ECG信号的检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请中提供了一种ECG信号的检测方法、装置、计算机设备和存储介质，将已知信号节奏类型的第一ECG信号输入至卷积神经网络中进行训练，训练出对应的训练参数，将得出训练参数的卷积神经网络作为ECG信号的检测模型；将待检测的第二ECG信号输入至所述ECG信号的检测模型中进行计算，输出得到所述第二ECG信号的信号节奏类型。训练完成的ECG信号检测模型可替代医学专家全自动检测患者ECG信号中的信号节奏类型，节约大量的人力和物力成本；同时，其检测患者ECG信号中的信号节奏类型的准确率可以达到甚至超过专家。

ECG Signal Detection Method, Device, Computer Equipment and Storage Media

In this application, an ECG signal detection method, device, computer equipment and storage medium are provided. The first ECG signal of known signal rhythm type is input into the convolution neural network for training, and the corresponding training parameters are trained. The convolution neural network with training parameters is used as the detection model of ECG signal. The second ECG signal to be detected is input into the detection model of the ECG signal for calculation, and the signal rhythm type of the second ECG signal is output. The training-completed ECG signal detection model can replace the medical experts'automatic detection of patients' ECG signal rhythm type, save a lot of manpower and material costs; at the same time, its detection accuracy of patients'ECG signal rhythm type can reach or even exceed that of experts.

【技术实现步骤摘要】
ECG信号的检测方法、装置、计算机设备和存储介质
本申请涉及计算机
，特别涉及一种ECG信号的检测方法、装置、计算机设备和存储介质。
技术介绍
心律失常指的是心脏电传导系统异常所引起的各种症状，包含心跳不规则、过快、或过慢的表现总称，是心血管疾病中重要的一组疾病。它可单独发病，亦可与其它心血管疾病伴发。心律失常的患者比例常年位于各种心血管疾病的前两位，严重危害我国居民的健康。因此，快速、准确的心律失常检测技术显得极为重要。由于心电图信号(ECG信号，Electrocardiogram)的多样性以及噪声的存在，机器检测存在较大的误差，目前，主流的心律失常检测技术是通过专家对ECG信号进行人工诊断，其诊断速度低、诊断效率低，其耗费大量的人力和物力成本。
技术实现思路
本申请的主要目的为提供一种ECG信号的检测方法、装置、计算机设备和存储介质，克服人工诊断心律失常时诊断速度低、诊断效率低的缺陷。为实现上述目的，本申请提供了一种ECG信号的检测方法，包括以下步骤：将已知信号节奏类型的第一ECG信号输入至卷积神经网络中进行训练，训练出对应的训练参数，将得出训练参数的卷积神经网络作为ECG信号的检测模型；将待检测的第二ECG信号输入至所述ECG信号的检测模型中进行计算，输出得到所述第二ECG信号的信号节奏类型。进一步地，所述将已知信号节奏类型的第一ECG信号输入至卷积神经网络中进行训练，训练出对应的训练参数的步骤之前，包括：对所述第一ECG信号进行标准化处理。进一步地，所述将待检测的第二ECG信号输入至所述ECG信号的检测模型中进行计算，输出得到所述第二ECG信号的信号节奏类型的步骤，包括：将待检测的第二ECG信号输入至所述ECG信号的检测模型中的输入层，经过32层卷积层卷积后再经输出层输出，得到所述第二ECG信号的信号节奏类型。进一步地，所述卷积神经网络使用的损失函数为交叉熵损失函数，所述卷积神经网络的优化方法为Adam方法。进一步地，所述经过32层卷积层卷积后再经输出层输出的步骤之前，包括：对所述第二ECG信号依次进行批标准化、线性修正以及深度学习。进一步地，所述将已知信号节奏类型的第一ECG信号输入至卷积神经网络中进行训练，训练出对应的训练参数，将得出训练参数的卷积神经网络作为ECG信号的检测模型的步骤之后，包括：将已知信号节奏类型的第三ECG信号输入至所述ECG信号的检测模型进行验证，验证所述ECG信号的检测模型输出的信号节奏类型是否与所述第三ECG信号的信号节奏类型相同。进一步地，所述将已知信号节奏类型的第一ECG信号输入至卷积神经网络中进行训练，训练出对应的训练参数的步骤，包括：将已知信号节奏类型的第一ECG信号输入至卷积神经网络中进行训练，并使得输出的训练结果为所述第一ECG信号已知的信号节奏类型，以得出对应的训练参数。本申请还提供了一种ECG信号的检测装置，包括：训练单元，用于将已知信号节奏类型的第一ECG信号输入至卷积神经网络中进行训练，训练出对应的训练参数，将得出训练参数的卷积神经网络作为ECG信号的检测模型；检测单元，用于将待检测的第二ECG信号输入至所述ECG信号的检测模型中进行计算，输出得到所述第二ECG信号的信号节奏类型。本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。本申请还提供一种计算机存储介质，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任一项所述的方法的步骤。本申请中提供的ECG信号的检测方法、装置、计算机设备和存储介质，具有以下有益效果：本申请中提供的ECG信号的检测方法、装置、计算机设备和存储介质，将已知信号节奏类型的第一ECG信号输入至卷积神经网络中进行训练，训练出对应的训练参数，将得出训练参数的卷积神经网络作为ECG信号的检测模型；将待检测的第二ECG信号输入至所述ECG信号的检测模型中进行计算，输出得到所述第二ECG信号的信号节奏类型；训练完成的ECG信号检测模型可替代医学专家全自动检测患者ECG信号中的信号节奏类型，节约大量的人力和物力成本；同时，其检测患者ECG信号中的信号节奏类型的准确率可以达到甚至超过专家。附图说明图1是本申请一实施例中ECG信号的检测方法步骤示意图；图2是本申请另一实施例中ECG信号的检测方法步骤示意图；图3是本申请一实施例中ECG信号的检测装置结构框图；图4是本申请另一实施例中ECG信号的检测装置结构框图；图5是本申请又一实施例中ECG信号的检测装置结构框图；图6为本申请一实施例的计算机设备的结构示意框图。本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。参照图1，本申请实施例中提供了一种ECG信号的检测方法，包括以下步骤：步骤S1，将已知信号节奏类型的第一ECG信号输入至卷积神经网络中进行训练，训练出对应的训练参数，将得出训练参数的卷积神经网络作为ECG信号的检测模型；在本步骤S1中，ECG信号通常包括14种信号节奏类型，其中12种异常节奏，一种窦节奏以及一种噪声节奏，信号节奏表达的是ECG信号的状态信息，当检测到ECG信号为上述12种异常节奏的任意一种信号节奏类型时，则可以判定该ECG信号的来源患者为心律异常。因此，检测ECG信号的信号节奏类型成为检测患者是否患有心律异常的科学手段。本实施例中，第一ECG信号的信号节奏类型为预先已知。上述卷积神经网络(ConvolutionalNeuralNetworks，CNN)具体可以为SequencetosequenceCNN模型，该模型是一种深度学习网络，用于一维时间序列模型，正好适用于心电图时间序列数据(即心电图信号数据)；因此，用于对心电图信号进行训练时更加准确、快速。具体地，上述第一ECG信号的来源可以是从历史检测数据库中已经检测好的ECG信号中选取的，也可以是通过临时采集并标记好信号节奏类型。例如，在具体的一个实施例中，寻找尽量多的目标病人佩戴心脏监测设备连续对其心律监测多日，收集多个持续n秒(一般小于60秒)频率为200Hz的ECG信号；收集到上述ECG信号之后，通过专家(医生)对上述ECG信号划分区域，专家根据每个区域的ECG信号特征判断信号节奏类型，并使用标注工具进行标注，即标注每个区域的ECG信号的具体信号节奏类型。将上述标注有信号节奏类型的ECG信号作为第一ECG信号。具体地，将上述第一ECG信号输入至卷积神经网络中，根据未知的训练参数训练输出未知的训练结果，该训练结果与训练参数相关联，不同的训练参数得出不同的训练结果；训练时，将上述第一ECG信号输入至卷积神经网络中，我们希望得到的预期输出的训练结果即第一ECG信号的信号节奏类型。而训练之前已经知道第一ECG信号的信号节奏类型，只需将第一ECG信号输入至卷积神经网络中进行训练，并使得输出的训练结果为所述第一ECG信号已知的信号节奏类型，或者使得输出的训练结果趋近于所述第一ECG信号已知的信号节奏类型；则可以得出卷积本文档来自技高网...

