一种心电图波形分类方法、装置、电子设备及存储介质

阅读：评论：0

1.本发明涉及波形分析技术领域，尤其涉及一种心电图波形分类方法、装置、电子设备及存储介质。

背景技术：

2.心电图(electrocardiogram,ecg)是人体心肌细胞膜两侧电位信号的反应，其可以反应人体心脏的健康状态，是医生进行心脏疾病诊断的重要依据之一。对于单个正常的心跳周期，ecg信号可分为以下几种波形形态：p波(表示心房去极化的qrs复波前的小偏移)、qrs复波(心跳的最大幅值部分)、t波(表示心室复极化的qrs复波后的小偏移)。医生在拿到患者的心电图之后，首先便是对各个波形趋于进行标注(即波形分割)，以便根据波形的变化趋势判断心脏的状态。然而，对于一段采样时间十分钟左右的ecg信号，其心跳周期便达数千个，靠医生手动注释ecg信号的每个区域便是一项非常耗时乏味的任务，且有可能标注错误。虽然随着人工智能技术的发展，出现了ecg信号自动分析、分类的装置，但也需要对原始ecg信号进行波形分割等预处理，以提高ecg信号分类的效率和准确率。

技术实现要素：

3.本发明提供了一种心电图波形分类方法、装置、电子设备及存储介质，用于解决现有的ecg信号分类效率低、准确率差的技术问题。
4.本发明提供了一种心电图波形分类方法，包括：
5.按照预设采样频率采集心电图信号；
6.对所述心电图信号进行归一化处理，得到归一化数据；
7.将所述归一化数据转化为脉冲信号；
8.将所述脉冲信号输入到s-lrnn模型中，输出波形分类结果；所述s-lrnn模型包括一个输入层为lstm模块的srnn模型。
9.可选地，所述脉冲信号包括增量脉冲信号和减量脉冲信号；所述将所述归一化数据转化为脉冲信号的步骤，包括：
10.将所述归一化数据划分为递增数据和递减数据；
11.采用所述递增数据生成增量脉冲信号；
12.采用所述递减数据生成减量脉冲信号。
13.可选地，所述采用所述递增数据生成增量脉冲信号的步骤，包括：
14.获取每个所述递增数据的第一信号强度；
15.计算当前递增数据的第一信号强度与上一递增数据的第一信号强度的第一差值；
16.判断所述第一差值是否大于预设阈值；
17.若是，以所述当前递增数据的时间为基础，生成增量脉冲信号。
18.可选地，所述采用所述减量数据生成减量脉冲信号的步骤，包括：
19.获取每个所述递减数据的第二信号强度；
20.计算当前减量数据的第二信号强度与上一递减数据的第二信号强度的第二差值；
21.判断所述第二差值是否大于预设阈值；
22.若是，以所述当前递减数据的时间为基础，生成减量脉冲信号。
23.本发明还提供了一种心电图波形分类装置，包括：
24.心电图信号采集模块，用于按照预设采样频率采集心电图信号；
25.归一化处理模块，用于对所述心电图信号进行归一化处理，得到归一化数据；
26.脉冲信号转化模块，用于将所述归一化数据转化为脉冲信号；
27.波形分类模块，用于将所述脉冲信号输入到预设s-lrnn模型中，输出波形分类结果；所述s-lrnn模型包括一个输入层为lstm模块的srnn模型。
28.可选地，所述脉冲信号包括增量脉冲信号和减量脉冲信号；所述脉冲信号转化模块，包括：
29.划分子模块，用于将所述归一化数据划分为递增数据和递减数据；
30.增量脉冲信号生成子模块，用于采用所述递增数据生成增量脉冲信号；
31.减量脉冲信号生成子模块，用于采用所述递减数据生成减量脉冲信号。
32.可选地，所述增量脉冲信号生成子模块，包括：
33.第一信号强度获取单元，用于获取每个所述递增数据的第一信号强度；
34.第一差值计算单元，用于计算当前递增数据的第一信号强度与上一递增数据的第一信号强度的第一差值；
35.第一判断单元，用于判断所述第一差值是否大于预设阈值；
36.增量脉冲信号生成单元，用于若是，以所述当前递增数据的时间为基础，生成增量脉冲信号。
37.可选地，所述减量脉冲信号生成子模块，包括：
38.第二信号强度获取单元，用于获取每个所述递减数据的第二信号强度；
39.第二差值计算单元，用于计算当前减量数据的第二信号强度与上一递减数据的第二信号强度的第二差值；
