【技术实现步骤摘要】
本公开涉及心电信号处理相关，具体地说，是涉及基于深度学习模型的房室传导阻滞识别方法及装置。
技术介绍
1、本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，并不必然构成在先技术。
2、心电图能够反映心脏的功能状态，由于心电图作为一维信号，较为抽象，人工判读要求较高，且效率较低。近年来，围绕心电图开展的智能辅助诊断方法，受到了广大学者的关注并得到迅速发展。房室传导阻滞是导致心脏心律失常的重要因素，甚至可能导致昏厥和猝死，因此其准确的诊断对于患者来说尤为重要，而在24小时心电中，房室传导阻滞大都是部分阵发，靠医生人工判读，难以定位。
3、专利技术人在研究中发现，现有的房室传导阻滞识别方法大都采用子波形识别算法，得到所有的p波与qrs波，计算两者之间的间距，并通过规则来判定房室传导阻滞类型；现有波形识别算法的检测数据采用24h动态心电，在24h动态心电检测中，检查者大都在活动，噪声大容易干扰波形，尤其是p波容易受到噪声影响，得到准确的p波十分困难，并且由于p波特征不明显，识别p波较为困难；在判断方法上单纯通过规则判定，忽略了检测数据前后关联，导致波形识别后基于设定的规则对房室传导阻滞的识别准确性降低。
技术实现思路
1、本公开为了解决上述问题，提出了一种基于深度学习模型的房室传导阻滞识别方法及装置，通过深度学习模型提取qrs波形对应的粗略定标特征，并转换为逐qrs波形形式，对qrs定标特征前后信息进行提取，从而判断当前qrs波形是否出现房室传导阻滞，识别过程中不
2、为了实现上述目的，本公开采用如下技术方案：
3、一个或多个实施例提供了基于深度学习模型的房室传导阻滞识别装置，包括：
4、数据预处理模块：被配置为获取待识别的心电数据张量，并进行预处理；
5、定标特征识别模块：被配置为将预处理后的数据输入到训练好的transformer网络模型中，进行特征提取，识别得到qrs波对应的粗略定标特征的特征矩阵；
6、波形特征提取模块：被配置为将粗略定标特征的特征矩阵，对qrs波进行波形特征提取，得到逐qrs波的定标特征张量；
7、时序特征判别模块：被配置为对逐qrs波的定标特征张量进行时序特征判别，识别qrs定标特征前后关联信息，得到房室传导阻滞的分类结果；
8、一个或多个实施例提供了基于深度学习模型的房室传导阻滞识别方法，包括如下步骤：
9、获取待识别的心电数据张量，并进行预处理；
10、将预处理后的数据输入到训练好的transformer网络模型中，进行特征提取，识别得到qrs波对应的粗略定标特征的特征矩阵；
11、将粗略定标特征的特征矩阵，通过波形特征提取模块对qrs波进行波形特征提取，得到逐qrs波的定标特征张量；
12、对逐qrs波的定标特征张量进行时序特征判别，识别qrs定标特征前后关联信息，得到房室传导阻滞的分类结果。
13、进一步的技术方案，通过transformer网络模型进行特征提取，包括如下步骤：
14、将预处理后的心电数据张量输入到卷积层中提取形态特征，得到形态特征；
15、将形态特征输入到transformer网络的编码器中进行编码，并利用多头注意力机制，得到编码特征；
16、将编码特征输入到transformer网络的多层感知机中进行多层线性回归处理，得到粗略定标特征的特征矩阵。
17、进一步的技术方案，通过波形特征提取模块提取qrs波的波形特征的步骤，包括如下：
18、采用qrs波识别算法，对获取的心电数据张量进行识别，得到qrs波形集合；
19、取出粗略定标特征的特征矩阵，遍历波形集合中的qrs波信息，取出粗略定标特征的特征矩阵中qrs波起止点对应的特征列，对应于同一qrs波的特征求平均值，得到每个qrs波的定标特征；
20、将所有的qrs波形的定标特征进行拼接，得到qrs波的波形特征。
21、进一步的技术方案，时序特征判别过程，包括如下：
22、将逐qrs波的定标特征张量数据输入lstm网络，得到表征时序心搏级转移特性的特征；
23、将表征时序心搏级转移特性的特征通过多层感知机进行泛化，得到泛化后的特征；
24、将泛化后的特征通过sigmoid激活函数进行激活，将特征转换成概率，得到预测分类结果矩阵。
25、进一步的技术方案，还包括将预测分类结果矩阵进行解码的步骤，具体的：
26、将预测分类结果矩阵，沿矩阵第一维找最大值，最大值的位置所对应阻滞类型认定为当前qrs波的阻滞类型。
27、进一步的技术方案，还包括对transformer网络模型进行训练的步骤：
28、获取历史心电数据张量与qrs波标注数据，并进行预处理；
