心律失常的识别方法、装置及电子设备制造方法及图纸

本申请提出一种心律失常的识别方法、装置及电子设备，属于计算机应用技术领域。其中，该方法包括：获取心电图数据；从心电图数据中提取空间信息和局部时间信息；从心电图数据中提取时间关联信息和全局关联信息；根据空间信息、局部时间信息、时间关联信息和全局关联信息，生成心律失常信息。由此，通过这种心律失常的识别方法，自动对心电图数据进行识别，提高了心律失常识别的效率，降低了人工成本。

【技术实现步骤摘要】
心律失常的识别方法、装置及电子设备
本申请涉及计算机应用
，尤其涉及一种心律失常的识别方法、装置及电子设备。
技术介绍
心电图(Electrocardiogram，简称ECG)是使用心电采集仪器(如心电监护仪)记录人体心脏电位变化、并据此应用于临床心脏疾病监护、诊断的可见图形记录，是诊断常见心脏疾病的重要手段。临床上的ECG检查多采集10～20s的12导联的ECG数据，供医生分析使用。心律不齐(心动过速、心动过缓、心房颤动、心房扑动等)、早搏(房性早搏、室性早搏、交界性早搏等)类型占据了异常心电图类型的绝大多数，对该类心电图的自动识别的研究可以有效的辅助医生提高诊断效率。
技术实现思路
本申请提出的心律失常的识别方法、装置、电子设备、存储介质及计算机程序，用于解决相关技术中，通过人工方式对心电图进行识别，确定心律失常信息的方式，效率较低的问题。本申请一方面实施例提出的心律失常的识别方法，包括：获取心电图数据；从所述心电图数据中提取空间信息和局部时间信息；从所述心电图数据中提取时间关联信息和全局关联信息；根据所述空间信息、所述局部时间信息、所述时间关联信息和所述全局关联信息，生成心律失常信息。本申请另一方面实施例提出的心律失常的识别装置，包括：获取模块，用于获取心电图数据；第一提取模块，用于从所述心电图数据中提取空间信息和局部时间信息；第二提取模块，用于从所述心电图数据中提取时间关联信息和全局关联信息；生成模块，用于根据所述空间信息、所述局部时间信息、所述时间关联信息和所述全局关联信息，生成心律失常信息。本申请再一方面实施例提出的电子设备，其包括：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，其特征在于，所述处理器执行所述程序时实现如前所述的心律失常的识别方法。本申请又一方面实施例提出的计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如前所述的心律失常的识别方法。本申请再一方面实施例提出的计算机程序，该程序被处理器执行时，以实现本申请实施例所述的心律失常的识别方法。本申请实施例提供的心律失常的识别方法、装置、电子设备、计算机可读存储介质及计算机程序，通过获取心电图数据，并从心电图数据中提取空间信息和局部时间信息，之后从心电图数据中提取时间关联信息和全局关联信息，进而根据空间信息、局部时间信息、时间关联信息和全局关联信息，生成心律失常信息。由此，通过模型对心电图数据的时空信息进行提取和分析，并根据提取的特征信息确定心电图对应的心律失常信息，从而通过自动对心电图数据进行识别，提高了心律失常识别的效率，降低了人工成本。本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。附图说明本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本申请实施例所提供的一种心律失常的识别方法的流程示意图；图2为本申请实施例所提供的另一种心律失常的识别方法的流程示意图；图3为本申请实施例所提供的一种多标签神经网络模型架构的结构示意图；图4为本申请实施例所提供的一种CNN模型的结构示意图；图5为本申请实施例所提供的一种CNN模型中每个模块的结构示意图；图6为本申请实施例所提供的一种双向RNN的结构示意图；图7为本申请实施例所提供的一种注意力模型的示意图；图8为本申请实施例所提供的一种心律失常的识别装置的结构示意图；图9为本申请实施例所提供的电子设备的结构示意图。具体实施方式下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的要素。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。本申请实施例针对相关技术中，基通过人工方式对心电图进行识别，确定心律失常信息的方式，效率较低的问题，提出一种心律失常的识别方法。本申请实施例提供的心律失常的识别方法，通过获取心电图数据，并从心电图数据中提取空间信息和局部时间信息，之后从心电图数据中提取时间关联信息和全局关联信息，进而根据空间信息、局部时间信息、时间关联信息和全局关联信息，生成心律失常信息。由此，通过模型对心电图数据的时空信息进行提取和分析，并根据提取的特征信息确定心电图对应的心律失常信息，从而通过自动对心电图数据进行识别，提高了心律失常识别的效率，降低了人工成本。下面参考附图对本申请提供的心律失常的识别方法、装置、电子设备、存储介质及计算机程序进行详细描述。图1为本申请实施例所提供的一种心律失常的识别方法的流程示意图。如图1所示，该心律失常的识别方法，包括以下步骤：步骤101，获取心电图数据。其中，心电图数据，可以为多通道时序信号数据。需要说明的是，心电图数据的信号通道数量一般为12个通道，通道数量也可以为1、3、5、7、15、18等，本申请实施例对此不做限定。需要说明的是，本申请实施例的心律失常的识别方法可以由本申请实施例的心律失常的识别装置执行。本申请实施例的心律失常的识别装置，可以配置在任意电子设备中。在本申请实施例中，配置有心律失常的识别装置的电子设备可以直接与心电采集仪器连接，以使直接获取心电采集仪器获取的心电图数据。作为一种可能的实现方式，还可以对获取的心电图数据进行预处理，以便于后续步骤对心电图数据的识别和处理。比如，可以对心电图数据进行零中心化处理、归一化处理等。步骤102，从心电图数据中提取空间信息和局部时间信息。其中，空间信息，是指心电图数据中的多个通道对应的信息。需要说明的是，不同的空间信息可以从不同方向对心脏在同一时刻的电信号进行描述。其中，局部时间信息，是指可以对心电图数据中包括的各较短时段内的波形特征进行描述的信息。比如，可以心电图数据的时长为1分钟，则提取的心电图的局部时间信息可以对心电图数据每秒内(或更短时段内)的波形特征进行描述。在本申请实施例中，可以通过第一深度学习网络模型提取心电图数据中的空间信息和局部时间信息，以通过空间信息描述从不同通道获取的心脏的心律信息，通过局部时间信息表征每个通道中电信号的局部细节信息(比如心电图中包括的各类型的波形)。需要说明的是，实际使用时，本申请实施例的第一深度学习网络模型，可以是任意对时间序列信号敏感的模型，本申请实施例对此不做限定。比如，第一深度学习网络模型可以为卷积神经网络(ConvolutionalNeuralNetworks,简称CNN)。步骤103，从心电图数据中提取时间关联信息和全局关联信息。其中，时间关联信息，是指可以对心电图数据中较长一段时间内的波形变化情况、各时段对应的电信号间的关联性等信息进行描述的特征。举例来说，心电图数据的时长为1分钟，则心电图的时间关联信息可以包括每10秒内包本文档来自技高网...