40.第二判断单元，用于判断所述第二差值是否大于预设阈值；
41.减量脉冲信号生成子模块，用于若是，以所述当前递减数据的时间为基础，生成减量脉冲信号。
42.本发明还提供了一种电子设备，所述设备包括处理器以及存储器：
43.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
44.所述处理器用于根据所述程序代码中的指令执行如上任一项所述的心电图波形分类方法。
45.本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上任一项所述的心电图波形分类方法。
46.从以上技术方案可以看出，本发明具有以下优点：本发明公开了一种心电图波形分类方法，包括：按照预设采样频率采集心电图信号；对心电图信号进行归一化处理，得到归一化数据；将归一化数据转化为脉冲信号；将脉冲信号输入到预设s-lrnn模型中，输出波形分类结果。在本发明实施例中，通过将心电图信号转化为脉冲信号进行波形分类，减少了波形分类时的数据处理量，从而大大降低了模型的功耗，使该模型在神经型态的硬件部署
有更广泛的前景，并且提高了ecg信号的分类效率，此外，通过预设s-lrnn模型对脉冲信号进行波形分类，提高了波形分类的准确率。
附图说明
47.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
48.图1为本发明实施例提供的一种心电图波形分类方法的步骤流程图；
49.图2为本发明另一实施例提供的一种心电图波形分类方法的步骤流程图；
50.图3为本发明实施例提供的alif神经元自循环模型图；
51.图4为本发明实施例提供的multi-gaussian函数与几种常见的替代函数的曲线图；
52.图5为本发明实施例提供的一种心电图波形分类装置的结构框图。
具体实施方式
53.本发明实施例提供了一种心电图波形分类方法、装置、电子设备及存储介质，用于解决现有的ecg信号分类效率低、准确率差的技术问题。
54.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
55.请参阅图1，图1为本发明实施例提供的一种心电图波形分类方法的步骤流程图。
56.本发明提供的一种心电图波形分类方法，具体可以包括以下步骤：
57.步骤101，按照预设采样频率采集心电图信号；
58.心电图(electrocardiogram，ecg)是人体心肌细胞膜两侧电位信号的反应，其可以反应人体心脏的健康状态，是医生进行心脏疾病诊断的重要依据之一，是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。
59.在本发明实施例中，可以按照预设采样频率采集一定时间内的心电图信号。
60.在一个示例中，所选的采样频率可以为250hz。
61.步骤102，对心电图信号进行归一化处理，得到归一化数据；
62.归一化就是把需要处理的数据经过处理后(通过某种算法)限制在需要的一定范围内。归一化是为了后面数据处理的方便，其次是保证程序运行时收敛加快。归一化的具体作用是归纳统一样本的统计分布性。
63.在本发明实施例中，在获取到心电图信号后，可以对心电图信号进行归一化处理，得到归一化数据。
64.步骤103，将归一化数据转化为脉冲信号；
65.脉冲信号是一种离散信号，形状多种多样，与普通模拟信号(如正弦波)相比，波形
之间在y轴不连续(波形与波形之间有明显的间隔)但具有一定的周期性是它的特点。最常见的脉冲波是矩形波(也就是方波)。脉冲信号可以用来表示信息，也可以用来作为载波，比如脉冲调制中的脉冲编码调制(pcm)，脉冲宽度调制(pwm)等等，还可以作为各种数字电路、高性能芯片的时钟信号。
66.在完成对数据的归一化后，可以对归一化数据进行预处理，将其转换为脉冲信号。
67.步骤104，将脉冲信号输入到预设s-lrnn模型中，输出波形分类结果；s-lrnn模型包括一个输入层为lstm模块的srnn模型。
