心电节律模型的训练及检测方法、装置、设备和存储介质制造方法及图纸

本发明专利技术公开了心电节律模型的训练及检测方法、装置、设备和存储介质。该方法包括：在心电图中确定心拍；从所述心拍中提取波形统计特征、主成分特征与幅度相关特征；将所述波形统计特征、所述主成分特征与所述幅度相关特征组合为心态学特征；对所述心态学特征标记心脏所处的心态学状态；根据所述心态学特征与所述心态学状态训练心电节律模型。通过本方法实现了多维度的采集心拍的特征，将各个维度的特征进行组合，提高了心拍的差异性，提高了判断心脏疾病的可靠性的有益效果。

Training and Detection of ECG Rhythm Model, Devices, Equipment and Storage Medium

The invention discloses the training and detection method, device, equipment and storage medium of the ECG rhythm model. The method includes: determining the beats in the electrocardiogram; extracting the statistical features of waveforms, principal components and amplitude-related features from the beats; combining the statistical features of waveforms, the principal components and the amplitude-related features into psychologic features; marking the psychologic state of the heart with the psychologic features; and according to the psychologic characteristics and the psychologic characteristics, the psychologic characteristics are described. Psychological training ECG rhythm model. This method realizes multi-dimensional acquisition of heart beat characteristics, combines the characteristics of each dimension, improves the difference of heart beat, and improves the useful effect of judging the reliability of heart disease.

【技术实现步骤摘要】
心电节律模型的训练及检测方法、装置、设备和存储介质
本专利技术实施例涉及机器学习技术，尤其涉及心电节律模型的训练及检测方法、装置、设备和存储介质。
技术介绍
心脏是人体血液循环的动力装置。正是由于心脏自动不断地进行有节奏的收缩和舒张活动，才使得血液在封闭的循环系统中不停地流动，使生命得以维持。心脏在搏动前后，心肌发生激动。在激动过程中，会产生微弱的生物电流。这样，心脏的每一个心动周期均伴随着生物电变化。这种生物电变化可传达到身体表面的各个部位。由于身体各部分组织不同，距心脏的距离不同，心电信号在身体不同的部位所表现出的电位也不同。对正常心脏来说，这种生物电变化的方向、频率、强度是有规律的。若通过电极将体表不同部位的电信号检测出来，再用放大器加以放大，并用记录器描记下来，就可得到心电图。凭借医生的经验，可以通过观察心电图推测被检测人员是否有心脏疾病以及是何种心脏疾病。为了减轻医生的负担，通常会使用人工智能辅助医生进行判断。在实现本专利技术的过程中，专利技术人发现现有技术中至少存在如下问题：采集心电图中单一的部分特征，作为判断心脏疾病的依据，容易造成误判。
技术实现思路
本专利技术提供心电节律模型的训练及检测方法、装置、设备和存储介质，以解决采集心电图中的某一部分特征，作为判断心脏疾病的依据具有局限性，对心拍包括的特征分析不完善的问题。第一方面，本专利技术实施例提供了一种心电节律模型的训练方法，包括：在心电图中确定心拍；从所述心拍中提取波形统计特征、主成分特征与幅度相关特征；将所述波形统计特征、所述主成分特征与所述幅度相关特征组合为心态学特征；对所述心态学特征标记心脏所处的心态学状态；根据所述心态学特征与所述心态学状态训练心电节律模型。在此基础上，所述从所述心拍中提取波形统计特征、主成分特征与幅度相关特征，包括：从所述心拍中确定波形特征点；确定波形特征点的统计数据，所述统计数据包括数量、平均值、最大值、最小值、中位数、方差、偏度、峰度和宽度中的至少一个；将所述统计数据组合为波形统计特征。在此基础上，所述从所述心拍中提取波形统计特征、主成分特征与幅度相关特征，包括：从所述心拍中确定波形特征点；将所述波形特征点划分至向量集合中；确定所述波形特征点在所述向量集合中的平均值；根据所述向量集合以及所述平均值确定所述波形特征点的第一特征向量；对所述第一特征向量进行线性降维，获得所述波形特征点的主成分特征。在此基础上，所述从所述心拍中提取波形统计特征、主成分特征与幅度相关特征，包括：确定目标心拍，所述目标心拍已标记心脏所处的状态；计算获得所述心拍与所述目标心拍的幅度平方数据，作为幅度相关特征，所述幅度平方数据用于体现输入心拍与目标心拍的相似性。在此基础上，将所述波形统计特征、所述主成分特征与所述幅度相关特征组合为心态学特征，包括：将同属于一个心拍的所述波形统计特征、所述主成分特征与所述幅度相关特征拼接为拼接特征；对所述拼接特征进行降维处理，获得心态学特征。在此基础上，对所述拼接特征进行降维处理，获得心态学特征，包括：对所述拼接特征进行标准化处理，获得标准特征；对所述标准特征计算第二特征向量，所述第二特征向量用于对所述拼接特征的主成分进行排序；根据所述对主成分进行排序的结果确定所述主成分的重要程度；通过所述重要程度确定所述拼接特征的主成分得分矩阵，作为心态学特征。第二方面，本专利技术实施例还提供了一种基于心电节律模型的异常检测方法，包括：在心电图中确定心拍；从所述心拍中提取波形统计特征、主成分特征与幅度相关特征；将所述波形统计特征、所述主成分特征与所述幅度相关特征组合为心态学特征；将所述心态学特征输入至心电节律模型，以输出所述心态学特征对应的心态学状态。第三方面，本专利技术实施例还提供了一种心电节律模型的训练装置，包括：第一心拍确定模块，用于在心电图中确定心拍；第一特征提取模块，用于从所述心拍中提取波形统计特征、主成分特征与幅度相关特征；第一特征组合模块，用于将所述波形统计特征、所述主成分特征与所述幅度相关特征组合为心态学特征；状态标记模块，用于对所述心态学特征标记心脏所处的心态学状态；模型训练模块，用于根据所述心态学特征与所述心态学状态训练心电节律模型。第四方面，本专利技术实施例还提供了一种基于心电节律模型的异常检测装置，包括：第二心拍确定模块，用于在心电图中确定心拍；第二特征提取模块，用于从所述心拍中提取波形统计特征、主成分特征与幅度相关特征；第二特征组合模块，用于将所述波形统计特征、所述主成分特征与所述幅度相关特征组合为心态学特征；状态判定模块，用于将所述心态学特征输入至心电节律模型，以输出所述心态学特征对应的心态学状态。第五方面，本专利技术实施例还提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如实施例一和实施例二所述的一种心电节律模型的训练方法，或者，实现如实施例三所述的一种基于心电节律模型的异常检测方法。第六方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一和实施例二所述的一种心电节律模型的训练方法，或者，实现如实施例三所述的一种基于心电节律模型的异常检测方法。本专利技术通过在心电图中确定心拍；从心拍中提取波形统计特征、主成分特征与幅度相关特征；将波形统计特征、所述主成分特征与幅度相关特征组合为心态学特征；对心态学特征标记心脏所处的心态学状态；根据心态学特征与心态学状态训练心电节律模型。当心电节律模型符合使用标准后，获取当前心电图，从当前心电图的心拍中提取波形统计特征、主成分特征与幅度相关特征，组合为心态学特征后输入至心电节律模型，以获得当前心电图所处的心态学状态。实现了多维度的采集心拍的特征，将各个维度的特征进行组合，提高了心拍的差异性，提高了判断心脏疾病的可靠性的有益效果。附图说明图1A为本专利技术实施例一提供的一种心电节律模型的训练方法的流程图；图1B为本专利技术实施例一提供的一个心拍的结构图；图2为本专利技术实施例二提供的一种心电节律模型的训练方法的流程图；图3为本专利技术实施例三提供的一种基于心电节律模型的异常检测方法的流程图；图4为本专利技术实施例四提供的一种心电节律模型的训练装置；图5为本专利技术实施例五提供的一种基于心电节律模型的异常检测装置；图6为本专利技术实施例六提供的一种电子设备的结构示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。实施例一图1A为本专利技术实施例一提供的一种心电节律模型的训练方法的流程图。本实施例适用于在在心电图中确定心拍，从心拍中提取波形统计特征、主成分特征与幅度相关特征、并将上述特征进行组合为心态学特征，通过该心态学特征与对应的心态学状态训练心电节律模型的场景。该方法可以由一种心电节律模型的训练装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于电子设备中。参考图1A，该方法具体包括：S101、在心电图中确定心拍。心电图是心脏在每个心动周期中，由起搏点、心房、心室相继兴奋，伴随着生物电的变本文档来自技高网...

