【技术实现步骤摘要】
本申请涉及心电房颤检测，特别涉及一种基于自监督学习的心电房颤检测方法、装置、设备及介质。
技术介绍
1、房颤是一种心律失常，导致心脏不规律跳动，增加患者中风和心力衰竭的风险。医学上，房颤分为持续性和阵发性两种类型。心电图检测是最常用的房颤诊断方法之一，包括直接心电图检测方法、传统机器学习方法以及深度学习方法等。
2、其中，在直接心电图检测方法中，医生可通过分析心电图波形来判断患者是否患有房颤。然而，这需要专业医生解读，可能遇到一些限制。例如，对于阵发性房颤，房颤停止后心率恢复正常，使得医生难以通过心电图判别，存在大量假阴性病例，容易漏诊；对于传统机器学习方法而言，其需利用大量心电图训练，开发自动识别房颤的算法，实现快速房颤检测，但传统机器学习方法通常仅依赖手工特征进行房颤检测，未充分考虑复杂疾病机制，检测效果不佳；在深度学习方法中，通过利用深度神经网络学习心电图特征，实现快速、准确房颤检测。相比传统机器学习方法，深度学习方法检测准确率更高。然而，现有深度学习方法通常将其他任务上应用的分类模型直接迁移到心电图检测上，未充分考虑心电图这种时序图像数据的特点，未能有效捕获心电波形中与房颤相关的特征；此外，获取与目标相关的注释数据具有很大挑战性，通常难以获得大量含有标签数据的数据集，而且，目前的深度学习方法通常缺乏医学可解释性，使得医生难以理解模型的决策过程，从而难以在临床实践中应用和推广。
3、综上所述，现有的房颤诊断方法中检测的主观性较高或无法充分考虑复杂疾病机制，难以有效捕获心电波形中与房颤相关的特征，且难
技术实现思路
1、本申请提供一种基于自监督学习的心电房颤检测方法、装置、设备及介质，以解决现有技术房颤检测的主观性较高或无法充分考虑复杂疾病机制，难以有效捕获心电波形中与房颤相关的特征，难以利用大量无标签心电数据集，使得对于心电特征不明显的阵发性房颤等检测效果不佳、医学可解释性差等问题。
2、本申请第一方面实施例提供一种基于自监督学习的心电房颤检测方法，应用于离线训练阶段，包括以下步骤：采集标准12导联心电图，并基于所述标准12导联心电图，构建房颤检测训练数据集；基于所述房颤检测训练数据集，训练预设的残差网络检测模型，生成心电房颤检测预训练模型，并获取所述残差网络检测模型的权重信息；基于所述权重信息和预设标注数据，微调所述心电房颤检测预训练模型，得到最终心电房颤检测模型。
3、可选地，在本申请的一个实施例中，所述基于所述标准12导联心电图，构建房颤检测训练数据集，包括：基于所述标准12导联心电图，提取多个基准导联心电信号；对所述多个基准导联心电信号进行预处理，得到标准心电信号，并利用所述标准心电信号，构建所述房颤检测训练数据集。
4、可选地，在本申请的一个实施例中，所述获取所述残差网络检测模型的权重信息，包括：基于所述残差网络检测模型，构建单周期编码器和多周期编码器；根据所述房颤检测训练数据集获取多周期心电信号，并基于所述多周期心电信号、所述多周期编码器和预设的r波检测器，得到所述多周期心电信号的周期间表征信息；分解所述多周期心电信号，生成多个单周期形态信号，并对所述多个单周期形态信号执行预设对齐及中值操作，获取单周期稳态心电信号；基于所述单周期稳态心电信号、所述多周期编码器、所述单周期编码器和预设对比学习策略，生成所述单周期编码器的周期内表征信息，并根据所述周期间表征信息和所述周期内表征信息得到所述残差网络检测模型的权重信息。
5、本申请第二方面实施例提供一种基于自监督学习的心电房颤检测方法，应用于在线检测阶段，其中，包括以下步骤：采集目标患者的心电信号；基于所述心电信号和预先训练的最终心电房颤检测模型，获取所述目标患者的心电表征，并根据所述心电表征和所述目标患者的生理指标，得到所述目标患者的心电房颤检测结果，其中，所述最终心电房颤检测模型由预设房颤检测训练数据集训练预设的残差网络检测模型且生成心电房颤检测预训练模型，以微调所述心电房颤检测预训练模型得到。
6、本申请第三方面实施例提供一种基于自监督学习的心电房颤检测装置，应用于离线训练阶段，包括：第一采集模块，用于采集标准12导联心电图，并基于所述标准12导联心电图，构建房颤检测训练数据集；预训练模块，用于基于所述房颤检测训练数据集，训练预设的残差网络检测模型，生成心电房颤检测预训练模型，并获取所述残差网络检测模型的权重信息；微调模块，用于基于所述权重信息和预设标注数据，微调所述心电房颤检测预训练模型，得到最终心电房颤检测模型。
