CN108814584A - 心电信号检测方法、终端和计算机可读存储介质 - Google Patents
心电信号检测方法、终端和计算机可读存储介质 Download PDFInfo
- Publication number
- CN108814584A CN108814584A CN201810328300.0A CN201810328300A CN108814584A CN 108814584 A CN108814584 A CN 108814584A CN 201810328300 A CN201810328300 A CN 201810328300A CN 108814584 A CN108814584 A CN 108814584A
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- data
- result
- section
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Abstract
本发明公开了一种心电信号检测方法，终端和计算机可读存储介质，所述方法包括：采集心电图对应的心电信号，其中，所述心电信号包括多种类型的心电信号数据；将多种类型的心电信号数据输入到预设的卷积神经网络模型中，其中，所述卷积神经网络模型包括预设层数的卷积层；在卷积神经网络模型中的倒数第三层卷积层中得到第一结果，将所述第一结果输入到倒数第二层卷积层中得到第二结果，并将所述第二结果输入到最后一层卷积层，以得到包含多种类型标注的输出结果；将包含多种类型标注的输出结果作为心电信号的检测结果。本发明实现了单次检测得到完整的检测结果，提高了心电信号检测的智能性和便捷性。
Description
技术领域
本发明涉及医学数据处理技术领域，尤其涉及一种心电信号检测方法、终端和计算机可读存储介质。
背景技术
随着科学技术的发展，医学数据处理的技术也在逐渐发展。
目前使用心电图机对常规心电数据的检测方法，通常是采用传统的信号处理方法，这种方法需要人为地去设计很多复杂的算法，并且对于心电信号中的任一种心电信号数据，一种算法一次只能判定出一种数据类型，这显然不符合现实状况，因为一个心电图通常可以同时反映多种类型的数据，而现有的模型算法一次性只能得到一种类型的数据分析结果，很明显，现有的心电信号检测方法，单次测量无法得到完整的检测结果。
发明内容
本发明的主要目的在于提供一种心电信号检测方法、终端和计算机可读存储介质，旨在解决现有心电信号检测方式，单次测量无法得到完整的检测结果的技术问题。
为实现上述目的，本发明提供一种心电信号检测方法，所述心电信号检测方法包括：
采集心电图对应的心电信号，其中，所述心电信号包括多种类型的心电信号数据；
将多种类型的心电信号数据输入到预设的卷积神经网络模型中，其中，所述卷积神经网络模型包括预设层数的卷积层；
在卷积神经网络模型中的倒数第三层卷积层中得到第一结果，将所述第一结果输入到倒数第二层卷积层中得到第二结果，并将所述第二结果输入到最后一层卷积层，以得到包含多种类型标注的输出结果；
将包含多种类型标注的输出结果作为心电信号的检测结果。
可选地，所述卷积神经网络模型中，除倒数两层以外的所有卷积层的滤波器个数为A*(2k-1)，A为常数，k＝L/8，L代表该卷积所在的层数；
第一层卷积层的滤波器长度为第一长度值，除倒数两层和第一层以外的其它卷积层的滤波器长度为第二长度值；
所述卷积神经网络模型中，倒数第二层卷积层的滤波器个数为设定常数值，滤波器长度为第三长度值；
最后一层卷积层的滤波器个数为所述设定常数值，滤波器长度为所述第一长度值。
可选地，所述将所述第二结果输入到最后一层卷积层，以得到包含多种类型标注的输出结果的步骤之后，所述方法还包括：
获取根据所述心电信号建立的训练样本；
将包含多种类型标注的输出结果以及所述训练样本输入到预设的损失函数中，以计算心电信号的损失值；
根据计算的损失值训练所述卷积神经网络模型中的参数，以根据训练后的卷积神经网络模型对新的心电信号进行检测，以得到包含多种类型标注的输出结果；
将得到的包含多种类型标注的输出结果作为新的心电信号的检测结果。
可选地，所述获取根据所述心电信号建立的训练样本的步骤包括：
在心电信号上标注出多种数据的数据类型、起点位置、终点位置；
根据预设的时间间隔，将心电信号分成多段心电信号；
在每一段心电信号中，按照预设的规则生成每一段心电信号的标签；
根据每一段心电信号的标签获取心电信号的总标签；
根据心电信号以及心电信号的总标签建立训练样本，并获取所述训练样本。
可选地，所述在每一段心电信号中，按照预设的规则生成每一段心电信号的标签的步骤包括：
在每一段心电信号中，判断是否存在预设类型的数据；
若存在预设类型的数据，根据所述预设类型的数据的起始点和终止点确定中点，再判断所述中点是否位于本段心电信号内，若是，将预设类型的数据对应的数据位设置为第一值，并记录实际的起始点位置和终止点位置，若否，将预设类型的数据对应的数据位设置为第二值，并将起始点位置和终止点位置设置为预设字段；
若不存在预设类型的数据，则在本段心电信号中，将预设类型的数据对应的数据位设置为第二值；
根据记录的数据位、起始点位置和终止点位置，得到每一段心电信号的标签。
可选地，所述将包含多种类型标注的输出结果以及所述训练样本输入到预设的损失函数中，以计算心电信号的损失值的步骤包括：
根据预设的焦点损失函数，得到包含所述焦点损失函数的损失函数公式；
将包含多种类型标注的输出结果以及所述训练样本输入到包含所述焦点损失函数的损失函数公式中，以计算心电信号的损失值。
