一种基于人工智能的心房颤动检测方法及系统技术方案

本申请公开了一种基于人工智能的心房颤动检测方法及系统，其涉及神经网络模型技术领域，该方法包括如下步骤：获取ECG信号数据；解密操作之后对所述ECG信号数据进行预处理，得到张量数据；搭建心房颤动基础模型，并对所述心房颤动基础模型进行训练；基于训练后的心房颤动基础模型搭建心房颤动迁移模型；通过所述心房颤动迁移模型对所述张量数据进行数据处理，得到数据处理结果；根据所述数据处理结果识别所述ECG信号数据中的心房颤动信号。本申请具有识别心电图信号中的心房颤动信号时，不会影响到心电图信号的信号特征的效果。会影响到心电图信号的信号特征的效果。会影响到心电图信号的信号特征的效果。

【技术实现步骤摘要】
一种基于人工智能的心房颤动检测方法及系统


[0001]本申请涉及神经网络模型
，尤其是涉及一种基于人工智能的心房颤动检测方法及系统。

技术介绍

[0002]心房颤动（简称房颤）是最常见的持续性心律失常。随着年龄增长房颤的发生率不断增加，75岁以上人群可达10%。房颤时心房激动的频率达300～600次/分，心跳频率往往快而且不规则，有时候可达100～160次/分，不仅比正常人心跳快得多，而且绝对不整齐，心房失去有效的收缩功能，房颤患病率还与冠心病、高血压病和心力衰竭等疾病有密切关系。
[0003]在检测心脏时，可以根据心脏心电图的波段变化识别是否存在心房颤动的情况，传统的识别方式是根据医生的主观意识进行判断，识别过程中难免会出现差错。因此现有的技术方案通常采用数字滤波的方法进行识别，将心电图信号通过信号滤波、主成分分析、特征提取等处理，获取到房颤波形特征，再通过设定的阈值进行检测，从而识别是否存在心房颤动。
[0004]针对上述中的相关技术，专利技术人认为存在有以下缺陷：由于心电图信号的有效频率范围通常是0.05
‑
100Hz，数字滤波处理会不同程度的影响心电图信号图中的特征波形，可能会导致用于辨别心房颤动的特征波形的识别精度降低，从而影响心房颤动的识别。

