标准测试集中每个样本的分类特征，即得到已标注心电信号类型的分类特征样本集。

可选的，所述心电信号获取单元100，具体用于：

获取预设长度的原始单通道心电图数据；

根据所述标准化参数对所述原始单通道心电图数据进行标准化处理，得到所述标准化心电信号。

可选的，所述特征提取单元200，具体用于：

利用预先训练好的时域特征提取模型，提取所述标准化心电信号的时域特征，所述时域特征提取模型是预先利用所述标准训练集对长短期记忆网络模型进行训练后得到的，所述标准化心电信号和所述训练集中的样本的格式相同；

将所述标准化心电信号转换为图像，并将所述图像输入预先训练好的频域特征提取模型，提取所述标准化心电信号的频域特征，所述频域特征提取模型是预先利用所述标准训练集对二维卷积神经网络模型进行训练后得到的。

可选的，所述装置还包括分类模型训练单元，具体用于：

利用所述标准训练集中每个样本的分类特征及心电信号类型，对所述预设机器学习模型进行训练；

利用所述标准测试集中每个样本的分类特征及心电信号类型，对训练后得到的所述分类模型进行验证，得到所述分类模型的预设性能指标值；

当所述预设性能指标值达到阈值时，所述分类模型训练完成。

本实施例公开的一种心电信号类型的识别装置，通过预先利用已标注心电信号类型的分类特征样本集对预设机器学习模型进行训练，得到分类模型，基于该分类模型对标准化心电信号的时频域融合特征进行心电信号分类处理，提高了心电信号类型的识别速度，进而提高了心律失常分类速度。同时，由于输入到分类模型中的分类特征融合了标准化心电信号的时域特征和频域特征，使该分类特征不仅能够体现标准化心电信号的时域特征，还能够体现标准化心电信号的频域特征，进而提高分类模型对心电信号分类的准确性，实现对心电信号类型快速、准确的识别，进而实现对心律失常类型快速、准确的识别。

上述各个实施例之间可任意组合，对所公开的实施例的上述说明，本说明书中各实施例中记载的特征可以相互替换或者组合，使本领域专业技术人员能够实现或使用本申请。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。