可选地，所述焦点损失函数包括：
FL(Pt)＝(1-Pt)γlogPt；
其中，γ为常数值，
p表示心电信号数据通过卷积神经网络模型计算出类别为1的概率，0≤ p≤1，y表示心电信号数据的标签取值为[0，1]。
可选地，所述包含所述焦点损失函数的损失函数公式包括：
其中，B是心电信号的段数，C是每段心电信号的标签内所包含的数据数，Y是实际的心电信号总标签，是神经网络的输出标签；
表示神经网络输出的第i个段心电信号有第j类数据的概率；
Pij表示第i段心电信号是否有第j类数据的概率；
Psij表示第i段心电信号第j类数据的起始位置，Peij表示第i段心电信号第j类数据的结束位置；
表示神经网络预测的第i段心电信号第j类数据的起始位置，表示神经网络预测的第i段心电信号第j类数据的结束位置；
sqrt表示平方根。
此外，为实现上述目的，本发明还提供一种终端，所述终端包括存储器、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心电信号检测程序，所述心电信号检测程序被所述处理器执行时实现如上文所述的心电信号检测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有心电信号检测程序，所述心电信号检测程序被处理器执行时实现如上文所述的心电信号检测方法的步骤。
本发明提出的心电信号检测方法，先采集心电图对应的心电信号，其中，所述心电信号包括多种类型的心电信号数据，然后将多种类型的心电信号数据输入到预设的卷积神经网络模型中，以在卷积神经网络模型中的倒数第三层卷积层中得到第一结果，接着将所述第一结果输入到倒数第二层卷积层中得到第二结果，并将所述第二结果输入到最后一层卷积层，以得到包含多种类型标注的输出结果，最终将包含多种类型标注的输出结果作为心电信号的检测结果。本发明通过设计的卷积神经网络模型对心电信号进行检测，一次性检测即可得到多种类型标注的输出结果，相比于现有的心电信号检测方式，本发明实现了单次检测得到完整的检测结果，提高了心电信号检测的智能性和便捷性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图；
图2为本发明心电信号检测方法第一实施例的流程示意图；
图3为本发明卷积神经网络的模型示意图；
图4为本发明心电信号检测方法第二实施例的流程示意图；
图5为图4中步骤S50的细化流程示意图；
图6为本发明心电信号检测方法第三实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的解决方案主要是：先采集心电图对应的心电信号，其中，所述心电信号包括多种类型的心电信号数据，然后将多种类型的心电信号数据输入到预设的卷积神经网络模型中，以在卷积神经网络模型中的倒数第三层卷积层中得到第一结果，接着将所述第一结果输入到倒数第二层卷积层中得到第二结果，并将所述第二结果输入到最后一层卷积层，以得到包含多种类型标注的输出结果，最终将包含多种类型标注的输出结果作为心电信号的检测结果。以解决现有心电信号检测方式，单次测量无法得到完整的检测结果的问题。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端是用于心电信号检测的医学测量设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口(例如用于连接有线键盘、有线鼠标等)和/或无线接口(例如用于连接无线键盘、无线鼠标)。网络接口1004可选的可以包括标准的有线接口(用于连接有线网络)、无线接口(如WI-FI接口、蓝牙接口、红外线接口、探针接口、3G/4G/5G 联网通信接口等，用于连接无线网络)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005 可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及心电信号检测程序。其中，操作系统是管理和控制终端与软件资源的程序，支持网络通信模块、用户接口模块、心电信号检测程序以及其他程序或软件的运行；网络通信模块用于管理和控制网络接口1002；用户接口模块用于管理和控制用户接口1003。
在图1所示的终端中，网络接口1004主要用于连接服务器或外接设备，与服务器或外接设备进行数据通信；用户接口1003主要用于连接移动电源；所述终端通过处理器1001调用存储器1005中存储的心电信号检测程序，以实现以下步骤：
采集心电图对应的心电信号，其中，所述心电信号包括多种类型的心电信号数据；
将多种类型的心电信号数据输入到预设的卷积神经网络模型中，其中，所述卷积神经网络模型包括预设层数的卷积层；
在卷积神经网络模型中的倒数第三层卷积层中得到第一结果，将所述第一结果输入到倒数第二层卷积层中得到第二结果，并将所述第二结果输入到最后一层卷积层，以得到包含多种类型标注的输出结果；
将包含多种类型标注的输出结果作为心电信号的检测结果。
进一步地，所述卷积神经网络模型中，除倒数两层以外的所有卷积层的滤波器个数为A*(2k-1)，A为常数，k＝L/8，L代表该卷积所在的层数；
第一层卷积层的滤波器长度为第一长度值，除倒数两层和第一层以外的其它卷积层的滤波器长度为第二长度值；
所述卷积神经网络模型中，倒数第二层卷积层的滤波器个数为设定常数值，滤波器长度为第三长度值；
最后一层卷积层的滤波器个数为所述设定常数值，滤波器长度为所述第一长度值。