29、所述qrs波标注数据包括针对qrs波标定的定标特征矩阵和房室传导阻滞类别标签矩阵；
30、将预处理后的心电数据张量ecgvector输入到transformer网络模型中，得到预测的定标特征的特征矩阵；
31、基于预测的特征矩阵和标定的定标特征矩阵，计算定标特征损失；
32、根据定标特征损失，利用优化器优化transformer网络的参数，迭代训练直至损失收敛，得到训练好的transformer网络模型；
33、进一步的技术方案，基于lstm网络构建时序特征判别模型，被配置为执行时序特征判别；时序特征判别模型训练包括如下：
34、获取历史心电数据张量与qrs波标注数据，利用训练好的transformer网络模型，得到定标特征矩阵；
35、将定标特征矩阵通过波形特征提取，得到逐qrs波的定标特征张量；
36、将逐qrs波的定标特征张量输入到lstm网络中，即得到房室传导阻滞类别矩阵；
37、基于lstm网络预测得到的房室传导阻滞类别矩阵，以及房室传导阻滞类别标签矩阵，计算分类损失；
38、通过分类损失，利用优化器优化lstm网络的参数，迭代训练直至损失收敛，得到训练好的时序特征判别模型。
39、一个或多个实施例提供了基于深度学习模型的房室传导阻滞识别装置，包括：
40、数据预处理模块：被配置为获取待识别的心电数据张量，并进行预处理；
41、定标特征识别模块：被配置为将预处理后的数据输入到训练好的transformer网络模型中，进行特征提取，识别得到qrs波对应的粗略定标特征的特征矩阵；
42、波形特征提取模块：被配置为将粗略定标特征的特征矩阵，对qrs波进行波形特征提取，得到逐qrs波的定标特征张量；
43、时序特征判别模块：被配置为对逐qrs波的定标特征张量进行时序特征判别，识别qrs定标特本文档来自技高网...
【技术保护点】
1.基于深度学习模型的房室传导阻滞识别装置，其特征在于，包括：
2.如权利要求1所述的基于深度学习模型的房室传导阻滞识别装置，其特征在于，定标特征识别模块中，通过transformer网络模型进行特征提取，包括如下步骤：
3.如权利要求1所述的基于深度学习模型的房室传导阻滞识别装置，其特征在于，通过波形特征提取模块提取QRS波的波形特征的步骤，包括如下：
4.如权利要求1所述的基于深度学习模型的房室传导阻滞识别装置，其特征在于，时序特征判别模块，被配置为执行以下过程：
5.如权利要求4所述的基于深度学习模型的房室传导阻滞识别装置，其特征在于，还包括解码模块，将预测分类结果矩阵进行解码，具体的：将预测分类结果矩阵，沿矩阵第一维找最大值，最大值的位置所对应阻滞类型认定为当前QRS波的阻滞类型。
6.如权利要求1所述的基于深度学习模型的房室传导阻滞识别装置，其特征在于，还包括第一训练模块，被配置为对transformer网络模型进行训练，训练过程如下：
7.如权利要求1所述的基于深度学习模型的房室传导阻滞识别装置，
8.基于深度学习模型的房室传导阻滞识别方法，其特征在于，包括如下步骤：
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求8所述的基于深度学习模型的房室传导阻滞识别方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求8所述的基于深度学习模型的房室传导阻滞识别方法中的步骤。
...【技术特征摘要】
1.基于深度学习模型的房室传导阻滞识别装置，其特征在于，包括：
2.如权利要求1所述的基于深度学习模型的房室传导阻滞识别装置，其特征在于，定标特征识别模块中，通过transformer网络模型进行特征提取，包括如下步骤：
3.如权利要求1所述的基于深度学习模型的房室传导阻滞识别装置，其特征在于，通过波形特征提取模块提取qrs波的波形特征的步骤，包括如下：
4.如权利要求1所述的基于深度学习模型的房室传导阻滞识别装置，其特征在于，时序特征判别模块，被配置为执行以下过程：
5.如权利要求4所述的基于深度学习模型的房室传导阻滞识别装置，其特征在于，还包括解码模块，将预测分类结果矩阵进行解码，具体的：将预测分类结果矩阵，沿矩阵第一维找最大值，最大值的位置所对应阻滞类型认定为当前qrs波的阻滞类型。
6.如权利要求1所述的基于深度学习...
【专利技术属性】
技术研发人员：张瀚中，吴军，高希余，张伯政，
申请(专利权)人：众阳健康科技集团有限公司，
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。