CN107510452A - 一种基于多尺度深度学习神经网络的心电检测方法 - Google Patents

Abstract

本发明提供一种基于多尺度深度学习神经网络的心电检测方法，包括：服务器接收任一客户端发送的待分析的心电数据，所述待分析的心电数据为所述客户端的采集单元采集的，或者独立客户端的采集设备采集并传送至所述客户端的；所述服务器利用预先构建的心律失常检测模型对所述待分析的心电数据进行心律失常的识别处理，获取识别结果；所述心律失常检测模型为预先利用多尺度深度卷积人工神经网络算法训练心电数据样本构建的；所述服务器将所述识别结果发送所述客户端，以使所述客户端展示所述识别结果。上述方法能够较准确的分析心电数据，且方便快捷，提高了实用性。

Description

一种基于多尺度深度学习神经网络的心电检测方法

技术领域

本发明涉及心电检测技术，具体涉及一种基于多尺度深度学习神经网络的心电检测方法。

背景技术

目前的心律失常分析仪器主要采用的有波形分析法和模板匹配法。波形分析法根据心电信号(如心电图)中的特征波形来进行分析，心电信号的特征波形是指心电信号中一些具有指示意义的波峰和波谷，如P、Q、R、S、T波等，其中P波代表心房去极化，QRS复合波(如图1所示)代表心室去极化，T波代表心室复极化。波形分析法首先获取特征波形参数，如特征波形的幅值、时间长度、上升/下降时间、波形间期等，这些特征波形参数根据临床经验预先在心律失常分析仪器内部固化了对应的固定判断阀值，将获取的特征波形参数与固定判断阀值对比，当特征波形的参数超出固定参数阀值就可以判断出心律失常分析结果，如室早、室早二联律、房颤等。模板匹配法主要通过计算出被检测者心电信号中的平均R-R间期和R波平均形态作为模板，将被检测者的每次心跳的R-R间期(如图1所示)和R波形态与模板对比，若两者的差异超出一定范围，则认为发生了心律失常。

上述的心律失常分析方法都存在误判、漏判的情况，尤其是对特殊检测样本的心律失常分析会存在功能异常或失效现象。如波形分析法采用固化的特征波形参数的经验阀值作为判断依据，虽然具有普适性，但是遇到特殊年龄段和特殊体质的人群时，尤其是新生儿心电检测时，新生儿心电信号微弱，QRS波时限较短，新生儿哭闹对心电检测干扰较大，因此就容易得出错误的心律失常分析结果。而模板匹配法只有在被检测者的R波形态与模板具有较大差异时，才能做出有效判断，对差异不明显的心律失常波形不能有效判断。