进一步地，所述将所述第二结果输入到最后一层卷积层，以得到包含多种类型标注的输出结果的步骤之后，所述终端通过处理器1001调用存储器 1005中存储的心电信号检测程序，还实现以下步骤：
获取根据所述心电信号建立的训练样本；
将包含多种类型标注的输出结果以及所述训练样本输入到预设的损失函数中，以计算心电信号的损失值；
根据计算的损失值训练所述卷积神经网络模型中的参数，以根据训练后的卷积神经网络模型对新的心电信号进行检测，以得到包含多种类型标注的输出结果；
将得到的包含多种类型标注的输出结果作为新的心电信号的检测结果。
进一步地，所述终端通过处理器1001调用存储器1005中存储的心电信号检测程序，还实现获取根据所述心电信号建立的训练样本的步骤：
在心电信号上标注出多种数据的数据类型、起点位置、终点位置；
根据预设的时间间隔，将心电信号分成多段心电信号；
在每一段心电信号中，按照预设的规则生成每一段心电信号的标签；
根据每一段心电信号的标签获取心电信号的总标签；
根据心电信号以及心电信号的总标签建立训练样本，并获取所述训练样本。
进一步地，所述终端通过处理器1001调用存储器1005中存储的心电信号检测程序，还实现在每一段心电信号中，按照预设的规则生成每一段心电信号的标签的步骤：
在每一段心电信号中，判断是否存在预设类型的数据；
若存在预设类型的数据，根据所述预设类型的数据的起始点和终止点确定中点，再判断所述中点是否位于本段心电信号内，若是，将预设类型的数据对应的数据位设置为第一值，并记录实际的起始点位置和终止点位置，若否，将预设类型的数据对应的数据位设置为第二值，并将起始点位置和终止点位置设置为预设字段；
若不存在预设类型的数据，则在本段心电信号中，将预设类型的数据对应的数据位设置为第二值；
根据记录的数据位、起始点位置和终止点位置，得到每一段心电信号的标签。
进一步地，所述终端通过处理器1001调用存储器1005中存储的心电信号检测程序，还实现将包含多种类型标注的输出结果以及所述训练样本输入到预设的损失函数中，以计算心电信号的损失值的步骤：
根据预设的焦点损失函数，得到包含所述焦点损失函数的损失函数公式；
将包含多种类型标注的输出结果以及所述训练样本输入到包含所述焦点损失函数的损失函数公式中，以计算心电信号的损失值。
进一步地，所述焦点损失函数包括：
FL(Pt)＝(1-Pt)γlogPt；
其中，γ为常数值，
p表示心电信号数据通过卷积神经网络模型计算出类别为1的概率，0≤ p≤1，y表示心电信号数据的标签取值为[0，1]。
进一步地，所述包含所述焦点损失函数的损失函数公式包括：
其中，B是心电信号的段数，C是每段心电信号的标签内所包含的数据数，Y是实际的心电信号总标签，是神经网络的输出标签；
表示神经网络输出的第i个段心电信号有第j类数据的概率；
Pij表示第i段心电信号是否有第j类数据的概率；
Psij表示第i段心电信号第j类数据的起始位置，Peij表示第i段心电信号第j类数据的结束位置；
表示神经网络预测的第i段心电信号第j类数据的起始位置，表示神经网络预测的第i段心电信号第j类数据的结束位置；
sqrt表示平方根。
基于上述终端硬件结构，提出本发明心电信号检测方法的各个实施例。
参照图2，图2为本发明心电信号检测方法第一实施例的流程示意图。
在本实施例中，所述心电信号检测方法包括：
步骤S10，采集心电图对应的心电信号，其中，所述心电信号包括多种类型的心电信号数据；
步骤S20，将多种类型的心电信号数据输入到预设的卷积神经网络模型中，其中，所述卷积神经网络模型包括预设层数的卷积层；
步骤S30，在卷积神经网络模型中的倒数第三层卷积层中得到第一结果，将所述第一结果输入到倒数第二层卷积层中得到第二结果，并将所述第二结果输入到最后一层卷积层，以得到包含多种类型标注的输出结果；
步骤S40，将包含多种类型标注的输出结果作为心电信号的检测结果。
在本实施例中，所述心电信号检测方法可选应用于终端，所述终端可选为图1所述的终端。
以下详细介绍本方案中实现心电信号检测的具体步骤：
步骤S10，采集心电图对应的心电信号，其中，所述心电信号包括多种类型的心电信号数据；
在本实施例中，先采集心电图对应的心电信号，其中，所述心电图可选为12导心电图，所述心电信号包括多种类型的心电信号数据，心电信号数据包括但不限于：左心房肥大，右心房肥大，左心室肥大，右心室肥大，低血钾，高血钙，高血钾，心肌缺血，心肌梗塞，左束枝传导阻滞，右束支传导阻滞，三分支传导阻滞，房颤，室颤，窦性心动过缓、房扑，室扑，完全性左前分支传导阻滞，完全性左后分支传导阻滞，预激综合征等20种心脏疾病类型的数据。本实施例中，心电图的采用频率可选为256HZ，心电信号的采集时间可选为10S，应理解，采集时间也可根据实际需要设置为其它值，在心电信号的采集时间为10S的情况下，终端即可采集到一段心电信号。
步骤S20，将多种类型的心电信号数据输入到预设的卷积神经网络模型中，其中，所述卷积神经网络模型包括预设层数的卷积层；
在采集到心电信号之后，将心电信号输入到预设的卷积神经网络模型中，本实施例中，所述卷积神经网络模型是包含预设层数的卷积层的模型，如图3所示，所述预设层数可选为34层，其中，每个conv表示一层，从图3可看出，第一列包括conv1和conv，因此，第一层存在两层卷积层；第二列中存在两个conv，但是由于第二列*15，因此，第二列表示有30个卷积层；第三列存在conv2和conv3，因此，第三列包含2层卷积层。图3所示的卷积神经网络模型中，BN(batch normalization，批归一化)代表的是批归一化处理，批归一化处理是指对分散的数据进行归一化，以提高后续数据检测的准确性。该卷积神经网络模型中的卷积操作均是使用1维卷积，该卷积神经网络的激活函数为RELU(Rectified Linear Unit，线性整流函数)函数，Dropout 层的droprate为0.6。