【技术保护点】
1.一种心电节律模型的训练方法，其特征在于，包括：在心电图中确定心拍；从所述心拍中提取波形统计特征、主成分特征与幅度相关特征；将所述波形统计特征、所述主成分特征与所述幅度相关特征组合为心态学特征；对所述心态学特征标记心脏所处的心态学状态；根据所述心态学特征与所述心态学状态训练心电节律模型。

【技术特征摘要】
1.一种心电节律模型的训练方法，其特征在于，包括：在心电图中确定心拍；从所述心拍中提取波形统计特征、主成分特征与幅度相关特征；将所述波形统计特征、所述主成分特征与所述幅度相关特征组合为心态学特征；对所述心态学特征标记心脏所处的心态学状态；根据所述心态学特征与所述心态学状态训练心电节律模型。2.根据权利要求1所述的方法，其特征在于，所述从所述心拍中提取波形统计特征、主成分特征与幅度相关特征，包括：从所述心拍中确定波形特征点；确定波形特征点的统计数据，所述统计数据包括数量、平均值、最大值、最小值、中位数、方差、偏度、峰度和宽度中的至少一个；将所述统计数据组合为波形统计特征。3.根据权利要求1所述的方法，其特征在于，所述从所述心拍中提取波形统计特征、主成分特征与幅度相关特征，包括：从所述心拍中确定波形特征点；将所述波形特征点划分至向量集合中；确定所述波形特征点在所述向量集合中的平均值；根据所述向量集合以及所述平均值确定所述波形特征点的第一特征向量；对所述第一特征向量进行线性降维，获得所述波形特征点的主成分特征。4.根据权利要求1所述的方法，其特征在于，所述从所述心拍中提取波形统计特征、主成分特征与幅度相关特征，包括：确定目标心拍，所述目标心拍已标记心脏所处的状态；计算获得所述心拍与所述目标心拍的幅度平方数据，作为幅度相关特征，所述幅度平方数据用于体现输入心拍与目标心拍的相似性。5.根据权利要求1-4任一项所述的方法，其特征在于，将所述波形统计特征、所述主成分特征与所述幅度相关特征组合为心态学特征，包括：将同属于一个心拍的所述波形统计特征、所述主成分特征与所述幅度相关特征拼接为拼接特征；对所述拼接特征进行降维处理，获得心态学特征。6.根据权利要求5所述的方法，其特征在于，对所述拼接特征进行降维处理，获得心态学特征，包括：对所述拼接特征进行标准化处理，获得标准特征；对所述标准特征计算第二特征向量，所述第二特征向量用于对所述拼接特征的主成...

【专利技术属性】
技术研发人员：胡静，
申请(专利权)人：广州视源电子科技股份有限公司，
类型：发明
国别省市：广东,44