7、可选地，在本申请的一个实施例中，所述第一采集模块包括：提取单元，用于基于所述标准12导联心电图，提取多个基准导联心电信号；第一构建单元，用于对所述多个基准导联心电信号进行预处理，得到标准心电信号，并利用所述标准心电信号，构建所述房颤检测训练数据集。
8、可选地，在本申请的一个实施例中，所述训练模块包括：第二构建单元，用于基于所述残差网络检测模型，构建单周期编码器和多周期编码器；获取单元，用于根据所述房颤检测训练数据集获取多周期心电信号，并基于所述多周期心电信号、所述多周期编码器和预设的r波检测器，得到所述多周期心电信号的周期间表征信息；分解单元，用于分解所述多周期心电信号，生成多个单周期形态信号，并对所述多个单周期形态信号执行预设对齐及中值操作，获取单周期稳态心电信号；生成单元，用于基于所述单周期稳态心电信号、所述多周期编码器、所述单周期编码器和预设对比学习策略，生成所述单周期编码器的周期内表征信息，并根据所述周期间表征信息和所述周期内表征信息得到所述残差网络检测模型的权重信息。
9、本申请第四方面实施例提供一种基于自监督学习的心电房颤检测装置，应用于在线检测阶段，包括：第二采集模块，用于采集目标患者的心电信号；检测模块，用于基于所述心电信号和预先训练的最终心电房颤检测模型，获取所述目标患者的心电表征，并根据所述心电表征和所述目标患者的生理指标，得到所述目标患者的心电房颤检测结果，其中，所述最终心电房颤检测模型由预设房颤检测训练数据集训练预设的残差网络检测模型且生成心电房颤检测预训练模型，以微调所述心电房颤检测预训练模型得到。
10、本申请第五方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的基于自监督学习的心电房颤检测方法。
11、本申请第六方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的基于自监督学习的心电房颤检测方法。
12、由此，本申请的实施例具有以下有益效果：
13、本申请的实施例可通过采集标准12导联心电图，并基于标准12导联心电图，构建房颤检测训练数据集；基于房颤检测训练数据集，训练预设的残差网络检测模型，生成心电房颤检测预训本文档来自技高网...
【技术保护点】
1.一种基于自监督学习的心电房颤检测方法，其特征在于，应用于离线训练阶段，其中，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述基于所述标准12导联心电图，构建房颤检测训练数据集，包括：
3.根据权利要求2所述的方法，其特征在于，所述获取所述残差网络检测模型的权重信息，包括：
4.一种基于自监督学习的心电房颤检测方法，其特征在于，应用于在线检测阶段，其中，所述方法包括以下步骤：
5.一种基于自监督学习的心电房颤检测装置，其特征在于，应用于离线训练阶段，其中，所述装置包括：
6.根据权利要求5所述的装置法，其特征在于，所述第一采集模块包括：
7.根据权利要求6所述的装置，其特征在于，所述训练模块包括：
8.一种基于自监督学习的心电房颤检测装置，其特征在于，应用于在线检测阶段，其中，所述装置包括：
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-3任一项或者如权利要求
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-3任一项或者如权利要求4所述的基于自监督学习的心电房颤检测方法。
...【技术特征摘要】
1.一种基于自监督学习的心电房颤检测方法，其特征在于，应用于离线训练阶段，其中，所述方法包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述基于所述标准12导联心电图，构建房颤检测训练数据集，包括：
3.根据权利要求2所述的方法，其特征在于，所述获取所述残差网络检测模型的权重信息，包括：
4.一种基于自监督学习的心电房颤检测方法，其特征在于，应用于在线检测阶段，其中，所述方法包括以下步骤：
5.一种基于自监督学习的心电房颤检测装置，其特征在于，应用于离线训练阶段，其中，所述装置包括：
6.根据权利要求5所述的装置法，其特征在于，所述第一...
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。