心律失常的检测方法、装置、电子设备及计算机存储介质制造方法及图纸

本申请提供了一种心律失常的检测方法、装置、电子设备及计算机存储介质，涉及心电检测技术领域，该方法包括：获取待检测的心电信号；将所述心电信号输入至预先建立的心律失常检测模型；其中，所述心律失常检测模型包含有依次连接的卷积神经网络和循环神经网络；通过所述心律失常检测模型对所述心电信号进行检测，得到所述心电信号对应的检测结果；所述检测结果包括心律失常类型。本申请能够对不同长度的心电信号进行心律失常检测，有效提升了心律失常的检测普适性。

Detection method, device, electronic equipment and computer storage medium of arrhythmia

【技术实现步骤摘要】
【国外来华专利技术】心律失常的检测方法、装置、电子设备及计算机存储介质
本申请涉及心电检测
，尤其是涉及一种心律失常的检测方法、装置、电子设备及计算机存储介质。
技术介绍
心律失常是指心脏起搏和传导功能紊乱而发生的心脏节律、频率或激动顺序异常，具有心动过速、心动过缓、心律不齐和心脏停搏或颤动等多种表现类型，检测心律失常对于心血管疾病的预防具有重要意义。传统心律失常的检测方式为人工检测，也即由具有专业知识的医生对心电图进行分析判断，确定心律失常类型。随着人工智能的发展，逐渐出现了应用卷积神经网络模型自动检测心律失常类型。然而，现有的卷积神经网络模型仅能对固定长度的心电信号进行心律失常检测，难以应用于长度不同的心电信号，也即受限于心电数据中普遍存在的信号长度不一，普适性较差。申请内容有鉴于此，本申请的目的在于提供一种心律失常的检测方法、装置、电子设备及计算机存储介质，能够对不同长度的心电信号进行心律失常检测，有效提升了心律失常的检测普适性。为了实现上述目的至少之一，本申请采用的技术方案如下：第一方面，提供了一种心律失常的检测方法，所述方法由电子设备的处理器执行，所述方法包括：获取待检测的心电信号；将所述心电信号输入至预先建立的心律失常检测模型；其中，所述心律失常检测模型包含有依次连接的卷积神经网络和循环神经网络；通过所述心律失常检测模型对所述心电信号进行检测，得到所述心电信号对应的检测结果；所述检测结果包括心律失常类型。在本申请可选的实施例中，所述通过所述心律失常检测模型对所述心电信号进行检测，得到所述心电信号对应的检测结果的步骤，包括：通过所述卷积神经网络对输入的所述心电信号进行特征提取，得到所述心电信号的特征信息，并将所述特征信息输入至所述循环神经网络；通过所述循环神经网络对输入的所述特征信息进行分类处理，确定所述心电信号的心律失常类型。在本申请可选的实施例中，所述通过所述卷积神经网络对输入的所述心电信号进行特征提取，得到所述心电信号的特征信息的步骤，包括：通过所述卷积神经网络对所述心电信号进行叠加卷积处理和非线性变换处理，得到特征时间序列；其中，所述特征时间序列包含有按照时间顺序排列的从多段心电信号中相应提取的特征段。在本申请可选的实施例中，所述通过所述循环神经网络对输入的所述特征信息进行分类处理，确定所述心电信号的心律失常类型的步骤，包括：通过所述循环神经网络对所述特征时间序列中的每个所述特征段进行迭代处理，以确定所述特征时间序列的最终状态，并对所述特征时间序列的最终状态进行分类处理，确定所述心电信号的心律失常类型。在本申请可选的实施例中，所述心律失常检测模型的训练过程包括：获取训练信号；将所述训练信号输入至待训练的心律失常检测模型，通过所述心律失常检测模型的损失函数计算损失函数值；基于所述损失函数值，通过反向传播算法对所述心律失常检测模型的参数进行训练，直至所述损失函数值收敛至预设值。在本申请可选的实施例中，所述获取训练信号的步骤，包括：获取原始心电信号；对所述原始心电信号进行预处理，生成训练信号；其中，所述预处理包括噪声处理、横向拉伸处理、横向压缩处理和部分遮盖处理中的一种或多种。