本发明专利技术公开了一种房颤检测方法、装置、存储介质和处理器，其中方法包括：获取心电图信号，心电图信号包括：第一心电信号和用于平衡第一心电信号中不同形态的心电波形数量的第二心电信号；对心电图信号进行预处理，获取与每个心电图信号片段的心搏对应的RR间期序列；将心电图信号片段和RR间期序列输入至预先建立的房颤识别神经网络模型，融合提取的不规则心室率特征和心房波形形态特征，输出房颤检测的判别结果。本发明专利技术通过对心电图信号数据进行增强，平衡不同形态的波形数据，扩充用于训练房颤识别模型的波形数据，使模型不会倾向于某种较多形态的波形数据，提高模型的泛化性，使其在未见过的数据集上仍具有良好的性能。其在未见过的数据集上仍具有良好的性能。其在未见过的数据集上仍具有良好的性能。
【技术实现步骤摘要】
一种房颤检测方法、装置、存储介质和处理器
[0001]本专利技术涉及生理信号处理领域，具体涉及一种房颤检测方法、装置、存储介质和处理器。
技术介绍
[0002]心房颤动(Atrial fibrillation,AF)是最常见的心律失常之一，在心电图上，房颤表现为是RR间隔不规则，P波消失并被f波取代，因此现有的算法是依赖检测这两种特点中的一种或两种。
[0003]近年来，深度学习(Deep learning,DL)技术因其独特的自适应能力在特征提取和分类方面表现优异，能够从人类难以观察到的抽象和细微信息特征，从而准确分析大量临床数据。然而，深度学习方法的数据依赖问题常被忽视，即算法在用于开发的数据库中性能良好，但在其他数据库上性能下降严重。极少有对心房颤动检测算法的研究时考虑数据依赖性，无法说明所开发方法的实用性。
[0004]基于RR间期序列(RR intervals,RRIs)的DL检测器的数据依赖性取决于QRS检测器的数据依赖性，通常只要QRS检测器能从ECG(Electrocardiograph)中准确地检测到R波的位置计算RRIs即可判断是否发生房颤,然而ECG信号本身更容易受到不同数据集中的导联、受试者、测量设备和信号质量差异的影响有关，在存在频繁异位搏动的情况下基于RRIs的检测器则无法准确判断是否发生房颤。因此，利用对RRIs或ECG提取数据特征构建的神经网络，在未见过的数据集上无法表现出良好的泛化能力，导致模型性能下降。
技术实现思路
[0005]本专利技术的目的是提供一种房颤检测方法、装置、存储介质和处理器，通过对心电图信号数据进行增强，平衡不同形态的波形数据，融合提取的不规则心室率特征和心房波形的形态特征，使模型在未见过的数据集上仍具有良好的性能。
[0006]为解决上述问题，本专利技术的第一方面提供了一种房颤检测方法，包括：获取心电图信号，所述心电图信号包括：第一心电信号和用于平衡所述第一心电信号中不同形态的心电波形数量的第二心电信号；
[0007]对所述心电图信号进行预处理，获取与每个心电图信号片段的心搏对应的RR间期序列；
[0008]将所述心电图信号片段和所述RR间期序列输入至预先建立的房颤识别神经网络模型，输出房颤检测的判别结果。
[0009]优选地，第二心电信号由垂直翻转所述第一心电信号获得。
[0010]优选地，对心电图信号进行预处理，包括：
[0011]对所述心电图信号重新采样，分割为若干个等长度的心电图信号片段；
[0012]去除所述心电图信号的基线漂移和高频噪声后进行归一化处理。
[0013]优选地，对心电图信号进行预处理，还包括：
[0014]在所述心电图信号中引入掩码操作，提取所述心电图信号中的心房信息特征。
[0015]优选地，获取每个心电图信号片段中心搏对应的RR间期序列，包括：
[0016]长度大于K的RR间期序列，截取RR间期序列中间位置长度为K的部分；
[0017]长度不足K的RR间期序列，计算所述RR间期序列的平均值，使用平均值补充所述RR间期序列的两端，使其长度为K。
[0018]优选地，将心电图信号片段和所述RR间期序列输入至预先建立的房颤识别模型，输出房颤检测的结果，包括：
[0019]将所述心电图信号片段输入至第一特征提取网络，提取形态特征向量；
[0020]将所述RR间期序列输入至第二特征提取网络，提取不规则的心室率特征向量；
[0021]融合所述形态特征向量和所述不规则的心室率特征向量，输入至判别网络，得到房颤检测的判别结果；
[0022]其中，所述房颤识别模型，包括：第一特征提取网络、第二特征提取网络和判别网络。
[0023]优选地，第一特征提取网络包括：第一残差卷积网络和双向门控循环网络；
[0024]所述第二特征提取网络包括：第二残差卷积网络和双向门控循环网络。
[0025]优选地，第一残差卷积网络的卷积层采用零填充模式填充；
[0026]所述第二残差卷积网络的卷积层采用循环模式填充。