为此，如何提供一种能够准确判断心律失常的方法成为当前亟需解决的问题。

发明内容

为解决现有技术中的问题，本发明提供一种基于多尺度深度学习神经网络的心电检测方法。

第一方面，本发明提供一种基于多尺度深度学习神经网络的心电检测方法，包括：

服务器接收任一客户端发送的待分析的心电数据，所述待分析的心电数据为所述客户端的采集单元采集的，或者独立客户端的采集设备采集并传送至所述客户端的；

所述服务器利用预先构建的心律失常检测模型对所述待分析的心电数据进行心律失常的识别处理，获取识别结果；

所述心律失常检测模型为预先利用多尺度深度卷积人工神经网络算法训练心电数据样本构建的；

所述服务器将所述识别结果发送所述客户端，以使所述客户端展示所述识别结果。

可选地，所述服务器利用预先构建的心律失常检测模型对所述待分析的心电数据进行心律失常的识别处理的步骤之前，所述方法还包括：

所述服务器离线收集多个心电数据样本，所述心电数据样本的类型包括：正常、房颤、早搏、房扑、室颤、室扑和三联律类型；

基于多尺度深度卷积人工神经网络算法，根据所述心电数据样本，离线训练方式构建心律失常检测模型。

可选地，所述每一个心电数据样本的心电时长为30s，采样率为256Hz；

所述心律失常检测模型包括：由多尺度卷积核构成的卷积神经网络结构以及所述卷积神经网络结构的每一个神经元之间对应的链接权重；

所述神经元为每层卷积核的个数，链接权重是指卷积核的权重。

可选地，所述心律失常检测模型为训练好的多尺度卷积神经网络；

多尺度卷积神经网络包括三个层级，其中第一层级为输入层；第二层级为隐藏层；第三层级为全连接层。

第一层输入层用于心电数据的输入和感知。

第二层隐藏层，由N个串联的卷积层构成。第一个卷积层由一定数量不同尺度的卷积核对输入层的数据进行感知，经过激活函数后，由maxpooling池化层对特征进行降维。前一层的输出作为后一层卷基层的输入。例如第一层池化降维后的特征，进入第二个卷基层。第二个卷基层由一定数量的卷积核对输入的数据进行感知，经过激活函数后，由maxpooling池化层对特征进行降维。以此类推，直至第N层。

第三层级为全连接的多层感知机分类器；对隐藏层输出的特征进行拼接，形成一维特征序列。得到的一维特征序列通过全连接层，通过softmox进行分类预测。

所述激活函数为PReLu激活函数；

所述多尺度卷积神经网络的卷积窗的采样尺度包括：fs、2*fs和5*fs，其中，fs为采样率。

可选地，所述服务器利用预先构建的心律失常检测模型对所述待分析的心电数据进行心律失常的识别处理，获取识别结果，包括：

采用训练好的多尺度卷积神经网络对所述待分析的心电数据进行分析，形成多层次的特征表达，在最后的softmax层形成所有心律失常的概率，选取概率最大的心律失常结果作为识别结果。

可选地，服务器接收任一客户端发送的待分析的心电数据的步骤之前，所述方法还包括：

所述客户端接收独立客户端的采集设备传送的待分析的心电数据。

可选地，服务器接收任一客户端发送的待分析的心电数据的步骤，包括：

所述服务器接收任一客户端发送的待分析的心电数据，以及所述待分析的心电数据的属性信息。

可选地，所述方法还包括：

所述服务器将所述识别结果按照所述属性信息进行存储。

第二方面，本发明提供一种基于多尺度深度学习神经网络的心电检测系统，包括多个客户端和服务器；

每一服务器连接所有的客户端，且所述服务器和所述客户端交互执行上述任意所述的方法。

可选地，所述客户端为手机客户端，所述服务器为云服务器。

本发明具有的有益效果如下：

本发明提出的基于多尺度深度学习神经网络的心电检测方法，通过心律失常检测模型能够实现现场采集的心律失常数据的分类并可实时获取准确度较高的识别结果。

本发明实施例中的心律失常检测模型是预先利用多尺度深度卷积人工神经网络算法训练心电数据样本构建的，采用多尺度深度卷积人工神经网络，强调不同尺度下，较好的兼顾考虑单次节律之中以及多次节律之间的特征包含，进而有效提高识别结果的准确率，同时提高处理速度。

另外，本发明实施例中通过服务器侧或客户端侧实现，无需人工经验识别，即在模型实现分类过程中通过多尺度深度卷积人工神经网络探索多层的特征表达，可以免去人工寻找的过程，而用机器学习的方式寻找到全面且有效的特征。

附图说明

图1为心电数据的波形示意图；

图2A为本发明一实施例提供的基于多尺度深度学习神经网络的心电检测方法的流程示意图；

图2B为本发明另一实施例提供的基于多尺度深度学习神经网络的心电检测方法的流程示意图；

图3示出了卷积神经网络的示意图；

图4为卷积神经网络的示意结构；

图5为卷积神经网络中共享权值的单元构成的一个特征映射的示意图；

图6为本发明一实施例提供的基于多尺度深度学习神经网络的心电检测系统的结构示意图；

图7为本发明一实施例提供的多尺度的示意图；

图8为Relu激活函数和PRelu激活函数的示意图；

图9为本发明实施例中的心律失常检测模型的示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

本发明实施例中利用多尺度深度卷积人工神经网络算法，构建心律失常检测模型，将一系列待分析的ECG数据映射到一系列判定的心律失常数据中，实现对当前ECG数据的智能检测。