在本申请可选的实施例中，所述预处理包括噪声处理；所述对所述原始心电信号进行预处理，生成训练信号的步骤，包括：向所述原始心电信号中加入与预设信噪比的幅值对应的随机噪声，得到训练信号。在本申请可选的实施例中，所述预处理包括横向拉伸处理和/或横向压缩处理；所述对所述原始心电信号进行预处理，生成训练信号的步骤，包括：按照预设比例对所述原始心电信号进行横向拉伸处理和/或横向压缩处理，得到训练信号。在本申请可选的实施例中，所述预处理包括部分遮盖处理；所述对所述原始心电信号进行预处理，生成训练信号的步骤，包括：从所述原始心电信号中随机截取一段持续时长低于预设时长的信号；将所述原始心电信号中截取的信号置零，得到训练信号。在本申请可选的实施例中，在所述心律失常检测模型的训练过程中，采用正则化方式、网络连接结构的随机去除方式和标签干扰方式中的一种或多种稳定训练方式。在本申请可选的实施例中，所述卷积神经网络包括多个卷积层和多个池化层；其中，每个所述卷积层包括依次连接的卷积单元、非线性变换单元和批归一化单元；所述循环神经网络包括多个长短时记忆单元；每个所述长短时记忆单元包括遗忘门结构、更新门结构和输出门结构。第二方面，本申请还提供一种心律失常的检测装置，所述装置设置于电子设备的处理器侧，所述装置包括：信号获取模块，配置成获取待检测的心电信号；模型输入模块，配置成将所述心电信号输入至预先建立的心律失常检测模型；其中，所述心律失常检测模型包含有依次连接的卷积神经网络和循环神经网络；模型检测模块，配置成通过所述心律失常检测模型对所述心电信号进行检测，得到所述心电信号对应的检测结果；所述检测结果包括心律失常类型。在本申请可选的实施例中，所述模型检测模块配置成：特征提取单元，配置成通过所述卷积神经网络对输入的所述心电信号进行特征提取，得到所述心电信号的特征信息，并将所述特征信息输入至所述循环神经网络；类型确定单元，配置成通过所述循环神经网络对输入的所述特征信息进行分类处理，确定所述心电信号的心律失常类型。在本申请可选的实施例中，所述特征提取单元配置成：通过所述卷积神经网络对所述心电信号进行叠加卷积处理和非线性变换处理，得到特征时间序列；其中，所述特征时间序列包含有多个按照时间顺序排列的从多段心电信号中相应提取的特征段。在本申请可选的实施例中，所述类型确定单元配置成：通过所述循环神经网络对所述特征时间序列中的每个所述特征段进行迭代处理，以确定所述特征时间序列的状态，并对所述特征实际序列的最终状态进行分类处理，确定所述心电信号的心律失常类型。在本申请可选的实施例中，所述装置还包括：训练信号获取模块，配置成获取训练信号；损失值计算模块，配置成将所述训练信号输入至待训练的心律失常检测模型，通过预设的所述心律失常检测模型的损失函数计算损失函数值；训练模块，配置成基于所述损失函数值，通过反向传播算法对所述心律失常检测模型的参数进行训练，直至所述损失函数值收敛至预设值。在本申请可选的实施例中，所述训练信号获取模块配置成：获取原始心电信号；对所述原始心电信号进行预处理，生成训练信号；其中，所述预处理包括噪声处理、横向拉伸处理、横向压缩处理和部分遮盖处理中的一种或多种。在本申请可选的实施例中，所述卷积神经网络包括多个卷积层和多个池化层；其中，每个所述卷积层包括依次连接的卷积单元、非线性变换单元和批归一化单元；所述循环神经网络包括多个长短时记忆单元；每个所述长短时记忆单元包括遗忘门结构、更新门结构和输出门结构。第三方面，提供了一种电子设备，所述电子设备包括存储器以及处理器，所述存储器配置成存储支持处理器执行第一方面任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。第四方面，提供了一种计算机存储介质，用于储存为第二方面任一项所本文档来自技高网...