技术实现思路

[0005]为了改善处理心电图信号会影响特征波形，从而影响心房颤动识别的缺陷，本申请提供一种基于人工智能的心房颤动检测方法及系统。
[0006]第一方面，本申请提供一种基于人工智能的心房颤动检测方法，包括如下步骤：获取ECG信号数据；判断所述ECG信号数据是否处于加密状态；若所述ECG信号数据处于所述加密状态，则将所述ECG信号数据进行解密操作，所述解密操作之后对所述ECG信号数据进行预处理，得到张量数据；若所述ECG信号数据未处于所述加密状态，则对所述ECG信号数据进行预处理，得到张量数据；搭建心房颤动基础模型，并对所述心房颤动基础模型进行训练；基于训练后的心房颤动基础模型搭建心房颤动迁移模型；通过所述心房颤动迁移模型对所述张量数据进行数据处理，得到数据处理结果；根据所述数据处理结果识别所述ECG信号数据中的心房颤动信号。
[0007]通过采用上述技术方案，通过检测设备获取ECG信号数据，在利用神经网络模型对ECG信号数据进行处理之前还需要对ECG信号数据进行预处理，以将ECG信号数据处理成适用于模型的张量数据，在预处理之前若ECG信号数据处于加密状态，则还需要先将ECG信号数据进行解密操作。再基于先搭建出的心房颤动基础模型搭建出心房颤动迁移模型，并通
过识别模型对张量数据进行数据处理，最终通过数据处理结果对ECG信号数据中的心房颤动信号进行识别。在整个识别过程中仅仅是对ECG信号数据的数据特征进行分析，而不会对ECG信号数据的波形进行调整或处理。
[0008]可选的，所述搭建心房颤动基础模型，并对所述心房颤动基础模型进行训练包括如下步骤：通过多个网络层构建DenseBlock模块；基于所述DenseBlock模块搭建心房颤动基础模型；基于所述ECG信号数据在预设的ECG存储库中检索并获取多个ECG样本信号；通过所述ECG样本信号对所述心房颤动基础模型进行模型训练。
[0009]通过采用上述技术方案，由于ECG信号数据的分析过程较为复杂，因此通过网络层构建出DenseBlock模块作为神经网络模型的基础，DenseBlock模块在模型训练和数据分析过程中可以缓解梯度消失，还可以增强特征传播并降低参数的数量，以DenseBlock模块搭建出心房颤动基础模型。再在存储有大量ECG样本信号的ECG存储库中检索并获取多个ECG样本信号，通过获取到的ECG样本信号对心房颤动基础模型进行模型训练，使得心房颤动基础模型训练至最优状态。
[0010]可选的，所述基于所述ECG信号数据在预设的ECG存储库中检索并获取多个ECG样本信号包括如下步骤：分析所述ECG信号数据得到模糊波形特征和波段特征；基于所述模糊波形特征在预设的ECG存储库中进行模糊检索，得到多个初选样本信号；基于所述波段特征对所述初选样本信号进行筛选，将筛选出的初选样本信号作为ECG样本信号。
[0011]通过采用上述技术方案，为了缩短对心房颤动基础模型的训练时间并提高训练效率，所检索的ECG样本信号的信号特征需要与ECG信号数据大致相似，可以根据ECG信号数据的模糊波形特征和波段特征在ECG存储库中进行检索和筛选，最终将检索筛选出的信号作为ECG样本信号。
[0012]可选的，所述通过所述ECG样本信号对所述心房颤动基础模型进行模型训练包括如下步骤：初始化所述心房颤动基础模型的基础模型参数；将所述ECG样本信号输入至所述心房颤动基础模型中进行模型训练；在所述模型训练中生成评估曲线；基于所述评估曲线调整所述基础模型参数，直至所述心房颤动基础模型训练至最优模型。
[0013]通过采用上述技术方案，先将心房颤动基础模型的基础模型参数进行初始化，再以ECG样本信号对心房颤动基础模型进行模型训练，训练过程中生成对基础模型评估的评估曲线，每次训练结果都将改变评估曲线，基于评估曲线的改变调整基础模型中的基础模型参数，从而将心房颤动基础模型训练至最优模型。
[0014]可选的，所述基于训练后的心房颤动基础模型搭建心房颤动迁移模型包括如下步骤：
将所述心房颤动基础模型的最后一层网络层替换为预设的分类器；初始化所述心房颤动基础模型中分类器的参数；根据所述心房颤动基础模型的网络层数配置冻结层数；基于所述冻结层数冻结所述心房颤动基础模型中的网络层；对冻结后的心房颤动基础模型进行模型微调，得到心房颤动迁移模型。
[0015]通过采用上述技术方案，以心房颤动基础模型中除去全连接层的所有网络结构作为特征提取器，将最后一层全连接层替换为预设的分类器即完成初步的模型迁移学习，再初始化分类器的参数并对迁移后的心房颤动基础模型进行冻结微调，将心房颤动基础模型通过微调后即完成迁移学习的全步骤，得到心房颤动迁移模型，心房颤动迁移模型比心房颤动基础模型具有更强的泛化能力和更好的稳定性。
[0016]可选的，所述根据所述数据处理结果识别所述ECG信号数据中的心房颤动信号包括如下步骤：获取所述模型训练的训练数据结果，基于所述训练数据结果和所述评估曲线生成判定阈值；判断所述数据处理结果是否超出所述判定阈值；若所述数据处理结果超出所述判定阈值，则判定所述ECG信号数据中包含心房颤动信号；若所述数据处理结果未超出所述判定阈值，则判定所述ECG信号数据中未包含所述心房颤动信号。
[0017]通过采用上述技术方案，模型训练利用了大量的ECG样本信号，因此可以在模型训练过程中生成对于数据结果进行分析评估的评估曲线，结合大量数据样本的训练数据结果和评估曲线可以生成一个用于界定的判定阈值，通过判定阈值可以对数据处理结果进行分析判断，若数据处理结果超出判定阈值，则说明对应的ECG信号数据中包含心房颤动信号；反之，则不包含心房颤动信号。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的心房颤动检测方法，其特征在于，包括如下步骤：获取ECG信号数据；判断所述ECG信号数据是否处于加密状态；若所述ECG信号数据处于所述加密状态，则将所述ECG信号数据进行解密操作，所述解密操作之后对所述ECG信号数据进行预处理，得到张量数据；若所述ECG信号数据未处于所述加密状态，则对所述ECG信号数据进行预处理，得到张量数据；搭建心房颤动基础模型，并对所述心房颤动基础模型进行训练；基于训练后的心房颤动基础模型搭建心房颤动迁移模型；通过所述心房颤动迁移模型对所述张量数据进行数据处理，得到数据处理结果；根据所述数据处理结果识别所述ECG信号数据中的心房颤动信号。2.根据权利要求1所述的一种基于人工智能的心房颤动检测方法，其特征在于，所述搭建心房颤动基础模型，并对所述心房颤动基础模型进行训练包括如下步骤：通过多个网络层构建DenseBlock模块；基于所述DenseBlock模块搭建心房颤动基础模型；基于所述ECG信号数据在预设的ECG存储库中检索并获取多个ECG样本信号；通过所述ECG样本信号对所述心房颤动基础模型进行模型训练。3.根据权利要求2所述的一种基于人工智能的心房颤动检测方法，其特征在于，所述基于所述ECG信号数据在预设的ECG存储库中检索并获取多个ECG样本信号包括如下步骤：分析所述ECG信号数据得到模糊波形特征和波段特征；基于所述模糊波形特征在预设的ECG存储库中进行模糊检索，得到多个初选样本信号；基于所述波段特征对所述初选样本信号进行筛选，将筛选出的初选样本信号作为ECG样本信号。4.根据权利要求2所述的一种基于人工智能的心房颤动检测方法，其特征在于，所述通过所述ECG样本信号对所述心房颤动基础模型进行模型训练包括如下步骤：初始化所述心房颤动基础模型的基础模型参数；将所述ECG样本...

【专利技术属性】
技术研发人员：费学灿，罗申，王武涛，
申请(专利权)人：肇庆星网医疗科技有限公司，
类型：发明
国别省市：