【技术保护点】
1.一种ECG信号的检测方法，其特征在于，包括以下步骤：将已知信号节奏类型的第一ECG信号输入至卷积神经网络中进行训练，训练出对应的训练参数，将得出训练参数的卷积神经网络作为ECG信号的检测模型；将待检测的第二ECG信号输入至所述ECG信号的检测模型中进行计算，输出得到所述第二ECG信号的信号节奏类型。

【技术特征摘要】
1.一种ECG信号的检测方法，其特征在于，包括以下步骤：将已知信号节奏类型的第一ECG信号输入至卷积神经网络中进行训练，训练出对应的训练参数，将得出训练参数的卷积神经网络作为ECG信号的检测模型；将待检测的第二ECG信号输入至所述ECG信号的检测模型中进行计算，输出得到所述第二ECG信号的信号节奏类型。2.根据权利要求1所述的ECG信号的检测方法，其特征在于，所述将已知信号节奏类型的第一ECG信号输入至卷积神经网络中进行训练，训练出对应的训练参数的步骤之前，包括：对所述第一ECG信号进行标准化处理。3.根据权利要求1所述的ECG信号的检测方法，其特征在于，所述将待检测的第二ECG信号输入至所述ECG信号的检测模型中进行计算，输出得到所述第二ECG信号的信号节奏类型的步骤，包括：将待检测的第二ECG信号输入至所述ECG信号的检测模型中的输入层，经过32层卷积层卷积后再经输出层输出，得到所述第二ECG信号的信号节奏类型。4.根据权利要求1所述的ECG信号的检测方法，其特征在于，所述卷积神经网络使用的损失函数为交叉熵损失函数，所述卷积神经网络的优化方法为Adam方法。5.根据权利要求3所述的ECG信号的检测方法，其特征在于，所述经过32层卷积层卷积后再经输出层输出的步骤之前，包括：对所述第二ECG信号依次进行批标准化、线性修正以及深度学习。6.根据权利要求1-5中任一项所述的ECG信号的检测方法，其特征在于，所述将已知信号...

【专利技术属性】
技术研发人员：王健宗，吴天博，刘新卉，刘莉红，马进，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44