【技术保护点】
一种心律失常的检测方法，其特征在于，所述方法由电子设备的处理器执行，所述方法包括：/n获取待检测的心电信号；/n将所述心电信号输入至预先建立的心律失常检测模型；其中，所述心律失常检测模型包含有依次连接的卷积神经网络和循环神经网络；/n通过所述心律失常检测模型对所述心电信号进行检测，得到所述心电信号对应的检测结果；所述检测结果包括心律失常类型。/n

【技术特征摘要】
【国外来华专利技术】一种心律失常的检测方法，其特征在于，所述方法由电子设备的处理器执行，所述方法包括：
获取待检测的心电信号；
将所述心电信号输入至预先建立的心律失常检测模型；其中，所述心律失常检测模型包含有依次连接的卷积神经网络和循环神经网络；
通过所述心律失常检测模型对所述心电信号进行检测，得到所述心电信号对应的检测结果；所述检测结果包括心律失常类型。


根据权利要求1所述的方法，其特征在于，所述通过所述心律失常检测模型对所述心电信号进行检测，得到所述心电信号对应的检测结果的步骤，包括：
通过所述卷积神经网络对输入的所述心电信号进行特征提取，得到所述心电信号的特征信息，并将所述特征信息输入至所述循环神经网络；
通过所述循环神经网络对输入的所述特征信息进行分类处理，确定所述心电信号的心律失常类型。


根据权利要求2所述的方法，其特征在于，所述通过所述卷积神经网络对输入的所述心电信号进行特征提取，得到所述心电信号的特征信息的步骤，包括：
通过所述卷积神经网络对所述心电信号进行叠加卷积处理和非线性变换处理，得到特征时间序列；其中，所述特征时间序列包含有按照时间顺序排列的从多段心电信号中相应提取的特征段。


根据权利要求2所述的方法，其特征在于，所述通过所述循环神经网络对输入的所述特征信息进行分类处理，确定所述心电信号的心律失常类型的步骤，包括：
通过所述循环神经网络对所述特征时间序列中的每个所述特征段进行迭代处理，以确定所述特征时间序列的最终状态，并对所述特征时间序列的最终状态进行分类处理，确定所述心电信号的心律失常类型。


根据权利要求1所述的方法，其特征在于，所述心律失常检测模型的训练过程包括：
获取训练信号；
将所述训练信号输入至待训练的心律失常检测模型，通过所述心律失常检测模型的损失函数计算损失函数值；
基于所述损失函数值，通过反向传播算法对所述心律失常检测模型的参数进行训练，直至所述损失函数值收敛至预设值。


根据权利要求5所述的方法，其特征在于，所述获取训练信号的步骤，包括：
获取原始心电信号；
对所述原始心电信号进行预处理，生成训练信号；其中，所述预处理包括噪声处理、横向拉伸处理、横向压缩处理和部分遮盖处理中的一种或多种。


根据权利要求6所述的方法，其特征在于，所述预处理包括噪声处理；所述对所述原始心电信号进行预处理，生成训练信号的步骤，包括：
向所述原始心电信号中加入与预设信噪比的幅值对应的随机噪声，得到训练信号。


根据权利要求6所述的方法，其特征在于，所述预处理包括横向拉伸处理和/或横向压缩处理；所述对所述原始心电信号进行预处理，生成训练信号的步骤，包括：
按照预设比例对所述原始心电信号进行横向拉伸处理和/或横向压缩处理，得到训练信号。


根据权利要求6所述的方法，其特征在于，所述预处理包括部分遮盖处理；所述对所述原始心电信号进行预处理，生成训练信号的步骤，包括：
从所述原始心电信号中随机截取一段持续时长低于预设时长的信号；
将所述原始心电信号中截取的信号置零，得到训练信号。


根据权利要求5所述的方法，其特征在于，在所述心律失常检测模型的训练过程中，采用正则化方式、网络连接结构的随机去除方式和标签干...

【专利技术属性】
技术研发人员：姚启航，李烨，樊小毛，蔡云鹏，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44