68.在获取到脉冲信号后，可以将脉冲信号输入到预设s-lrnn模型中，输出波形分类结果；s-lrnn模型包括一个输入层为lstm模块的srnn模型，该lstm模块有4个输入。
69.在本发明实施例中，由于心电图信号有三个意义的心脏周期部分，即p波、t波和qrs波复合体。其中，qrs波由q波、r波和s波组成。在监测任务中，本发明实施例的目的是不断地识别当前的波类型。因此，本发明可以通过预设s-lrnn模型来对心电图信号的特征进行识别，得到波形分类结果。在一个示例中，根据心电图信号的波形组成，预设s-lrnn模型的输入信号可以为脉冲信号，输出信号可以为p波、pq波、qr波、rs波、st波、和tp波中的至少一种。其中，脉冲信号首先输入到一个4输入的lstm层，再输入到4-36-6的srnn模型中，以便提高网络的长时间记忆能力，同时，这种网络结构对ecg信号的处理起到更好的分类效果。
70.本发明公开了一种心电图波形分类方法，包括：按照预设采样频率采集心电图信号；对心电图信号进行归一化处理，得到归一化数据；将归一化数据转化为脉冲信号；将脉冲信号输入到预设s-lrnn模型中，输出波形分类结果。在本发明实施例中，通过将心电图信号转化为脉冲信号进行波形分类，减少了波形分类时的数据处理量，从而大大降低了模型的功耗，使该模型在神经型态的硬件部署有更广泛的前景，并且提高了ecg信号的分类效率，此外，通过预设s-lrnn模型对脉冲信号进行波形分类，提高了波形分类的准确率。
71.请参阅图2，图2为本发明另一实施例提供的一种心电图波形分类方法的步骤流程图。具体可以包括以下步骤：
72.步骤201，按照预设采样频率采集心电图信号；
73.步骤202，对心电图信号进行归一化处理，得到归一化数据；
74.步骤201-202与步骤101-102相同，具体可参照步骤101-102的描述，此处不再赘述。
75.步骤203，将归一化数据划分为递增数据和递减数据；
76.在本发明实施例中，在完成对心电图信号的归一化后，可以对归一化数据进行水平交叉(level-crossing)编码，将归一化数据转化为递增数据和递减数据两类。
77.在一个示例中，每一个心电图信号归一化而来的归一化数据都可以转化为递增数据和递减数据。如当有两个信号通道的心电图信号时，则可以得到两个信号通道的递增数据和两个信号通道的递减数据。
78.递增数据，是指心电图信号在波形上呈递增的数据。递减数据，是指心电图信号在波形上呈递减的数据。
79.步骤204，采用递增数据生成增量脉冲信号；
80.在本发明实施例中，在将归一化数据转化为递增数据和递减数据后，可以依次将递增数据和递减数据转化为脉冲数据。
81.其中，采用递增数据生成增量脉冲信号的步骤，可以包括以下子步骤：
82.s41，获取每个递增数据的第一信号强度；
83.s42，计算当前递增数据的第一信号强度与上一递增数据的第一信号强度的第一差值；
84.s43，判断第一差值是否大于预设阈值；
85.s44，若是，以当前递增数据的时间为基础，生成增量脉冲信号。
86.在具体实现中，在获取到心电图信号中的多个递增数据后，可以依次比对相邻两个递增数据的大小，当当前递增数据的第一信号强度与上一递增数据的第一信号强度的第一差值大于预设阈值(如0.3)时，可以产生一个增量脉冲信号。统计所有增量脉冲信号，可以得到心电图信号的增量脉冲信号集。
87.步骤205，采用递减数据生成减量脉冲信号；
88.同理，本发明实施例可以通过递减数据生成减量脉冲信号。
89.在一个示例中，采用递减数据生成减量脉冲信号的步骤，可以包括以下子步骤：
90.s51，获取每个递减数据的第二信号强度；
91.s52，计算当前减量数据的第二信号强度与上一递减数据的第二信号强度的第二差值；
92.s53，判断第二差值是否大于预设阈值；
93.s54，若是，以当前递减数据的时间为基础，生成减量脉冲信号。
94.在具体实现中，在获取到心电图信号中的多个递减数据后，可以依次比对相邻两个递减数据的大小，当当前递减数据的第二信号强度与上一递减数据的第二信号强度的第二差值大于预设阈值(如0.3)时，可以产生一个减量脉冲信号。统计所有减量脉冲信号，可以得到心电图信号的减量脉冲信号集。
