一种阵发房颤标记方法、终端设备及存储介质技术

本发明专利技术涉及一种阵发房颤标记方法、终端设备及存储介质，该方法中包括：基于标记房颤区间，计算房颤心搏相对于正常心搏的心率分散度临界值；基于心率分散度临界值，遍历心电图选择房颤候选心搏；通过神经网络模型得到心搏的特征张量；通过聚类算法对特征张量进行聚类，聚类指示向量；通过特征张量与均值的内积与可信度阈值的大小关系，判断是否可信；基于不可信样本个数更新可信度阈值；使用梯度下降对模型参数进行优化；重复上述过程直至收敛。本发明专利技术能够不依赖大数据训练和模型泛化能力，让用户提供最小程度但最有价值的监督信息，达到更可信的房颤标记效果。可信的房颤标记效果。可信的房颤标记效果。

【技术实现步骤摘要】
一种阵发房颤标记方法、终端设备及存储介质


[0001]本专利技术涉及心电图分析领域，尤其涉及一种阵发房颤标记方法、终端设备及存储介质。

技术介绍

[0002]房颤的心电图表现为：P波消失代之以f波，RR间期绝对不规则。阵发房颤是指间歇性发作的房颤，动态心电图医生遇到阵发房颤病例时，需要将每段房颤的发生起止位置进行精确到心搏位置的标记，从而评估房颤的严重程度。然而遇到大量事件时，手动标记很费时，需要自动化的标记方法帮助人类。目前流行的做法是基于有监督的深度学习训练模型进行识别。它的应用效果取决于训练数据的丰富程度和训练效果，一份24小时的动态心图会放大模型泛化误差，导致结果出现很多假阳性或者假阴性片段，反而增加了使用者的修订负担。而且模型黑盒性质导致发生错误是不可解释，降低了使用者的信赖程度。

技术实现思路

[0003]为了解决上述问题，本专利技术提出了一种阵发房颤标记方法、终端设备及存储介质。
[0004]具体方案如下：一种阵发房颤标记方法，包括以下步骤：S1：读取心电图并进行心搏识别；S2：基于心电图中用户标记的一段房本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种阵发房颤标记方法，其特征在于，包括以下步骤：S1：读取心电图并进行心搏识别；S2：基于心电图中用户标记的一段房颤区间，计算房颤心搏相对于正常心搏的心率分散度临界值；S3：构建心电数据片段集合, 从标记房颤区间中截取各心搏对应的心电数据片段存入心电数据片段集合中，并记录此时心电数据片段集合中的元素数目；S4：遍历心电图的所有心搏，计算每个心搏的心率分散度，如果存在心搏序号，使得且，或者且，其中，和分别表示第i个和第i
‑
1个心搏的心率分散度，则将心搏序号为的心搏添加至心电数据片段集合中；遍历结束后，删除心电数据片段集合中的重复心搏，并记录此时心电数据片段集合中的元素数目，l表示心搏序号增量；S5：初始化聚类指示向量，其中，表示第i个心搏的类型，设置的值表示房颤；初始化标签选择向量，其中，表示第i个心搏的可信度，初始设置的值均表示可信；初始化设置可信度阈值、不可信的样本个数和软化超参数；S6：构建卷积神经网络模型，设定模型的输入为心电数据片段集合，输出为特征张量；S7：将输入模型得到特征张量；S8：保持固定，通过k
‑
means聚类算法对模型输出的特征张量进行聚类处理，使得下式成立后，得到新的聚类指示向量；；其中，表示第i个心搏的特征张量，k表示心搏的类型，k∈{1,2}，表示第k类心搏的特征张量的均值，表示求模运算；S9：基于新的聚类指示向量，对两类心搏的特征张量的均值均进行更新，并对特征张量进行L2正则化；S10：针对所有满足类型为非房颤且心搏序号大于M的心搏，计算其特征张量与类型为非房颤的心搏的特征张量的均值的内积，如果内积大于或等于可信度阈值，则设置该心搏
的可信度的值表示可信，否则设置该心搏的可信度的值表示不可信；针对所有满足类型为房颤且心搏序号大于M的心搏，计算其特征张量与类型为房颤的心搏的特征张量的均值的内积，如果内积大于或等于可信度阈值，则设置该心搏的可信度的值表示可信，否则设置该心搏的可信度的值表示不可信；更新心电数据片段集合中可信度的值表示不可信的样本个数；S11：判断不可信的样本个数的值是否大于更新前的值，如果是，则从所有可信度的值表示不可信的样本中提取内积最接近可信度阈值的样本对应的心电数据片段，并发送至显示界面供用户分类，根据接收到的分类结果固定其心搏类型，同时固定...

【专利技术属性】
技术研发人员：李熙，钟玉秋，徐拥军，
申请(专利权)人：厦门纳龙健康科技股份有限公司，
类型：发明
国别省市：