【技术保护点】
1.一种心律失常的识别方法，其特征在于，包括：/n获取心电图数据；/n从所述心电图数据中提取空间信息和局部时间信息；/n从所述心电图数据中提取时间关联信息和全局关联信息；/n根据所述空间信息、所述局部时间信息、所述时间关联信息和所述全局关联信息，生成心律失常信息。/n

【技术特征摘要】
1.一种心律失常的识别方法，其特征在于，包括：
获取心电图数据；
从所述心电图数据中提取空间信息和局部时间信息；
从所述心电图数据中提取时间关联信息和全局关联信息；
根据所述空间信息、所述局部时间信息、所述时间关联信息和所述全局关联信息，生成心律失常信息。


2.如权利要求1所述的心律失常的识别方法，其特征在于，所述从所述心电图数据中提取空间信息和局部时间信息，包括：
通过卷积神经网络模型从所述心电图数据中提取所述空间信息和所述局部时间信息，其中，所述卷积神经网络模型包括多个模块，每个模块包括多个一维卷积层和Dropout层。


3.如权利要求1所述的心律失常的识别方法，其特征在于，所述从所述心电图数据中提取时间关联信息和全局关联信息，包括：
通过循环神经网络模型从所述心电图数据中提取所述时间关联信息。


4.如权利要求1所述的心律失常的识别方法，其特征在于，所述从所述心电图数据中提取时间关联信息和全局关联信息，包括：
通过注意力模型从所述心电图数据中提取所述全局关联信息。


5.如权利要求1所述的心律失常的识别方法，其特征在于，所述根据所述空间信息、所述局部时间信息、所述时间关联信息和所述全局关联信息，生成心律失常信息，包括：
将所述空间信息、所述局部时间信息、所述时间关联信息和所述全...

【专利技术属性】
技术研发人员：祖春山，
申请(专利权)人：京东方科技集团股份有限公司，
类型：发明
国别省市：北京;11