参见图2A所示，图2A示出了本发明一实施例提供的基于多尺度深度学习神经网络的心电检测方法的流程示意图，本实施例的方法包括下述步骤：

101、服务器接收任一客户端发送的待分析的心电数据。

本实施例中，待分析的心电数据可为所述客户端的采集单元采集的，或者，在其他实施例中，待分析的心电数据可为独立客户端的采集设备采集并传送至所述客户端的。例如，客户端可接收独立客户端的采集设备传送的待分析的心电数据。

102、服务器利用预先构建的心律失常检测模型对所述待分析的心电数据进行心律失常的识别处理，获取识别结果。

本步骤中的心律失常检测模型为预先利用多尺度深度卷积人工神经网络算法训练心电数据样本构建的。应说明的是，卷积人工神经网络属于深度学习神经网络的一种。

103、服务器将所述识别结果发送所述客户端，以使所述客户端展示所述识别结果。

本实施例的方法，通过采用多尺度深度卷积人工神经网络，强调不同尺度下，较好的兼顾考虑单次节律之中以及多次节律之间的特征包含。

另外，通过深度学习神经网络探索多层的特征表达，可以免去人工寻找的过程，而用机器学习的方式寻找到全面且有效的特征。

相对于传统的方法，识别结果更准确，且方便快捷，提高了实用性，可推广使用。

参见图2B所示，图2B示出了本发明一实施例提供的基于多尺度深度学习神经网络的心电检测方法的流程示意图，本实施例的方法包括下述步骤：

201、服务器离线收集多个心电数据样本，所述心电数据样本的类型包括：正常、房颤、早搏、房扑、室颤、室扑和三联律类型等心律失常类型。

举例来说，本实施例中，每一个心电数据样本的心电时长为30s，采样率为256Hz；

所述心律失常检测模型包括：由多尺度卷积核构成的卷积神经网络结构以及卷积神经网络结构中每一个神经元之间对应的链接权重；

所述神经元为每层卷积核的个数，链接权重是指卷积核的权重。对于神经元、卷积核、卷积窗的定义和现有的卷积神经网络结构中的定义是相同的，本发明实施例不对其详述。

本实施例中的多尺度卷积神经网络可包括三个层级，其中第一层级为输入层；第二层级为隐藏层；第三层级为全连接层；

输入层用于心电数据的输入和感知；隐藏层由N个串联的卷积层构成；其中，第一个卷积层由一定数量不同尺度的卷积核并行对输入层的数据进行感知，经过激活函数后，由maxpooling池化层对特征进行降维；前一层的输出作为后一层卷积层的输入，以此类推，直至第N层。

全连接层为全连接的多层感知机分类器；对隐藏层输出的特征进行拼接，形成一维特征序列，得到的一维特征序列通过全连接层，通过softmox进行分类预测；

本实施例中多尺度卷积神经网络的卷积窗的采样尺度可包括：fs、2*fs和5*fs，其中，fs为采样率。

202、基于多尺度深度卷积人工神经网络算法，根据所述心电数据样本，离线训练方式构建心律失常检测模型。

应理解的是，本实施例中心律失常检测模型为训练好的多尺度卷积神经网络；

由于实际中有的心律失常的异常反应在单次节律发生变化，例如PR间期发生异常，QRS波宽异常等，有的心律失常的异常是由于节律之间发生差异和异常，所以本实施例中采用多尺度的卷积神经网络。例如，训练好的多尺度卷积神经网络的第一层的卷积窗的采样尺度包括：fs、2*fs和5*fs，如图7所示，fs为采样率。