在本实施例中，所述卷积神经网络模型中，除倒数两层以外的所有卷积层(即前32层的每个卷积层)的滤波器个数为A*(2k-1)，A可选为64，因此得到64*(2k-1)，k＝L/8，L代表该卷积所在的层数，并且第一层卷积层 (conv1)的滤波器长度为第一长度值，除倒数两层和第一层以外的其它卷积层的滤波器长度为第二长度值，所述第一长度值的具体数值和第二长度值的具体数据不做限定，本实施例中，可选第一长度值为5，第二长度值为3。此外，所述卷积神经网络模型中，倒数第二层卷积层(conv2)的滤波器个数为设定常数值，滤波器长度为第三长度值，最后一层卷积层(conv3)的滤波器个数为所述设定常数值，滤波器长度为所述第一长度值，所述设定常数值可选为60，第三长度值可选为10。应当理解，滤波器个数以及滤过器长度的具体数值不限于上述所列举的值，还可根据实际需要设置为其它数值。
此外，本实施例中的卷积神经网络模型，每隔4个卷积层做一次1/2下采样(maxpool)，即第4、8、12、…、28、32个卷积层分别作一次1/2下采样，那么最终在32层的输出长度相当于对原始输入做了1/256下采样。
步骤S30，在卷积神经网络模型中的倒数第三层卷积层中得到第一结果，将所述第一结果输入到倒数第二层卷积层中得到第二结果，并将所述第二结果输入到最后一层卷积层，以得到包含多种类型标注的输出结果；
在本实施例中，将多种类型的心电信号数据输入到预设的卷积神经网络模型之后，即可在该卷积神经网络模型中的各个卷积层中得到相应的结果，应当理解，在心电信号数据输入到卷积神经网络模型后，先将心电信号数据输入到第一卷积层，以得到输出，接着该输出作为输入以输入到第二卷积层中，依次反复，在卷积神经网络模型中的倒数第三层卷积层(第32层)中输出第一结果，本实施例中，第一结果为10*512，其中，10表示数据长度，512 表示数据通道数。接着，将第一结果输入到倒数第二层卷积层中得到第二结果，由于前面已经提到倒数第二层卷积层(conv2)的滤波器个数为60，滤波器长度为6，因此第二结果为6*60，最后将第二结果输入到最后一层卷积层以得到包含多种类型标注的输出结果，由于最后一层卷积层(conv3)的滤波器个数为60，滤波器长度为1，根据计算公式m-n+1，将10(第一结果对应的数据长度)-6(倒数第二层卷积层的滤波器长度)+1＝5，之后，将5-1 (最后一层卷积层的滤波器长度)+1＝5，其中，张量大小中第二值与最后一层卷积层的滤波器个数保持一致，因此最终输出结果的张量大小为5*60，该张量大小的输出结果是包含多种类型标注的结果。
进一步地，所述方法还包括：
在卷积神经网络模型的各个卷积层中得到输出时，判断每一个卷积层中的输入和输出是否同等大小，若是，则直接相加，若输入输出大小不等，则使用滤波器卷积以调整输入的大小，以保持输入与输出的大小相等，之后再做相加。例如：原始输入的大小为L*64，通过滤波器卷积，滤波器个数为 128，则输出大小为L*128，而左侧的输出大小也为L*128，即可对应通道做加法，通过这种处理方式，可在网络训练较深时，实现对网络的训练。
步骤S40，将包含多种类型标注的输出结果作为心电信号的检测结果。
本实施例提出的心电信号检测方法，先采集心电图对应的心电信号，其中，所述心电信号包括多种类型的心电信号数据，然后将多种类型的心电信号数据输入到预设的卷积神经网络模型中，以在卷积神经网络模型中的倒数第三层卷积层中得到第一结果，接着将所述第一结果输入到倒数第二层卷积层中得到第二结果，并将所述第二结果输入到最后一层卷积层，以得到包含多种类型标注的输出结果，最终将包含多种类型标注的输出结果作为心电信号的检测结果。本发明通过设计的卷积神经网络模型对心电信号进行检测，一次性检测即可得到多种类型标注的输出结果，相比于现有的心电信号检测方式，本发明实现了单次检测得到完整的检测结果，提高了心电信号检测的智能性和便捷性。
进一步地，为了提高心电信号检测的准确性，基于第一实施例提出本发明心电信号检测方法的第二实施例。
心电信号检测方法的第二实施例与心电信号检测方法的第一实施例的区别在于，参照图4，所述步骤S30之后，所述方法还包括：
步骤S50，获取根据所述心电信号建立的训练样本；
步骤S60，将包含多种类型标注的输出结果以及所述训练样本输入到预设的损失函数中，以计算心电信号的损失值；
步骤S70，根据计算的损失值训练所述卷积神经网络模型中的参数，以根据训练后的卷积神经网络模型对新的心电信号进行检测，以得到包含多种类型标注的输出结果；
步骤S80，将得到的包含多种类型标注的输出结果作为新的心电信号的检测结果。
以下详细介绍本实施例中的各个步骤：
步骤S50，获取根据所述心电信号建立的训练样本；
在本实施例中，采集到心电信号之后，获取根据所述心电信号建立的训练样本，具体地，参照图5，所述步骤S50包括：
步骤S51，在心电信号上标注出多种数据的数据类型、起点位置、终点位置；
步骤S52，根据预设的时间间隔，将心电信号分成多段心电信号；
步骤S53，在每一段心电信号中，按照预设的规则生成每一段心电信号的标签；
步骤S54，根据每一段心电信号的标签获取心电信号的总标签；
步骤S55，根据心电信号以及心电信号的总标签建立训练样本，并获取所述训练样本。