95.步骤206，将脉冲信号输入到预设s-lrnn模型中，输出波形分类结果；s-lrnn模型包括一个输入层为lstm模块的srnn模型。
96.在获取到脉冲信号后，可以将脉冲信号输入到预设s-lrnn模型中，输出波形分类结果。
97.在本发明实施例中，预设s-lrnn模型可以包括一个4输入的lstm模块和一个srnn模型。
98.lstm(long short-term memory，长短期记忆网络)是一种时间循环神经网络，是为了解决一般的rnn(循环神经网络)存在的长期依赖问题而专门设计出来的。
99.srnn模型除了lstm模块外，还包括46个alif(自适应脉冲神经元)神经元，其中包括4个输入层神经元、36个隐藏层神经元和6个输出层神经元。
100.alif(自适应泄露点火神经元)神经元可以提高其snn的性能。在自适应脉冲神经元中，阈值在每一次脉冲发射后增加，然后以时间常数τ
adp
为指数衰减。用前欧拉一阶指数积分器法模拟dt＝1ms的离散时间连续神经元模型，得到:
101.α＝exp(-dt/τm)
102.ρ＝exp(-dt/τ
adp
)
103.η
t
＝ρη
t-1
+(1-ρ)s
t-1
104.θ＝b0+βη
t
105.u
t
＝αu
t-1
+(1-α)r
mit-s
t-1
θ
106.其中θ是一个动态阈值，由一个固定的最小阈值b0和一个自适应贡献βη
t
组成；ρ用时间常数τ
adp
表示阈值的单时间步衰减。参数β是一个常量，控制阈值适应的大小；我们将β设置为1.8作为自适应神经元的默认值。α表示膜电位在时间常数τm下的单时间步衰减。神经元可建模成自循环的神经元模型。如图3所示。
107.训练过程包括前向传播和后向传播两个过程。
108.前向传播：将编码后的脉冲数据输入到输入神经层，在神经元内计算，当神经元中的膜电位神经元触发脉冲，膜电位更新，脉冲发放到下一层神经元，在累积膜电位的过程中，神经元内的膜电位和阈值θ分别随着α和ρ衰减。最终，以最后一层神经元的膜电位作为输出。
109.反向传播：用损失函数来计算预测值与实际值之间的差距，对于传统的神经网络来说，接下来就是使用梯度下降来优化权重等网络参数。为了训练s-lrnn，本发明采用时间反向传播(bptt)算法，bptt是rnn网络常用的训练算法，在rnn中，网络的递归会以内部隐藏状态h
t
的形式诱导记忆，而时间步进输入x
t
会更新这些状态,因此bptt为所有输入时间步展开网络。对于脉冲神经网络来说，由于脉冲神经元的脉冲机制，带来了脉冲不可微的问题，使得很难应用链式法则来连接神经元输出和神经元输入之间的反向传播梯度。因此，本发明采用了替代函数法，用替代函数来替代脉冲来计算梯度。这样才能用梯度下降来优化网络权重、各脉冲神经元的τ
adp
、τm等参数。
110.替代函数：给定在特定时间t上神经活动上定义的损失函数l(t|θ)，误差反向传播时间(bptt)算法通过使用链式法则计算部分梯度，在损失最小化的方向上更新网络参数θ。这里，参数θ既包括突触权值，也包括相应的神经时间常数。在周期性连接的网络中，过去的神经激活会影响电流损失，通过展开网络，可以解释这些过去的激活对电流损失的贡献。
111.脉冲神经元脉冲机制的不连续性使得很难应用链式法则来连接神经输出和神经输入之间的反向传播梯度；在实践中，用平滑的梯度函数替换间断梯度，“替代梯度”已被证明是有效的，并具有允许在优化的深度学习框架中将脉冲神经网络映射到循环神经网络的额外好处。
112.本发明在这里定义了multi gaussian(多高斯)一个新的代理梯度由多个高斯函数的加权和组成，其中超参数h和s的选择使得多高斯包含负部分：
[0113][0114]
其中u
t
是峰值神经元的膜电位和其内部阈值。elu和leaky relu函数的负部分被认为可以缓解神经元“死亡”问题，即神经元的所有输入之和为负，神经元实际上不参与网络计算。多高斯函数(mg)和各种其他替代梯度函数的形状如图4所示。