本实施例中，采用多种尺度可以兼顾到节律内的异常和节律之间的异常。

203、服务器接收任一客户端发送的待分析的心电数据及该心电数据的属性信息，所述待分析的心电数据为所述客户端的采集单元采集的。

举例来说属性信息可包括：采集时间、用户信息(如年龄、性别、心律病史)等。

204、服务器利用预先构建的心律失常检测模型对所述待分析的心电数据进行心律失常的识别处理，获取识别结果。

具体地，本实施例中采用训练好的多尺度卷积神经网络对所述待分析的心电数据进行分析，形成多层次的特征表达，在最后的softmax层形成所有心律失常的概率，选取概率最大的心律失常结果作为识别结果。

可理解的是，本实施例中，可将训练好的心律失常检测模型部署到服务器中，或服务器所属的云平台上，此时，待分析的心电数据通过客户端如手机上传至服务器或云平台中，可使用训练好的心律失常检测模型对心电数据进行分析，形成多层次的特征表达，在最后的softmax层形成所有心律失常的概率，取概率最大的心律失常信息作为识别结果。

205、服务器将所述识别结果发送所述客户端，以使所述客户端展示所述识别结果。

206、服务器将所述识别结果按照所述属性信息进行存储。

本实施例的方法，通过采用多尺度深度卷积人工神经网络，强调不同尺度下，较好的兼顾考虑单次节律之中以及多次节律之间的特征包含。

另外，通过深度学习神经网络探索多层的特征表达，可以免去人工寻找的过程，而用机器学习的方式寻找到全面且有效的特征。

相对于传统的方法，识别结果更准确，且方便快捷，提高了实用性，可推广使用。

需要说明的是，上述图2A和图2B所示的方法的执行主体均是服务器，该服务器是广义的，可以是远程的后台服务器，或者可以是云平台中的服务器，该些服务器和客户端通信连接，实现对客户端发送的数据进行处理，并将处理结果发送客户端，以使客户端进行展示，如展示结果给用户。

在其他实施例中，上述的服务器还可以理解为医生持有的为当前用户直接使用的计算机设备或医用检测设备等。此时的服务器可不与客户端交互，可直接获取待分析的心电数据，并对待分析的心电数据进行处理，获取最后的结果，进行展示。

通常，为方便推广使用，可将服务器作为后台使用，这样可以远程连接多个客户端，方便用户使用。

为更好的理解本发明实施例，以下对卷积神经网络进行详细说明。

1、卷积神经网络(CNN)技术介绍

卷积神经网络(CNN)是一种常见的深度学习架构，受生物自然视觉认知机制启发而来。CNN目前主要用于图像检测中，能够得出原始图像的有效表征，这使得CNN能够直接从原始像素中，经过极少的预处理，识别视觉上面的规律。

卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。

CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。

2、CNN的结构

卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。网络的结构主要有稀疏连接和权值共享两个特点，包括如下形式的约束：

1)特征提取。每一个神经元从上一层的局部接受域得到突触输人，因而迫使它提取局部特征。一旦一个特征被提取出来，只要它相对于其他特征的位置被近似地保留下来，它的精确位置就变得没有那么重要了。

2)特征映射。网络的每一个计算层都是由多个特征映射组成的，每个特征映射都是平面形式的。平面中单独的神经元在约束下共享相同的突触权值集，这种结构形式具有如下的有益效果：a.平移不变性。b.自由参数数量的缩减(通过权值共享实现)。

3)子抽样。每个卷积层后面跟着一个实现局部平均和子抽样的计算层，由此特征映射的分辨率降低。这种操作具有使特征映射的输出对平移和其他形式的变形的敏感度下降的作用。

如图3所示，图3示出了卷积神经网络的示意图，图3中使出的三个不同的尺度，每个尺度有几十个卷积核。其中，输入图像通过三个可训练的卷积滤波器和可加偏置进行卷积，卷积后在C1层产生三个特征映射图，然后特征映射图中每组的四个像素再进行求和，加权值，加偏置，通过一个Sigmoid函数得到三个S2层的特征映射图。这些映射图再进过滤波得到C3层。这个层级结构再和S2一样产生S4。最终，这些像素值被光栅化，并连接成一个向量输入到传统的神经网络，得到输出。