在本实施例中，在采集到心电信号之后，在心电信号上标注出多种类型的数据具体的数据类型、起点位置、终点位置，然后根据预设的时间间隔，将心电信号分成多段心电信号，如上文所述，采集的是10S的12导心电图，那么可将10S的导心电图等分成5份，得到5段心电信号，每段心电信号为 2S。之后，在每一段心电信号中，按照预设的规则生成每一段心电信号的标签，具体地，所述步骤S53包括：
步骤a，在每一段心电信号中，判断是否存在预设类型的数据；
步骤b，若存在预设类型的数据，根据所述预设类型的数据的起始点和终止点确定中点，再判断所述中点是否位于本段心电信号内，若是，将预设类型的数据对应的数据位设置为第一值，并记录实际的起始点位置和终止点位置，若否，将预设类型的数据对应的数据位设置为第二值，并将起始点位置和终止点位置设置为预设字段；
步骤c，若不存在预设类型的数据，则在本段心电信号中，将预设类型的数据对应的数据位设置为第二值；
步骤d，根据记录的数据位、起始点位置和终止点位置，得到每一段心电信号的标签。
为更好理解本实施例，举例如下：
每一段心电信号的标签用y＝[P1，P2，P3，...，P20，p1s，p1e，p2s，p2e， p3s，p3e，...，p20s，p20e]；
P1表示在这段心电信号中是否有预设类型的数据，若这段心电信号中没有预设类型的数据，则P1＝0，若这段心电信号中有预设类型的数据，根据该预设类型的数据起始点，终止点确定其中点位置，若该中点处在这一小段心电信号内，则P1＝1，且p1s，p1e分别表示起始点位置和结束点位置，如果该中点不在这一小段心电信号中，则P1＝0。需要说明的是，当P1＝0时，p1s 和p1e取任意值，为更好区分，可选p1s和p1e取预设字段(任意数字都可以，不能为空)。应理解，P1表示20中类型的数据，在这一段心电信号中，若存在预设类型的数据，则将该类型的数据的数据位、起始点位置和终止点位置按照上述规则进行设置，最终，得到所述心电信号的标签。
按照上述规则，得到心电信号的总标签Y＝[y1，y2，y3，y4，y5]，标签的大小为5*60，5表示有5小段心电信号，60表示每段心电信号中的数据长度为60。
在得到每一段心电信号的标签之后，根据心电信号以及心电信号的总标签建立训练样本，并获取所述训练样本，本实施例中，用<X，Y>表示一个训练样本，X表示输入的10s的12导心电图，因此X的大小表示为10*256*12， 10表示10S，12表示12导心电图，256表示采样频率256HZ。
步骤S60，将包含多种类型标注的输出结果以及所述训练样本输入到预设的损失函数中，以计算心电信号的损失值；
在获取到训练样本之后，将包含多种类型标注的输出结果以及所述训练样本输入到预设的损失函数中，以计算心电信号的损失值。
步骤S70，根据计算的损失值训练所述卷积神经网络模型中的参数，以根据训练后的卷积神经网络模型对新的心电信号进行检测，以得到包含多种类型标注的输出结果；
步骤S80，将得到的包含多种类型标注的输出结果作为新的心电信号的检测结果。
之后，根据计算的损失值训练所述卷积神经网络模型中的参数，这是一个反向调节卷积神经网络模型的方式，与现有技术中的训练方式一致，此处不做赘述，在训练卷积神经网络模型之后，根据训练后的卷积神经网络模型对新的心电信号进行重新检测，以得到包含多种类型标注的输出结果，训练后的卷积神经网络模型对新的心电信号的检测方式与上述第一实施例的检测方式一致，此处同样不做赘述，最终可得到包含多种类型标注的输出结果，最终将得到的包含多种类型标注的输出结果作为新的心电信号的检测结果。
在本实施例中，通过心电信号得到训练样本集，以根据该训练样本对卷积神经网络模型进行训练，使得通过该卷积神经网络模型检测值更加趋近实际值，后续通过训练后的卷积神经网络模型对新输入的心电信号进行预测，得到检测结果，从而提高心电信号检测的准确性。
进一步地，基于第二实施例提出本发明心电信号检测方法的第三实施例。
心电信号检测方法的第三实施例与心电信号检测方法的第二实施例的区别在于，参照图6，所述步骤S60包括：
步骤S61，根据预设的焦点损失函数，得到包含所述焦点损失函数的损失函数公式；
步骤S62，将包含多种类型标注的输出结果以及所述训练样本输入到包含所述焦点损失函数的损失函数公式中，以计算心电信号的损失值。
应理解，对于二分类(0，1)，一般损失函数定义为：
其中，p表示模型计算出输入信号的类别为1的概率，0≤p≤1，y表示输入信号的真实标签类y取值为[0，1]，即y取0或1。
若定义：
则CE(p，y)＝-logPt
在本实施例中，通过改进设置焦点损失函数，该所述焦点损失函数可选为：
FL(Pt)＝(1-Pt)γlogPt，其中，γ为常数值。
根据预设的焦点损失函数，得到包含所述焦点损失函数的损失函数公式，所述包含所述焦点损失函数的损失函数公式可选为：
其中，B是心电信号的段数，B的数值为5，C是每段心电信号的标签内所包含的数据数，按照上述例子，B是数值是20，Y是实际的心电信号总标签，是神经网络的输出标签；
表示神经网络输出的第i个段心电信号有第j类数据的概率；
Pij表示第i段心电信号是否有第j类数据的概率；
Psij表示第i段心电信号第j类数据的起始位置，Peij表示第i段心电信号第j类数据的结束位置；
表示神经网络预测的第i段心电信号第j类数据的起始位置，表示神经网络预测的第i段心电信号第j类数据的结束位置；
sqrt表示平方根，需要说明的是，I(Pij＝＝1)＝1。
在本实施例中，将包含多种类型标注的输出结果以及所述训练样本输入到包含所述焦点损失函数的损失函数公式中，即可计算心电信号的损失值。
