房颤检测方法、装置及可读存储介质制造方法及图纸

本发明专利技术公开了一种基于心电信号的房颤检测方法，所述房颤检测方法包括以下步骤：获取用于训练房颤识别模型的心电信号，并提取所述用于训练房颤识别模型的心电信号的形态特征参数以及时序信息；以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型；获取待检测心电信号，并基于所述房颤识别模型分析所述待检测心电信号，得到所述待检测心电信号的房颤检测结果。本发明专利技术还公开了一种房颤检测装置及可读存储介质。本发明专利技术能够实现房颤的自动化检测，并提高房颤检测的效率和准确度。

Methods, devices and readable storage media for atrial fibrillation detection

The present invention discloses a method for detecting atrial fibrillation based on ECG signals. The method includes the following steps: obtaining the ECG signals for training the identification model of the atrial fibrillation, and extracting the morphological characteristic parameters and the time sequence information of the ECG signals used to train the identification model of the atrial fibrillation. In time, the sequence information is the training sample, the depth learning method is used to establish the atrial fibrillation identification model, and the ECG signals to be detected are obtained, and the ECG signals are analyzed based on the model of the atrial fibrillation identification, and the results of the atrial fibrillation detection are obtained. The invention also discloses an atrial fibrillation detection device and a readable storage medium. The invention can realize automatic detection of atrial fibrillation and improve the efficiency and accuracy of atrial fibrillation detection.

【技术实现步骤摘要】
房颤检测方法、装置及可读存储介质
本专利技术涉及医学信号处理领域，尤其涉及一种房颤检测方法、装置及可读存储介质。
技术介绍
心脏病是一类比较常见的心血管疾病，也是当今发病率和致死率最高的疾病之一，因而心脏病的防治和诊断已成为当今医学界的重要问题。对心脏健康危害较大的是心房颤动(简称房颤)，是最常见的持续性心律失常，常伴有心悸、眩晕、胸部不适、气短等症状。目前，心电图技术以其操作方法简便，对用户无侵入损害等优点，一直作为心脏病诊断的重要技术手段，但其检测结果需要医生通过肉眼仔细观察心电图，进而判断用户是否存在房颤问题。当医生每天面对海量心电图时，容易因用眼疲劳和重复性判断，影响房颤检测的可行性和准确性。现有的计算机辅助检测房颤，主要是通过计算心电信号中相邻两个R峰位置的方差绝对值，进而判断用户是否存在房颤问题，但现有的检测算法，无法应对复杂多变的实际情况，比如用户的种族、性别、年龄、情绪等。
技术实现思路
本专利技术的主要目的在于提供一种基于心电信号的房颤检测方法、装置及可读存储介质，旨在解决现有心电信号检测房颤方法不够准确与合理的技术问题。为实现上述目的，本专利技术提供的一种基于心电信号的房颤检测方法，所述房颤检测方法包括以下步骤：获取用于训练房颤识别模型的心电信号，并提取所述用于训练房颤识别模型的心电信号的形态特征参数以及时序信息；以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型；获取待检测心电信号，并基于所述房颤识别模型分析所述待检测心电信号，得到所述待检测心电信号的房颤检测结果。优选地，所述获取用于训练房颤识别模型的心电信号，并提取所述用于训练房颤识别模型的心电信号的形态特征参数以及时序信息包括：获取用于训练房颤识别模型的房颤心电信号和正常心电信号；对所述房颤心电信号和正常心电信号进行预处理，得到多个心电数据序列；判断各个心电数据序列是否满足预设条件；当满足预设条件时，对心电数据序列进行形态特征提取，得到多个形态特征参数；识别各个形态特征参数在心电数据序列中的时间位置，得到多个时序信息；确定各个形态特征参数与各个时序信息在所述心电数据序列中的对应关系。优选地，所述以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型包括：以所述形态特征参数、所述时序信息、所述对应关系作为输入量，以所述房颤心电信号与所述正常心电信号的心电状况作为输出量，采用卷积神经网络与长短时记忆神经网络对所述输入量、所述输出量的取值样本进行训练，得到房颤识别模型。优选地，在所述以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型之后，所述房颤检测方法还包括：采用K折交叉验证或混淆矩阵对所述房颤识别模型进行验证，得到验证结果，以供维护人员根据所述验证结果对所述房颤识别模型进行维护。优选地，在所述获取待检测心电信号，并基于所述房颤识别模型分析所述待检测心电信号，得到所述待检测心电信号的房颤检测结果之后，所述房颤检测方法还包括：将所述待检测心电信号与所述用于训练房颤识别模型的心电信号进行合并，用以更新所述房颤识别模型的训练样本；根据更新的训练样本，对所述房颤识别模型进行进一步的训练。此外，为实现上述目的，本专利技术还提供一种房颤检测装置，所述房颤检测装置包括：存储有房颤检测程序的存储器；处理器，用于执行所述房颤检测程序以执行下述操作：获取用于训练房颤识别模型的心电信号，并提取所述用于训练房颤识别模型的心电信号的形态特征参数以及时序信息；以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型；获取待检测心电信号，并基于所述房颤识别模型分析所述待检测心电信号，得到所述待检测心电信号的房颤检测结果。优选地，执行所述获取用于训练房颤识别模型的心电信号，并提取所述用于训练房颤识别模型的心电信号的形态特征参数以及时序信息的操作包括：获取用于训练房颤识别模型的房颤心电信号和正常心电信号；对所述房颤心电信号和正常心电信号进行预处理，得到多个心电数据序列；判断各个心电数据序列是否满足预设条件；当满足预设条件时，对心电数据序列进行形态特征提取，得到多个形态特征参数；识别各个形态特征参数在心电数据序列中的时间位置，得到多个时序信息；确定各个形态特征参数与各个时序信息在所述心电数据序列中的对应关系。优选地，执行所述以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型的操作包括：以所述形态特征参数、所述时序信息、所述对应关系作为输入量，以所述房颤心电信号与所述正常心电信号的心电状况作为输出量，采用卷积神经网络与长短时记忆神经网络对所述输入量、所述输出量的取值样本进行训练，得到房颤识别模型。优选地，在执行所述获取待检测心电信号，并基于所述房颤识别模型分析所述待检测心电信号，得到所述待检测心电信号的房颤检测结果的操作之后，所述处理器还执行以下操作：将所述待检测心电信号与所述用于训练房颤识别模型的心电信号进行合并，用以更新所述房颤识别模型的训练样本；根据更新的训练样本，对所述房颤识别模型进行进一步的训练。此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有房颤检测程序，所述房颤检测程序被处理器执行时实现如上述任一项所述的基于心电信号的房颤检测方法的步骤。本专利技术首先是通过获取用于训练房颤识别模型的心电信号，并提取该心电信号的形态特征参数以及时序信息，其次是将提取的形态特征参数与时序信息作为训练样本，采用深度学习方式，建立房颤识别模型，最后获取待检测心电信号并根据房颤识别模型分析待检测心电信号，得到该待检测心电信号的房颤检测结果，从而实现房颤的自动化检测，并提高房颤检测的效率和准确度。附图说明图1为本专利技术实施例方案涉及的房颤检测装置运行环境的结构示意图；图2为本专利技术基于心电信号的房颤检测方法一实施例的流程示意图；图3为图2中步骤S10的细化流程示意图；图4为本专利技术基于心电信号的房颤检测方法另一实施例的流程示意图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。参照图1，图1为本专利技术实施例方案涉及的房颤检测装置运行环境的结构示意图。如图1所示，该房颤检测装置可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。可选地，房颤检测装置还可以包括调谐解调器、回传通道、RF(RadioFrequency，射频)电路，传感器、音频电路、扬声器等等。本领域技术人员可以理解，图1中示出的房颤检测装置的硬件结构并不构成对房颤检测装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不本文档来自技高网...