一般地，C层为特征提取层，每个神经元的输入与前一层的局部感受也相连，并提取该局部的特征，一旦该局部特征被提取后，它与其他特征间的位置关系也随之确定下来；S层是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射为一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。

此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数，降低了网络参数选择的复杂度。卷积神经网络中的每一个特征提取层(C-层)都紧跟着一个用来求局部平均与二次提取的计算层(S-层)，这种特有的两次特征提取结构使网络在识别时对输入样本有较高的畸变容忍能力。

卷积网络通过在相邻两层之间强制使用局部连接模式来利用图像的空间局部特性，在第m层的隐层单元只与第m-1层的输入单元的局部区域有连接，第m-1层的这些局部区域被称为空间连续的接受域。可以将这种结构描述，如图4所示。

在图4中，设第m-1层为视网膜输入层，第m层的接受域的宽度为3，也就是说该层的每个单元与且仅与输入层的3个相邻的神经元相连，第m层与第m+1层具有类似的链接规则。

从图4中可以看到m+1层的神经元相对于第m层的接受域的宽度也为3，但相对于输入层的接受域为5，这种结构将学习到的过滤器(对应于输入信号中被最大激活的单元)限制在局部空间模式(因为每个单元对它接受域外的variation不做反应)。从图4中也可以看出，多个这样的层堆叠起来后，会使得过滤器(不再是线性的)逐渐成为全局的(也就是覆盖到了更大的视觉区域)。例如图4中第m+1层的神经元可以对宽度为5的输入进行一个非线性的特征编码。

在卷积神经网络中，每个稀疏过滤器hi通过共享权值都会覆盖整个可视域，这些共享权值的单元构成一个特征映射，如图5所示。

如图6所示，图6中示出了一种基于多尺度深度学习神经网络的心电检测系统的示意图，本实施例的系统包括：多个客户端和服务器；

每一服务器连接所有的客户端，且所述服务器和所述客户端交互执行上述任意实施例所述的方法。

具体地，参见图6所示，图6中的客户端可为手机客户端，图6中的服务器可为云服务器即云平台。

1)手机对应的设备采集端实现数据采集：通过将便携式单导联的心电采集设备贴于胸前采集待分析的心电数据，所采集的心电数据通过蓝牙发送到手机上。

2)手机客户端：在手机上有手机APP，用户登录后可以接收从便携式心电采集设备通过蓝牙传送过来的心电信号。在手机上进行必要的处理，例如增加用户信息、采集时间、连同心电的原始信号(如上采集的心电数据)通过通信网络发送至后端的云平台

3)云平台对接收到的心电数据利训练好的多尺度卷积神经网络进行计算，计算的结果反馈回手机端(心律失常的识别结果)，同时计算的结果以及原始信号存入后台云平台数据库。

需要说明的是，在执行3)之前，可获取训练好的多尺度卷积神经网络。

训练好的多尺度卷积神经网络是通过离线训练完成的，例如可基于50000例以上的心电数据以及其标注，其中包含正常、房颤、早搏、房扑、室颤、室扑，三联律等类型心律失常患者数据，每段心电30S，采样率为256Hz。

基于上述数据以及其标签，对多尺度神经网络模型进行训练，或得满足损失函数要求的判别模型即训练好的多尺度卷积神经网络。

由多尺度卷积核构成的卷积神经网络结构以及卷积神经网络结构中每一个神经元之间对应的链接权重；神经元为每层卷积核的个数，链接权重是指卷积核的权重。

本实施例中的第一层的卷积窗分别采用fs、2*fs和5*fs其中fs为采样率。是由于有的心律失常的异常反应在单次节律发生变化，例如PR间期发生异常、QRS波宽异常等，有的心律失常的异常是由于节律之间发生差异和异常。所以，采用多种尺度可以兼顾到节律内的异常和节律之间的异常。