在本实施例中，在损失函数公式中加入焦点损失函数，解决了样本不均衡的问题，提高了训练样本训练卷积神经网络模型的准确性，从而提高了后续心电信号检测的准确性。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有心电信号检测程序，所述心电信号检测程序被处理器执行时实现如上文所述的心电信号检测方法的步骤。
计算机可读存储介质的具体实施方式与上述心电信号检测方法的各个实施方式基本一致，此处不做赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是固定终端，如物联网智能设备；也可以是移动终端，包括智能手机、可穿戴的联网AR/VR装置等诸多联网设备)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种心电信号检测方法，其特征在于，所述心电信号检测方法包括：
采集心电图对应的心电信号，其中，所述心电信号包括多种类型的心电信号数据；
将多种类型的心电信号数据输入到预设的卷积神经网络模型中，其中，所述卷积神经网络模型包括预设层数的卷积层；
在卷积神经网络模型中的倒数第三层卷积层中得到第一结果，将所述第一结果输入到倒数第二层卷积层中得到第二结果，并将所述第二结果输入到最后一层卷积层，以得到包含多种类型标注的输出结果；
将包含多种类型标注的输出结果作为心电信号的检测结果。
2.如权利要求1所述的心电信号检测方法，其特征在于，所述卷积神经网络模型中，除倒数两层以外的所有卷积层的滤波器个数为A*(2k-1)，A为常数，k＝L/8，L代表该卷积所在的层数；
第一层卷积层的滤波器长度为第一长度值，除倒数两层和第一层以外的其它卷积层的滤波器长度为第二长度值；
所述卷积神经网络模型中，倒数第二层卷积层的滤波器个数为设定常数值，滤波器长度为第三长度值；
最后一层卷积层的滤波器个数为所述设定常数值，滤波器长度为所述第一长度值。
3.如权利要求1或2所述的心电信号检测方法，其特征在于，所述将所述第二结果输入到最后一层卷积层，以得到包含多种类型标注的输出结果的步骤之后，所述方法还包括：
获取根据所述心电信号建立的训练样本；
将包含多种类型标注的输出结果以及所述训练样本输入到预设的损失函数中，以计算心电信号的损失值；
根据计算的损失值训练所述卷积神经网络模型中的参数，以根据训练后的卷积神经网络模型对新的心电信号进行检测，以得到包含多种类型标注的输出结果；
将得到的包含多种类型标注的输出结果作为新的心电信号的检测结果。
4.如权利要求3所述的心电信号检测方法，其特征在于，所述获取根据所述心电信号建立的训练样本的步骤包括：
在心电信号上标注出多种数据的数据类型、起点位置、终点位置；
根据预设的时间间隔，将心电信号分成多段心电信号；
在每一段心电信号中，按照预设的规则生成每一段心电信号的标签；
根据每一段心电信号的标签获取心电信号的总标签；
根据心电信号以及心电信号的总标签建立训练样本，并获取所述训练样本。
5.如权利要求4所述的心电信号检测方法，其特征在于，所述在每一段心电信号中，按照预设的规则生成每一段心电信号的标签的步骤包括：
在每一段心电信号中，判断是否存在预设类型的数据；
若存在预设类型的数据，根据所述预设类型的数据的起始点和终止点确定中点，再判断所述中点是否位于本段心电信号内，若是，将预设类型的数据对应的数据位设置为第一值，并记录实际的起始点位置和终止点位置，若否，将预设类型的数据对应的数据位设置为第二值，并将起始点位置和终止点位置设置为预设字段；
若不存在预设类型的数据，则在本段心电信号中，将预设类型的数据对应的数据位设置为第二值；
根据记录的数据位、起始点位置和终止点位置，得到每一段心电信号的标签。
6.如权利要求3所述的心电信号检测方法，其特征在于，所述将包含多种类型标注的输出结果以及所述训练样本输入到预设的损失函数中，以计算心电信号的损失值的步骤包括：
根据预设的焦点损失函数，得到包含所述焦点损失函数的损失函数公式；
将包含多种类型标注的输出结果以及所述训练样本输入到包含所述焦点损失函数的损失函数公式中，以计算心电信号的损失值。
7.如权利要求6所述的心电信号检测方法，其特征在于，所述焦点损失函数包括：
FL(Pt)＝(1-Pt)γlogPt；
其中，γ为常数值，
p表示心电信号数据通过卷积神经网络模型计算出类别为1的概率，0≤p≤1，y表示心电信号数据的标签取值为[0，1]。
8.如权利要求6所述的心电信号检测方法，其特征在于，所述包含所述焦点损失函数的损失函数公式包括：
其中，B是心电信号的段数，C是每段心电信号的标签内所包含的数据数，Y是实际的心电信号总标签，是神经网络的输出标签；
表示神经网络输出的第i个段心电信号有第j类数据的概率；
Pij表示第i段心电信号是否有第j类数据的概率；
Psij表示第i段心电信号第j类数据的起始位置，Peij表示第i段心电信号第j类数据的结束位置；
表示神经网络预测的第i段心电信号第j类数据的起始位置，表示神经网络预测的第i段心电信号第j类数据的结束位置；
sqrt表示平方根。