[0027]优选地，第一残差卷积网络和所述第二残差卷积网络均包括至少一个残差块，所述残差块中的第一个激活层后设置Dropout层。
[0028]根据本专利技术的第二方面提供了一种房颤检测装置，包括装置包括：
[0029]信号获取单元，用于获取第一心电图信号；
[0030]数据增强单元，用于平衡所述第一心电信号中不同形态的心电波形数量；
[0031]心电图信号处理单元，用于获取每个心电图信号片段和与所述电图信号片段的心搏对应的RR间期序列；
[0032]模型判别单元，根据所述每个心电图信号片段和所述RR间期序列判断是否发生房颤。
[0033]优选地，心电图信号处理单元，包括：
[0034]重采样模块，用于对所述心电图信号重新采样，分割为若干个等长度的心电图信号片段；
[0035]滤波模块，用于去除重新采样后的心电图信号的基线漂移和高频噪声；
[0036]归一化模块，用于对经滤波模块处理后的心电图信号进行归一化处理；
[0037]心房信息提取模块，用于提取心电图信号中心房的信息；
[0038]RR间期序列长度修正模块，用于截取长度为K的RR间期序列。
[0039]优选地，模型判别单元，包括：
[0040]第一特征提取器，用于提取心电图信号片段的形态特征向量；
[0041]第二特征提取器，用于提取RR间期序列的不规则的心室率特征向量；
[0042]全连接器，用于融合所述形态特征向量和所述不规则的心室率特征向量，得到房颤检测的判别结果。
[0043]根据本专利技术的第三方面提供了一种存储介质，存储介质包括存储的程序，其中，在
程序被处理器运行时控制存储介质所在设备执行上述房颤检测方法。
[0044]根据本专利技术的第四方面提供了一种处理器用于运行程序，程序运行时执行上述房颤检测方法。
[0045]本专利技术的上述技术方案具有如下有益的技术效果：
[0046]1、本专利技术通过对心电图信号数据进行增强，平衡不同形态的波形数据，扩充用于训练房颤识别模型的波形数据，使模型不会倾向于某种较多形态的波形数据，提高模型的泛化性，使其在未见过的数据集上仍具有良好的性能。
[0047]2、本专利技术通过数据增强单元，对心电图信号数据进行增强，平衡不同形态的波形数据，扩充用于训练模型判别单元的波形数据，使模型判别单元不会倾向于某种较多形态的波形数据，提高装置的泛化性，使其在未见过的数据集上仍具有良好的性能。
附图说明
[0048]图1a和图1b是现有技术中I导联不同形态心电波形示意图；
[0049]图2是根据本专利技术第一实施方式的房颤检测方法流程图；
[0050]图3是本专利技术房颤识别模型的示意图；
[0051]图4是本专利技术的残差块的示意图；...
【技术保护点】
【技术特征摘要】
1.一种房颤检测方法，其特征在于，包括：获取心电图信号，所述心电图信号包括：第一心电信号和用于平衡所述第一心电信号中不同形态的心电波形数量的第二心电信号；对所述心电图信号进行预处理，获取与每个心电图信号片段的心搏对应的RR间期序列；将所述心电图信号片段和所述RR间期序列输入至预先建立的房颤识别神经网络模型，输出房颤检测的判别结果。2.根据权利要求1所述的方法，其特征在于，所述第二心电信号由垂直翻转所述第一心电信号获得。3.根据权利要求1所述的方法，其特征在于，对所述心电图信号进行预处理，包括：对所述心电图信号重新采样，分割为若干个等长度的心电图信号片段；去除所述心电图信号的基线漂移和高频噪声后进行归一化处理。4.根据权利要求1去除或3所述的方法，其特征在于，对所述心电图信号进行预处理，还包括：在所述心电图信号中引入掩码操作，提取所述心电图信号中的心房信息特征。5.根据权利要求1所述的方法，其特征在于，所述获取每个心电图信号片段中心搏对应的RR间期序列，包括：长度大于K的RR间期序列，截取RR间期序列中间位置长度为K的部分；长度不足K的RR间期序列，计算所述RR间期序列的平均值，使用平均值补充所述RR间期序列的两端，使其长度为K。6.根据权利要求1所述的方法，其特征在于，将所述心电图信号片段和所述RR间期序列输入至预先建立的房颤识别模型，输出房颤检测的结果，包括：将所述心电图信号片段输入至第一特征提取网络，提取形态特征向量；将所述RR间期序列输入至第二特征提取网络，提取不规则的心室率特征向量；融合所述形态特征向量和所述不规则的心室率特征向量，输入至判别网络，得到房颤检测的判别结果；其中，所述房颤识别模型，包括：第一特征提取网络、第二特征提取网络和判别网络。7.根据权利要求6所述的方法，其特征在于，所述第一特征提取网络包括：第一残差卷积网络和双向门控循环网络；所述第二特征提取网络包括：...
【专利技术属性】
技术研发人员：方震，邹永刚，赵荣建，何光强，
申请(专利权)人：南京润楠医疗电子研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。