【技术保护点】
1.一种基于心电信号的房颤检测方法，其特征在于，所述房颤检测方法包括以下步骤：获取用于训练房颤识别模型的心电信号，并提取所述用于训练房颤识别模型的心电信号的形态特征参数以及时序信息；以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型；获取待检测心电信号，并基于所述房颤识别模型分析所述待检测心电信号，得到所述待检测心电信号的房颤检测结果。

【技术特征摘要】
1.一种基于心电信号的房颤检测方法，其特征在于，所述房颤检测方法包括以下步骤：获取用于训练房颤识别模型的心电信号，并提取所述用于训练房颤识别模型的心电信号的形态特征参数以及时序信息；以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型；获取待检测心电信号，并基于所述房颤识别模型分析所述待检测心电信号，得到所述待检测心电信号的房颤检测结果。2.如权利要求1所述的房颤检测方法，其特征在于，所述获取用于训练房颤识别模型的心电信号，并提取所述用于训练房颤识别模型的心电信号的形态特征参数以及时序信息包括：获取用于训练房颤识别模型的房颤心电信号和正常心电信号；对所述房颤心电信号和正常心电信号进行预处理，得到多个心电数据序列；判断各个心电数据序列是否满足预设条件；当满足预设条件时，对心电数据序列进行形态特征提取，得到多个形态特征参数；识别各个形态特征参数在心电数据序列中的时间位置，得到多个时序信息；确定各个形态特征参数与各个时序信息在所述心电数据序列中的对应关系。3.如权利要求2所述的房颤检测方法，其特征在于，所述以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型包括：以所述形态特征参数、所述时序信息、所述对应关系作为输入量，以所述房颤心电信号与所述正常心电信号的心电状况作为输出量，采用卷积神经网络与长短时记忆神经网络对所述输入量、所述输出量的取值样本进行训练，得到房颤识别模型。4.如权利要求1所述的房颤检测方法，其特征在于，在所述以所述形态特征参数以及时序信息为训练样本，采用深度学习方式，建立房颤识别模型之后，所述房颤检测方法还包括：采用K折交叉验证或混淆矩阵对所述房颤识别模型进行验证，得到验证结果，以供维护人员根据所述验证结果对所述房颤识别模型进行维护。5.如权利要求1至4中任一项所述的房颤检测方法，其特征在于，在所述获取待检测心电信号，并基于所述房颤识别模型分析所述待检测心电信号，得到所述待检测心电信号的房颤检测结果之后，所述房颤检测方法还包括：将所述待检测心电信号与所述用于训练房颤识别模型的心电信号进行合并，用以更新所述房颤识别模型的训练样本；根据更新的训练样本，对所述房颤识别模型进行进一步...

【专利技术属性】
技术研发人员：邓开峰，
申请(专利权)人：深圳竹信科技有限公司，
类型：发明
国别省市：广东,44