9.一种终端，其特征在于，所述终端包括存储器、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心电信号检测程序，所述心电信号检测程序被所述处理器执行时实现如权利要求1至8中任一项所述的心电信号检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有心电信号检测程序，所述心电信号检测程序被处理器执行时实现如权利要求1至8中任一项所述的心电信号检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810328300.0A CN108814584B (zh) | 2018-04-12 | 2018-04-12 | 心电信号检测方法、终端和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810328300.0A CN108814584B (zh) | 2018-04-12 | 2018-04-12 | 心电信号检测方法、终端和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108814584A true CN108814584A (zh) | 2018-11-16 |
| CN108814584B CN108814584B (zh) | 2021-04-30 |
Family
ID=64154431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810328300.0A Active CN108814584B (zh) | 2018-04-12 | 2018-04-12 | 心电信号检测方法、终端和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108814584B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111387938A (zh) * | 2020-02-04 | 2020-07-10 | 华东理工大学 | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 |
| CN111436939A (zh) * | 2020-03-17 | 2020-07-24 | 佛山市台风网络科技有限公司 | 健康监测方法、系统、计算机设备及可读存储介质 |
| CN111950723A (zh) * | 2019-05-16 | 2020-11-17 | 武汉Tcl集团工业研究院有限公司 | 神经网络模型训练方法、图像处理方法、装置及终端设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1419733A1 (fr) * | 2002-11-14 | 2004-05-19 | Ela Medical | Dispositif d'analyse d'un signal, notamment d'un signal physiologique tel qu'un signal ECG |
| CN102670190A (zh) * | 2012-05-21 | 2012-09-19 | 南京大学 | 基于心率变异性非线性特性的充盈性心衰自动诊断方法 |
| CN103860168A (zh) * | 2014-02-26 | 2014-06-18 | 深圳市理邦精密仪器股份有限公司 | 一种心律异常自动标识装置及其标识方法 |
| CN104537243A (zh) * | 2014-12-30 | 2015-04-22 | 哈尔滨理工大学 | 一种基于模糊推理结合加权相似度量的心电分类方法 |
| CN104783782A (zh) * | 2015-04-13 | 2015-07-22 | 深圳市飞马与星月科技研究有限公司 | 心电信号自动检测方法及装置 |
| CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
| WO2017072250A1 (en) * | 2015-10-27 | 2017-05-04 | CardioLogs Technologies | An automatic method to delineate or categorize an electrocardiogram |
| CN106901723A (zh) * | 2017-04-20 | 2017-06-30 | 济南浪潮高新科技投资发展有限公司 | 一种心电图异常自动诊断方法 |
| CN107822622A (zh) * | 2017-09-22 | 2018-03-23 | 成都比特律动科技有限责任公司 | 基于深度卷积神经网络的心电图诊断方法和系统 |
-
2018
- 2018-04-12 CN CN201810328300.0A patent/CN108814584B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1419733A1 (fr) * | 2002-11-14 | 2004-05-19 | Ela Medical | Dispositif d'analyse d'un signal, notamment d'un signal physiologique tel qu'un signal ECG |
| CN102670190A (zh) * | 2012-05-21 | 2012-09-19 | 南京大学 | 基于心率变异性非线性特性的充盈性心衰自动诊断方法 |
| CN103860168A (zh) * | 2014-02-26 | 2014-06-18 | 深圳市理邦精密仪器股份有限公司 | 一种心律异常自动标识装置及其标识方法 |