将训练好的模型部署到云平台上，心电数据通过手机上传到云平台，使用训练好的多尺度卷积神经网络对心电信号进行分析，形成多层次的特征表达。在最后的softmax层形成所有心律失常的概率。取概率最大的即为识别结果。

本实施例中训练的多尺度卷积神经网络的原理和结构举例说明如下，

本实施例中卷积神经网络由三部分构成：第一部分是输入层。第二部分由n个卷积层和池化层的组合组成。第三部分由一个全连接的多层感知机分类器构成。

1)输入层信息

基于图7所示的用于心律失常分类器的卷积神经网络(CNN)，针对待分析的心电数据，假设心电数据的采样率为fs，可以获得到64种特征表达。

本实施例中，对输入层的滤波器设置了三种尺寸：fs、2*fs和5*fs行，每种尺寸各有64种滤波器。每个滤波器对心电数据序列做滑动卷积运算，得到(不同程度的)特征表达，例如，可以获得到3*64种特征表达。本实施例中输入层用于实现对接收的待分析的心电数据的输入和感知。

2)隐藏层信息

隐藏层的数量可以为1层，也可以为多层。在本实施例中，以一层为例。对隐藏层的对波器设置同样用以上三种尺寸：fs、2*fs和5*fs行，每种尺寸各有128种滤波器。每个滤波器对心电数据序列做滑动卷积运算。在隐藏层的最后一层中，卷积计算后加入池化运算，得到(不同程度的)特征表达，可以获得到3*128种特征表达。

池化运算是用来降低卷积层输出的特征向量，同时改善结果(不易出现过拟合)。池化操作一般有三种，平均池化、最大池化以及最小池化。以最大池化为例，原信号与卷积窗运算的结果取最大值,为本卷积窗在该位置的特征点。

即，隐藏层由N个串联的卷积层构成，第一个卷积层是由一定数量不同尺度的卷积核并行对输入层的数据进行感知，经过激活函数后，由maxpooling池化层对特征进行降维。前一层的输出作为后一层卷积层的输入。例如第一层池化降维后的特征，进入第二个卷积层。第二个卷积层由一定数量的卷积核对输入的数据进行感知，经过激活函数后，由maxpooling池化层对特征进行降维。以此类推，直至第N层。

3)全连接层

全连接层的输入是最后一层隐藏层输出的全部特征，输出为待分类的类别。输入和输出节点全部连接，连接所有的特征，将输出值送给分类器(如softmax分类器)。数据节点概率最大的类即为预测类。

即，全连接的多层感知机分类器可对隐藏层输出的特征进行拼接，形成一维特征序列。得到的一维特征序列通过全连接层，通过softmox进行分类预测。

4)激活函数

激活函数是用来加入非线性因素的，因为线性模型的表达力不够使得输入变化很小，导致输出结构发生截然不同的结果，为避免这种情况。传统的神经网络采用sigmond或tanh激活函数，本实施例中神经节点的激活函数采用RELU激活函数的改进版本PReLu。

ReLu较sigmond或tanh，具有梯度恒为1，无梯度耗散问题，收敛快；增大了网络的稀疏性。当x<0时，该层的输出为0，训练完成后为0的神经元越多，稀疏性越大，提取出来的特征就约具有代表性，泛化能力越强。即得到同样的效果，真正起作用的神经元越少，网络的泛化性能越好。

本实施例中采用了Relu的激活函数的改进版本PReLu，与Relu相比，负半轴的斜率不为0，为a，且可学习，可以实现更快的收敛速度。

针对心电的特性，本专利采用多尺度深度卷积人工神经网络，强调不同尺度下。例如，有的心律失常异常反应在单次节律之中，有的心律失常异常反应在多次节律之间。因此本实施例的方法或系统采用多尺度深度卷积人工神经网络，兼顾考虑单次节律之中以及多次节律之间的特征包含。以及，通过深度学习神经网络探索多层的特征表达，可以免去人工寻找的过程，而用机器学习的方式寻找到全面且有效的特征。