[0115]
本发明公开了一种心电图波形分类方法，包括：按照预设采样频率采集心电图信号；对心电图信号进行归一化处理，得到归一化数据；将归一化数据转化为脉冲信号；将脉冲信号输入到预设s-lrnn模型中，输出波形分类结果。在本发明实施例中，通过将心电图信号转化为脉冲信号进行波形分类，减少了波形分类时的数据处理量，从而大大降低了模型
的功耗，使该模型在神经型态的硬件部署有更广泛的前景，并且提高了ecg信号的分类效率，此外，通过预设s-lrnn模型对脉冲信号进行波形分类，提高了波形分类的准确率。
[0116]
请参阅图5，图5为本发明实施例提供的一种心电图波形分类装置的结构框图。
[0117]
本发明实施例提供了一种心电图波形分类装置，包括：
[0118]
心电图信号采集模块501，用于按照预设采样频率采集心电图信号；
[0119]
归一化处理模块502，用于对心电图信号进行归一化处理，得到归一化数据；
[0120]
脉冲信号转化模块503，用于将归一化数据转化为脉冲信号；
[0121]
波形分类模块504，用于将脉冲信号输入到预设s-lrnn模型中，输出波形分类结果；s-lrnn模型包括一个输入层为lstm模块的srnn模型。
[0122]
在本发明实施例中，脉冲信号包括增量脉冲信号和减量脉冲信号；脉冲信号转化模块503，包括：
[0123]
划分子模块，用于将归一化数据划分为递增数据和递减数据；
[0124]
增量脉冲信号生成子模块，用于采用递增数据生成增量脉冲信号；
[0125]
减量脉冲信号生成子模块，用于采用递减数据生成减量脉冲信号。
[0126]
在本发明实施例中，增量脉冲信号生成子模块，包括：
[0127]
第一信号强度获取单元，用于获取每个递增数据的第一信号强度；
[0128]
第一差值计算单元，用于计算当前递增数据的第一信号强度与上一递增数据的第一信号强度的第一差值；
[0129]
第一判断单元，用于判断第一差值是否大于预设阈值；
[0130]
增量脉冲信号生成单元，用于若是，以当前递增数据的时间为基础，生成增量脉冲信号。
[0131]
在本发明实施例中，减量脉冲信号生成子模块，包括：
[0132]
第二信号强度获取单元，用于获取每个递减数据的第二信号强度；
[0133]
第二差值计算单元，用于计算当前减量数据的第二信号强度与上一递减数据的第二信号强度的第二差值；
[0134]
第二判断单元，用于判断第二差值是否大于预设阈值；
[0135]
减量脉冲信号生成子模块，用于若是，以当前递减数据的时间为基础，生成减量脉冲信号。
[0136]
本发明实施例还提供了一种电子设备，设备包括处理器以及存储器：
[0137]
存储器用于存储程序代码，并将程序代码传输给处理器；
[0138]
处理器用于根据程序代码中的指令执行本发明实施例的心电图波形分类方法。
[0139]
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行本发明实施例的心电图波形分类方法。
[0140]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0141]
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0142]
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和
硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0143]
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0144]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0145]
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0146]
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
