信号识别方法、装置、设备和存储介质制造方法及图纸

本发明专利技术实施例公开了一种信号识别方法、装置、设备和存储介质，该方法包括，设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到；将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。应用本实施例中的方法进行信号识别，提高了信号识别的速度和准确度。

【技术实现步骤摘要】
信号识别方法、装置、设备和存储介质
本专利技术涉及信号处理技术，尤其涉及一种信号识别方法、装置、设备和存储介质。
技术介绍
心房颤动简称房颤，是临床最常见的一种心律失常疾病，减少房颤的发病率和死亡率具有重要的临床意义和社会意义。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。现有技术中通过RR间期不规则作为标准来判断房颤是否发作，然而，RR间期绝对不规则也是其他心律信号的表现之一。判断标准单一，导致判断结果不准确。
技术实现思路
本专利技术实施例提供一种信号识别方法、装置、设备和存储介质，应用本实施例中的方法进行信号识别，提高了信号识别的速度和准确度。第一方面，本专利技术实施例提供了一种信号识别方法，该方法包括：设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到；将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。第二方面，本专利技术实施例还提供了一种信号识别装置，该装置包括：第一设计模块，用于设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；第二设计模块，用于设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到；模型构建模块，用于将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；信号识别模块，用于将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。第三方面，本专利技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本专利技术实施例中任一所述的信号识别方法。第四方面，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本专利技术实施例中任一所述的信号识别方法。本专利技术实施例中，通过设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到；将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。应用本专利技术实施例中提供的方法进行信号识别，提高了信号识别的速度和准确度；经过预处理的波形更光滑，预处理消除了高频噪声，更方便准确的提取有效信息；应用本专利技术实施例中提供的特征参数，能得到更精确的模型参数值，应用深度神经网络模型对待检测信号进行识别，更加能够表征房颤发作的特性，更适合实际应用场景；将该结果在显示设备上显示，作为个人或医生检测或诊断的基础。附图说明图1a是本专利技术实施例一中的一种信号识别方法的流程图；图1b是本专利技术实施例一中所适用的一种实际采集到的心电信号的波形图；图1c是本专利技术实施例一中所适用的一种预处理后的心电信号的波形图；图2是本专利技术实施例二中的一种信号识别方法的流程图；图3是本专利技术实施例三中的一种信号识别方法的流程图；图4是本专利技术实施例四中的一种计算机设备的结构示意图。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。心电信号(Electrocardiogram，ECG))是指，心脏活动时心肌激动产生的生物电信号。通过识别心电信号，可以识别房颤、其他心律(除房颤外的异常节律)、正常窦性心律和噪声等不同的心电信号。房颤是指心房颤动，是临床最常见的一种心律失常疾病，紊乱的心房活动和随之而来的脑卒、心肌梗死等并发症，导致较高的致残率和死亡率。因此，准确识别心电信号有重要的意义。在一个具体的例子中，心电信号显示在心电图机上，心电图机上显示的心电信号由一系列的波组成，每个波组代表着一个心动周期，一个波组包括P波、QRS波、T波。P波是心房除极波，是每一个波组中的第一波，反映了左右心房的除极过程；典型的QRS波包括三个紧密相连的波，第一个向下的波称为Q波，继Q波之后的一个高尖的直立波称为R波，R波后向下的波称为S波，因其紧密相连，且反映了心室电激动过程，故统称为QRS波，反映了左右心室的除极过程。T波位于S-T段之后，是一个比较低而占时较长的波，它是心室复极所产生的。U波是紧接T波后0.02～0.04s出现的一个低频、低振幅波，方向与T波一致，是心室复极的一部分。实施例一图1a为本专利技术实施例一提供的一种信号识别方法的流程图，本实施例可适用于识别待检测信号的情况，该方法可以由本专利技术实施例提供的信号识别装置来执行，该装置可采用软件和/或硬件的方式实现。参考图1a，该方法具体可以包括如下步骤：S110、设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到。具体的，获取心电信号后，设计其第一特征参数，其中，满足设定条件的波序列可以包括：P波序列以及PR间期构成的序列，然后对其进行设定的运算得到。可选的，第一特征参数可以是ECG的统计特征，设定的运算可以是求不同波形幅值的最大值或最小值等。其中，心电信号的波形信息可以是波峰位置、波谷位置和波间期，可选的，波间期是指，同一个波形的不同波峰之间的时间差，或者不同波形的波峰之间的时间差，这里不形成具体限定，根据实际的应用情况而定。心电信号的波序列可以是多个心电信号组成的离散序列。S120、设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到。具体的，信号波间期包括RR间期、PR间期和QT间期，第二特征参数包括RR间期差的均方根RMS△RR、PR间期差的均方根RMS△PR以及QT间期差的均方根RMS△QT；RR间期差的均方根RMS△RR与RR间期均值的比值RA_RMS△RR；PR间期差的均方根RMS△PR和PR间期均值的比值RA_RMS△PR；QT间期差的均方根RMS△QT和QT间期均值的比值RA_RMS△QT。在一个具体的例子中，可以通过如下方式设计心电信号的第二特征参数：第一、计算心电信号的间期差的均方根，计算公式如下：第二、计算所述均方根与对应的心电信号的间期的比值，计算公式如下：在上述公式中，N代表波组的数量，ΔRR(i)、ΔPR(i)和ΔQT(i)均代表间期差；RR(i)、PR(i)和QT(i)均代表间期。S130、将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型。具体的，将第一特征参数和第二特征参数作为识别特征参数进行训练，确定深度神经网络模型的模型参数。神经网络(NeuralNetworks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统。深度神经网络融合了多种神经网络结构，或者，深度神经网络包括全连接的神经元结构。得到模型的最优参数，以及深度神经网络模型。可选的，本文档来自技高网...

【技术保护点】
1.一种信号识别方法，其特征在于，包括：设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到；将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。

【技术特征摘要】
1.一种信号识别方法，其特征在于，包括：设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到；将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。2.根据权利要求1所述的方法，其特征在于，所述第一特征参数包括P波序列的差值参数、P波序列的变化参数和PR间期变异性特征参数；相应的，所述设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到，包括：计算P波序列中信号幅值的最大值和所述信号幅值的最小值之差得到所述P波序列的差值参数；选取满足设定条件的差值参数进行运算，确定P波序列的变化参数；根据PR间期相空间的概率密度函数计算所述PR间期变异性特征参数。3.根据权利要求1所述的方法，其特征在于，所述设计心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到，包括：计算心电信号的间期差的均方根；计算所述均方根与对应的心电信号的间期的比值。4.根据权利要求1所述的方法，其特征在于，所述设计心电信号的第一特征参数之前，还包括：获取心电信号并进行预处理。5.根据权利要求1所述的方法，其特征在于，所述将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号之后，还包括：将识别...

【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