针对心电的特性，本专利采用多尺度深度卷积人工神经网络，强调不同尺度下。例如，有的心律失常异常反应在单次节律之中，有的心律失常异常反应在多次节律之间。因此本专利采用多尺度深度卷积人工神经网络，兼顾考虑单次节律之中以及多次节律之间的特征包含。

最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于多尺度深度学习神经网络的心电检测方法，其特征在于，包括：

服务器接收任一客户端发送的待分析的心电数据，所述待分析的心电数据为所述客户端的采集单元采集的，或者独立客户端的采集设备采集并传送至所述客户端的；

所述服务器利用预先构建的心律失常检测模型对所述待分析的心电数据进行心律失常的识别处理，获取识别结果；

所述心律失常检测模型为预先利用多尺度深度卷积人工神经网络算法训练心电数据样本构建的；

所述服务器将所述识别结果发送所述客户端，以使所述客户端展示所述识别结果。

2.根据权利要求1所述的方法，其特征在于，所述服务器利用预先构建的心律失常检测模型对所述待分析的心电数据进行心律失常的识别处理的步骤之前，所述方法还包括：

所述服务器离线收集多个心电数据样本，所述心电数据样本的类型包括：正常、房颤、早搏、房扑、室颤、室扑和三联律类型；

基于多尺度深度卷积人工神经网络算法，根据所述心电数据样本，离线训练方式构建心律失常检测模型。

3.根据权利要求2所述的方法，其特征在于，所述每一个心电数据样本的心电时长为30s，采样率为256Hz；

所述心律失常检测模型包括：由多尺度卷积核构成的卷积神经网络结构以及所述卷积神经网络结构的每一个神经元的链接权重；

所述神经元为每层卷积核的个数，链接权重是指卷积核的权重。

4.根据权利要求3所述的方法，其特征在于，所述心律失常检测模型为训练好的多尺度卷积神经网络；

所述训练好的多尺度卷积神经网络包括三个层级，其中第一层级为输入层；第二层级为隐藏层；第三层级为全连接层；

输入层用于心电数据的输入和感知；

隐藏层由N个串联的卷积层构成；其中，第一个卷积层由一定数量不同尺度的卷积核并行对输入层的数据进行感知，经过激活函数后，由maxpooling池化层对特征进行降维；前一层的输出作为后一层卷积层的输入，以此类推，直至第N层。

全连接层为全连接的多层感知机分类器；对隐藏层输出的特征进行拼接，形成一维特征序列，得到的一维特征序列通过全连接层，通过softmox进行分类预测；

所述激活函数为PReLu激活函数；

所述训练好的多尺度卷积神经网络的卷积窗的采样尺度包括：fs、2*fs和5*fs，其中，fs为采样率。

5.根据权利要求4所述的方法，其特征在于，所述服务器利用预先构建的心律失常检测模型对所述待分析的心电数据进行心律失常的识别处理，获取识别结果，包括：

采用训练好的多尺度卷积神经网络对所述待分析的心电数据进行分析，形成多层次的特征表达，在最后的softmax层形成所有心律失常的概率，选取概率最大的心律失常结果作为识别结果。

6.根据权利要求1至5任一所述的方法，其特征在于，服务器接收任一客户端发送的待分析的心电数据的步骤之前，所述方法还包括：

所述客户端接收独立客户端的采集设备传送的待分析的心电数据。

7.根据权利要求1至5任一所述的方法，其特征在于，服务器接收任一客户端发送的待分析的心电数据的步骤，包括：

所述服务器接收任一客户端发送的待分析的心电数据，以及所述待分析的心电数据的属性信息。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

所述服务器将所述识别结果按照所述属性信息进行存储。

9.一种基于多尺度深度学习神经网络的心电检测系统，其特征在于，包括多个客户端和服务器；

每一服务器连接所有的客户端，且所述服务器和所述客户端交互执行上述权利要求1至8任一所述的方法。

10.根据权利要求9所述的系统，其特征在于，所述客户端为手机客户端，所述服务器为云服务器。