[0147]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0148]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：

1.一种心电图波形分类方法，其特征在于，包括：按照预设采样频率采集心电图信号；对所述心电图信号进行归一化处理，得到归一化数据；将所述归一化数据转化为脉冲信号；将所述脉冲信号输入到预设s-lrnn模型中，输出波形分类结果；所述s-lrnn模型包括一个输入层为lstm模块的srnn模型。2.根据权利要求1所述的方法，其特征在于，所述脉冲信号包括增量脉冲信号和减量脉冲信号；所述将所述归一化数据转化为脉冲信号的步骤，包括：将所述归一化数据划分为递增数据和递减数据；采用所述递增数据生成增量脉冲信号；采用所述递减数据生成减量脉冲信号。3.根据权利要求2所述的方法，其特征在于，所述采用所述递增数据生成增量脉冲信号的步骤，包括：获取每个所述递增数据的第一信号强度；计算当前递增数据的第一信号强度与上一递增数据的第一信号强度的第一差值；判断所述第一差值是否大于预设阈值；若是，以所述当前递增数据的时间为基础，生成增量脉冲信号。4.根据权利要求2所述的方法，其特征在于，所述采用所述减量数据生成减量脉冲信号的步骤，包括：获取每个所述递减数据的第二信号强度；计算当前减量数据的第二信号强度与上一递减数据的第二信号强度的第二差值；判断所述第二差值是否大于预设阈值；若是，以所述当前递减数据的时间为基础，生成减量脉冲信号。5.一种心电图波形分类装置，其特征在于，包括：心电图信号采集模块，用于按照预设采样频率采集心电图信号；归一化处理模块，用于对所述心电图信号进行归一化处理，得到归一化数据；脉冲信号转化模块，用于将所述归一化数据转化为脉冲信号；波形分类模块，用于将所述脉冲信号输入到预设s-lrnn模型中，输出波形分类结果；所述s-lrnn模型包括一个输入层为lstm模块的srnn模型。6.根据权利要求5所述的装置，其特征在于，所述脉冲信号包括增量脉冲信号和减量脉冲信号；所述脉冲信号转化模块，包括：划分子模块，用于将所述归一化数据划分为递增数据和递减数据；增量脉冲信号生成子模块，用于采用所述递增数据生成增量脉冲信号；减量脉冲信号生成子模块，用于采用所述递减数据生成减量脉冲信号。7.根据权利要求6所述的装置，其特征在于，所述增量脉冲信号生成子模块，包括：第一信号强度获取单元，用于获取每个所述递增数据的第一信号强度；第一差值计算单元，用于计算当前递增数据的第一信号强度与上一递增数据的第一信号强度的第一差值；第一判断单元，用于判断所述第一差值是否大于预设阈值；
增量脉冲信号生成单元，用于若是，以所述当前递增数据的时间为基础，生成增量脉冲信号。8.根据权利要求6所述的装置，其特征在于，所述减量脉冲信号生成子模块，包括：第二信号强度获取单元，用于获取每个所述递减数据的第二信号强度；第二差值计算单元，用于计算当前减量数据的第二信号强度与上一递减数据的第二信号强度的第二差值；第二判断单元，用于判断所述第二差值是否大于预设阈值；减量脉冲信号生成子模块，用于若是，以所述当前递减数据的时间为基础，生成减量脉冲信号。9.一种电子设备，其特征在于，所述设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的心电图波形分类方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的心电图波形分类方法。

技术总结

本发明公开了一种心电图波形分类方法、装置、电子设备及存储介质，用于解决现有的ECG信号分类效率低、准确率差的技术问题。本发明包括：按照预设采样频率采集心电图信号；对所述心电图信号进行归一化处理，得到归一化数据；将所述归一化数据转化为脉冲信号；将所述脉冲信号输入到预设S-LRNN模型中，输出波形分类结果；所述S-LRNN模型包括一个输入层为LSTM模块的SRNN模型。的SRNN模型。的SRNN模型。