| CN104537243A (zh) * | 2014-12-30 | 2015-04-22 | 哈尔滨理工大学 | 一种基于模糊推理结合加权相似度量的心电分类方法 |
| CN104783782A (zh) * | 2015-04-13 | 2015-07-22 | 深圳市飞马与星月科技研究有限公司 | 心电信号自动检测方法及装置 |
| WO2017072250A1 (en) * | 2015-10-27 | 2017-05-04 | CardioLogs Technologies | An automatic method to delineate or categorize an electrocardiogram |
| CN105748063A (zh) * | 2016-04-25 | 2016-07-13 | 山东大学齐鲁医院 | 基于多导联和卷积神经网络的心律失常智能诊断方法 |
| CN106901723A (zh) * | 2017-04-20 | 2017-06-30 | 济南浪潮高新科技投资发展有限公司 | 一种心电图异常自动诊断方法 |
| CN107822622A (zh) * | 2017-09-22 | 2018-03-23 | 成都比特律动科技有限责任公司 | 基于深度卷积神经网络的心电图诊断方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 熊鹏: "基于深度学习的心电信号降噪和T波自动检测研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950723A (zh) * | 2019-05-16 | 2020-11-17 | 武汉Tcl集团工业研究院有限公司 | 神经网络模型训练方法、图像处理方法、装置及终端设备 |
| CN111387938A (zh) * | 2020-02-04 | 2020-07-10 | 华东理工大学 | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 |
| CN111436939A (zh) * | 2020-03-17 | 2020-07-24 | 佛山市台风网络科技有限公司 | 健康监测方法、系统、计算机设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108814584B (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107341098A (zh) | 软件性能测试方法、平台、设备及存储介质 | |
| CN108814584A (zh) | 心电信号检测方法、终端和计算机可读存储介质 | |
| CN108255729A (zh) | 一种基于Unity平台的手机游戏自动化测试方法和系统 | |
| CN109447156A (zh) | 用于生成模型的方法和装置 | |
| CN109634253B (zh) | 一种自动化流程控制方法及系统 | |
| CN110177122A (zh) | 一种识别网络安全风险的模型建立方法及装置 | |
| CN109009084A (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
| CN112418202A (zh) | 一种基于MaskRCNN的变电设备异常识别定位方法及系统 | |
| CN111259212B (zh) | 一种遥测数据判读方法、装置、设备及存储介质 | |
| CN107370823A (zh) | 数据采集及远程控制方法、装置和计算机可读存储介质 | |
| CN112395430A (zh) | 一种基于知识图谱的电力设备缺陷检索方法及系统 | |
| CN104464016A (zh) | 电缆设备移动智能巡检系统及巡检方法 | |
| CN115499521A (zh) | 面向底层设备的多通道多接口协议数字化采集控制系统 | |
| CN107133631A (zh) | 一种识别电视台图标的方法及装置 | |
| CN110309774A (zh) | 虹膜图像分割方法、装置、存储介质及电子设备 | |
| CN109933680A (zh) | 图像数据筛选方法、装置、计算机设备及其存储介质 | |
| Reif et al. | Meta2-features: Providing meta-learners more information | |
| CN107182080A (zh) | 一种在无线局域网中自适应配置速率的方法和装置 | |
| CN107306209A (zh) | 一种信息获取方法和装置 | |
| CN112800235B (zh) | 一种可视化知识图谱数据建模方法和系统 | |
| CN114971053A (zh) | 低压台区网络线损率在线预测模型的训练方法及装置 | |
| CN114841203A (zh) | 一种牲畜状态监测方法、装置、终端及存储介质 | |
| CN110493741A (zh) | 基于决策树的楼层人员定位方法及装置 | |
| CN113723519A (zh) | 基于对比学习的心电数据处理方法、装置及存储介质 | |
| CN116052404B (zh) | 一种基于5g通信技术的电网数据交互系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |