CN109871808B - 房颤模型训练、检测方法和装置 - Google Patents

Abstract

本发明公开一种房颤模型训练、检测方法和装置，其中房颤检测方法包括以下步骤：对所获取的当前时刻之前设定时长的红外和红光两路PPG信号分别进行采样，得到两路分别包含设定数量采样数据点的数据序列；基于CNN网络对两路所述数据序列进行特征提取，得到两路所述PPG信号对应的特征向量；根据所述特征向量和预先设置的房颤检测模型得到两路所述PPG信号对应的属性类别，所述属性类别包括正常律动、房颤和其它律动，所述房颤检测模型用以使得PPG信号的特征向量与其对应的属性类别相关联。

Description

房颤模型训练、检测方法和装置

技术领域

本发明涉及智能医疗领域，具体而言，涉及一种房颤模型训练、检测方法和装置。

背景技术

心房颤动简称房颤，是常见的心率失常症状。随着年龄的增长，房颤风险也越高。医学上房颤与许多重大疾病相关，例如房颤会引起血栓栓塞，心脏功能缺陷，脑梗，猝死等，因此，通过现代技术手段提前检测和预警房颤对于降低疾病和死亡风险有重要的作用。

对房颤的检测和预判，医院一般采用心电图设备采集信号并进行分析得出结论，但这种方式不太易于实施，原因是：一方面设备昂贵，不能长时间监控；另一方面频繁去医院检测的通行和时间成本比较高。

随着PPG(Photoplethysmography，光电体积描记法)信号采集设备的研发和推广，PPG采集模块逐渐进入日常家庭。目前市面出现的设备以及搭配的算法一类是基于启发式规则进行房颤检测；一类是基于人工设计特征和支持向量机(Support Vector Machine，SVM)分类。这两类方法都是传统方法，在算法对样本的覆盖以及特征提取方面都有局限性，导致对房颤检测的效果不佳。

发明内容

本发明提供一种房颤模型训练、检测方法和装置，用以克服现有技术中存在的至少一个问题。

根据本发明实施例的第一方面，提供了一种房颤检测方法，包括以下步骤：

对所获取的当前时刻之前设定时长的红外和红光两路PPG信号分别进行采样，得到两路分别包含设定数量采样数据点的数据序列；

基于CNN网络对两路所述数据序列进行特征提取，得到两路所述PPG信号对应的特征向量；

根据所述特征向量和预先设置的房颤检测模型得到两路所述PPG信号对应的属性类别，所述属性类别包括正常律动、房颤和其它律动，所述房颤检测模型用以使得PPG信号的特征向量与其对应的属性类别相关联。

可选的，所述房颤检测模型通过以下方式构建：

对设定时长的多个历史PPG信号分别进行采样，每个所述历史PPG信号得到两路分别包含设定数量采样数据点的数据序列，其中，每个所述历史PPG信号包括红外和红光两路信号，每个所述历史PPG信号的属性类别已预先标记，所述属性类别包括正常律动、房颤和其它律动；

对每个所述历史PPG信号对应的两路数据序列分别进行特征提取，得到每个所述历史PPG信号对应的特征向量；

基于多个所述历史PPG信号的特征向量及其对应的属性类别生成训练样本集；

基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联。

可选的，在所述对所获取的当前时刻之前设定时长的红外和红光两路PPG信号分别进行采样，得到两路分别包含设定数量采样数据点的数据序列之前还包括：

对所采集的PPG信号进行降噪处理。

可选的，所述对所采集的PPG信号进行降噪处理包括：

采用带通滤波器对所采集的PPG信号进行降噪处理以消除基线漂移和部分噪声。

可选的，所述CNN网络采用U-net网络，所述基于CNN网络对两路所述数据序列进行特征提取，得到两路所述PPG信号对应的特征向量包括：

采用卷积和池化对两路所述数据序列形成的输入图像进行下采样，得到所述输入图像的下采样特征向量；

采用反卷积对所述输入图像进行上采样，得到所述输入图像的上采样特征向量；

将所述上采样特征向量和所述下采样特征向量通过叠加的方式进行组合，得到两路所述PPG信号对应的多个特征向量；

对所述多个特征向量通过卷积的方式进行压缩，得到T维特征向量，其中T为正整数。

可选的，在下采样的过程中逐步增加通道数，在上采样的过程中利用卷积逐步减少通道数。

可选的，所述机器学习算法为基于注意力机制的双向LSTM算法。

可选的，所述基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联包括：

通过双向LSTM单元和注意力单元构建双层堆叠的房颤检测模型；

利用所述训练样本集对所述房颤检测模型进行训练，所述房颤检测模型使得每个所述历史PPG信号的T维特征向量与其已标记的属性类别相关联。

可选的，上述房颤检测方法还包括以下步骤：

当检测到当前时刻之前的PPG信号对应的属性类别为房颤时，向用户报警信号。

根据本发明实施例的第二方面，还提供了一种房颤检测模型的训练方法，包括以下步骤：

对设定时长的多个历史PPG信号分别进行采样，每个所述历史PPG信号得到两路分别包含设定数量采样数据点的数据序列，其中，每个所述历史PPG信号包括红外和红光两路信号，每个所述历史PPG信号的属性类别已预先标记，所述属性类别包括正常律动、房颤和其它律动；

对每个所述历史PPG信号对应的两路数据序列分别进行特征提取，得到每个所述历史PPG信号对应的特征向量；

基于多个所述历史PPG信号的特征向量及其对应的属性类别生成训练样本集；

基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联。

可选的，在所述对设定时长的多个历史PPG信号分别进行采样，每个所述历史PPG信号得到两路分别包含设定数量采样数据点的数据序列之前还包括：

对历史PPG信号进行降噪处理。

可选的，所述对历史PPG信号进行降噪处理包括：

采用带通滤波器对历史PPG信号进行降噪处理以消除基线漂移和部分噪声。

根据本发明实施例的第三方面，还提供了一种房颤检测装置，包括：

第一采样模块，被配置为对所获取的当前时刻之前设定时长的红外和红光两路PPG信号分别进行采样，得到两路分别包含设定数量采样数据点的数据序列；

特征提取模块，被配置为基于CNN网络对两路所述数据序列进行特征提取，得到两路所述PPG信号对应的特征向量；

分类模块，被配置为根据所述特征向量和预先设置的房颤检测模型得到两路所述PPG信号对应的属性类别，所述属性类别包括正常律动、房颤和其它律动，所述房颤检测模型用以使得PPG信号的特征向量与其对应的属性类别相关联。

根据本发明实施例的第四方面，还提供了一种房颤检测模型的训练装置，包括：

第二采样模块，被配置为对设定时长的多个历史PPG信号分别进行采样，每个所述历史PPG信号得到两路分别包含设定数量采样数据点的数据序列，其中，每个所述历史PPG信号包括红外和红光两路信号，每个所述历史PPG信号的属性类别已预先标记，所述属性类别包括正常律动、房颤和其它律动；

第二特征提取模块，被配置为对每个所述历史PPG信号对应的两路数据序列分别进行特征提取，得到每个所述历史PPG信号对应的特征向量；

训练样本集生成模块，被配置为基于多个所述历史PPG信号的特征向量及其对应的属性类别生成训练样本集；

模型训练模块，被配置为基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联。

本说明书实施例基于CNN对人体PPG信号进行特征提取，由于PPG信号信噪比较低，通过采用CNN网络实现了信号的去噪和重建过程，因此提取的特征更加鲁棒，同时通过机器学习算法对所提取的特征序列进行拟合，使得所建立房颤检测模型分类结果更加准确。

本发明实施例的发明点包括：

1、CNN网络采用对称的U-net网络，将底层卷积层与高层的卷积层融合起来可以有效的提高特征的表达能力，减少特征在卷积过程中的损失，是本发明实施例的发明点之一。

2、引入基于注意力机制的双向长短时记忆网络(attention based long shortterm memory，LSMT)进行建模，通过双向模型可以提高模型对输入特征信息的提取性能，是本发明实施例的发明点之一。

3、将噪声信号作为一个类别进行训练还可以使得深度学习网络更准确度的刻画其它三个信号类别，是本说明书实例的发明点之一。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例的房颤检测模型的训练方法流程图；

图2为本发明一个实施例的U-net网络结构图；

图3为本发明一个实施了的基于注意力机制的双向LSTM模型结构示意图；

图4为本发明一个实施例的房颤检测方法流程图；

图5为本发明一个实施例的房颤检测装置示意图；

图6示出了本发明一个实施例的房颤检测模型的训练装置示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明一个实施例的房颤检测模型的训练方法流程图；如图所示，该训练方法包括以下步骤：

S110，对设定时长的多个历史PPG信号分别进行采样，每个所述历史PPG信号得到两路分别包含设定数量采样数据点的数据序列，其中，每个所述历史PPG信号包括红外和红光两路信号，每个所述历史PPG信号的属性类别已预先标记，所述属性类别包括正常律动、房颤和其它律动。

一种实现方式中，通过滑动窗口的方法，将原始带标记的历史PPG信号采样成若干设定长度的信号，例如，信号时长设定为32s。在具体实现时，还可以通过增加随机噪声的方法，增加属性类别为噪声的信号，以提高后续训练模型的鲁棒性。

一种实现方式中，在步骤S110之前还包括：

对历史PPG信号进行降噪处理，具体地，可以采用带通滤波器对历史PPG信号进行降噪处理以消除基线漂移和部分噪声。

在具体实现时，可以采用kaise(凯斯)FIR(Finite Impulse Response，有限长单位冲激响应)带通滤波器。一个实例中，可以采用matlab工具箱按照以下参数设置即可生成滤波器，具体参数如下：

频率参数[Fstop1 Fpass1 Fpass2 Fstop2]＝[0.1 0.5 8 10]；

幅值参数[Astop1 Apass Astop2]＝[30 0.01 30]；

其中，Fpass1和Fpass2是通带的截止频率；Fstop1和Fstop2是阻带的截止频率。Astop1是指截止频率Fstop1的幅值衰减；Astop2是指截止频率Fstop2的幅值衰减；Apass是通带范围内的幅值衰减，也称为通带波动。通过该滤波器进行信号卷积即可获得去噪后的PPG信号。

kaise FIR带通滤波器为本说明书实例中的一种示例方法，本说明书中不限定去噪环节采用kaise FIR带通滤波器，其它任何可以用于PPG信号去噪的滤波器均可以采用。

S120，基于CNN网络对每个所述历史PPG信号对应的两路数据序列分别进行特征提取，得到每个所述历史PPG信号对应的特征向量。

一种实现方式中，所述CNN网络可以采用U-net网络，所述基于CNN网络对每个所述历史PPG信号对应的两路数据序列分别进行特征提取，得到每个所述历史PPG信号对应的特征向量包括：

采用卷积和池化对每个所述历史PPG信号对应的两路数据序列形成的第一输入图像进行下采样，得到所述第一输入图像的第一下采样特征向量；

采用反卷积对所述第一输入图像进行上采样，得到所述第一输入图像的第一上采样特征向量；

将所述第一上采样特征向量和所述第一下采样特征向量通过叠加的方式进行组合，得到每个所述历史PPG信号对应的多个特征向量；

对每个所述历史PPG信号对应的多个特征向量通过卷积的方式进行压缩，得到T维特征向量，其中T为正整数。

在具体实现时，在下采样的过程中逐步增加通道数以避免信息过度损失，在上采样的过程中利用卷积逐步减少通道数。

图2为本发明一个实施例的U-net网络结构图；如图2所示，CNN网络采用U-net网络，本实施例中的卷积均采用的是3x3的卷积滤波器，非线性激活函数采用Relu(RectifiedLinear Unit，线性整流函数)函数。图2中U-net网络结构图中的数字为本实施例中特征层的数量。向下的箭头表示下采样(本实例中采用max-pooling(最大池化)的方法)；向上的箭头表示采用2x2的反卷积。

本实施例中U-Net先利用卷积和池化对输入图像作下采样，在下采样过程中逐渐增加通道数以避免信息过度损失；而后再利用反卷积(转置卷积)对图像进行上采样，将上采样得到的特征向量与浅层特征向量(即下采样的特征向量)组合。在上采样的间隔中，利用卷积逐步减少通道数。与FCN采用的逐像素求和的方法不同，U-Net中浅层特征融合采用了叠加的方式将浅层特征与上采样特征向量直接组合，生成通道数为二者通道数之和的特征向量。

上述实施例的特征提取中将底层卷积层与高层的卷积层融合起来可以有效的提高特征的表达能力，减少特征在卷积过程中的损失。假设底层信号为1xM维向量，高层信号为1xN维向量，且M>N，M、N均为正整数，则组合后的信号为2xN维信号[1xN；1xN]。组合时由于两个信号长度不一致需要将底层信号进行裁切。目前传统方法裁切掉的信号往往占信号长度的50％左右，因此底层特征在裁切过程中会损失掉很多信息。鉴于此本发明实例中提出了一种对称U-Net，该网络模型中底层特征与顶层特征融合时不需要进行裁剪，极大程度的保留了来自底层的特征。例如U-左上角net输入信号长度为1x400，通过两层卷积以及网络padding(填充)后输出信号长度仍然为1x400，其对应高层特征信号长度同样也为1x400，这样可以直接将底层的400维信号与高层的400维信号直接进行组合。此对称结构的U-net网络也是本发明实施例的一个发明点。

在本实施例中U-Net的次顶层卷积网络输出为64个特征向量，通过1x1的卷积之后，特征向量被压缩成T维特征向量。这T维特征向量作为后续级联的LSTM模型的输入。本发明一个实施例中采用T为128，即U-Net提取128维特征送入LSTM中。相应的本发明实例同样不对U-Net的输出特征进行限定，应用中也可以采用其它维数的特征。

此外，本发明实例中的CNN网络还可采用AlexNet、GoogleNet或ResNet等任何一种卷积神经网络。

S130，基于多个所述历史PPG信号的特征向量及其对应的属性类别生成训练样本集。

一种实现方式中，可以采用随机混淆的方法将训练样本随机打乱，以提高后续训练模型对房颤规律的拟合精度。

S140，基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联。

一种实现方式中，所采用的机器学习算法是基于注意力机制的LSTM。在具体实现时，可以通过LSTM对CNN网络提取的序列特征进行建模，通过两层的LSTM以及注意力机制完成对序列特征的分类任务。

图3为本发明一个实施了的基于注意力机制的双向LSTM模型结构示意图；在本模型中Encoder(编码)由一个双向的LSTM单元组成，Encoder与注意力单元构成网络的一层。如图3所示，这样的层在模型中共有两层。第二层的输出序列通过一个Softmax单元生成目标类别为4的目标序列，分别代表正常律动，房颤、其它律动和噪声四种类别。

注意力机制最早被运用于图像识别问题中，而后被运用于基于RNN网络的机器翻译问题。在基于注意力机制的LSTM模型中，输出序列的条件概率可以被表示为：

p(y_i|y₁，…，y_i-1，x)＝g(y_i-1，s_i，c_i)，，

其中s_i是LSTM的隐藏状态，可以表示为s_i＝f(s_i-1，s_i，c_i)，i为正整数。语境向量(context vector)c_i中的每一个元素是由Encoder的输出序列加权之和：

上式中，h_j表示Encoder输出序列中的第j个元素，a_i,j表示权重，α是一个二维矩阵，其中第i个行向量代表由向量h到第i个输出的注意力权重。

a_i,j是由一个softmax计算得到：

其中

其中，Tx是输出序列元素的个数，k为介于1至Tx间的整数；v_a是权重系数，W_a和U_a为权重矩阵，其具体数值可以通过训练得到。

训练模型时使用Softmax损失函数作为目标函数：

其中，M为训练过程中存储中同时训练的样本的数量，f(m)为当前样本识别正确的后验概率。L为计算得到的代价函数，根据L即可对深度网络进行反向梯度传递和训练，模型优化时采用adam方法(一种基于一阶梯度来优化随机目标函数的算法)进行，学习速率可以设置为0.001。

训练时，通过滑动窗口和增加随机噪声的方法，将原始带标记的PPG信号采样成若干长度为400的信号，并用随机混淆的方法将训练样本随机打乱。样本主要被标记为三种，正常律动，房颤和其它律动样本。对于400维长度的信号内包含一个心脏房颤周期的信号都被标记为房颤样本。CNN与LSTM可以同时进行训练。

需要指出的是，PPG信号由于信噪比较低，采集过程中经常会受到运动、硬件设备调光以及工频干扰等造成信号污染严重，无法提取有效信息。这些无法被用于提取有效信息的PPG信号段被标记为噪声。将其单独作为一个分类的类别可以将其从其它三个类别中剥离。在实际应用过程中，有时需要算法系统能够检测并将这些信号去掉，留下质量较好的信号进行其它信息的提取，例如心率、血氧、血压计算等。将噪声信号作为一个类别进行训练还可以使得深度学习网络更准确度的刻画其它三个信号类别，此方法也是本发明实施例的一个发明点。

此外，在建模时也可以采用其它的单向LSTM、RNN等模型。

图4为本发明一个实施例的房颤检测方法流程图；如图所示，房颤检测方法包括以下步骤：

S410，对所获取的当前时刻之前设定时长的红外和红光两路PPG信号分别进行采样，得到两路分别包含设定数量采样数据点的数据序列。

一种实现方式中，在步骤S110之前还包括：

对所采集的PPG信号进行降噪处理。在具体实现时，对所采集的PPG信号进行降噪处理可采用带通滤波器对所采集的PPG信号进行降噪处理以消除基线漂移和部分噪声。

S420，基于CNN网络对两路所述数据序列进行特征提取，得到两路所述PPG信号对应的特征向量。

一种实现方式中，所述CNN网络可以采用U-net网络，所述基于CNN网络对两路所述数据序列进行特征提取，得到两路所述PPG信号对应的特征向量包括：

采用卷积和池化对两路所述数据序列形成的输入图像进行下采样，得到所述输入图像的下采样特征向量；

采用反卷积对所述输入图像进行上采样，得到所述输入图像的上采样特征向量；

将所述上采样特征向量和所述下采样特征向量通过叠加的方式进行组合，得到两路所述PPG信号对应的多个特征向量；

对所述多个特征向量通过卷积的方式进行压缩，得到T维特征向量，其中T为正整数。

在具体实现时，在下采样的过程中逐步增加通道数以避免信息过度损失，在上采样的过程中利用卷积逐步减少通道数。

S430，根据所述特征向量和预先设置的房颤检测模型得到两路所述PPG信号对应的属性类别，所述属性类别包括正常律动、房颤和其它律动，所述房颤检测模型用以使得PPG信号的特征向量与其对应的属性类别相关联。

一种实现方式中，所述房颤检测模型通过以下方式构建：

对设定时长的多个历史PPG信号分别进行采样，每个所述历史PPG信号得到两路分别包含设定数量采样数据点的数据序列，其中，每个所述历史PPG信号包括红外和红光两路信号，每个所述历史PPG信号的属性类别已预先标记，所述属性类别包括正常律动、房颤和其它律动；

对每个所述历史PPG信号对应的两路数据序列分别进行特征提取，得到每个所述历史PPG信号对应的特征向量；

基于多个所述历史PPG信号的特征向量及其对应的属性类别生成训练样本集；

基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联。

一种是实现方式中，所述机器学习算法为基于注意力机制的双向LSTM算法。

当所述机器学习算法为基于注意力机制的双向LSTM算法时，所述基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联包括：

通过双向LSTM单元和注意力单元构建双层堆叠的房颤检测模型；

利用所述训练样本集对所述房颤检测模型进行训练，所述房颤检测模型使得每个所述历史PPG信号的T维特征向量与其已标记的属性类别相关联。

一种实现方式中，上述房颤检测方法还包括以下步骤：

当检测到当前时刻之前的PPG信号对应的属性类别为房颤时，向用户报警信号。

与前述房颤检测方法的实施例相适应，图5为本发明一个实施例的房颤检测装置示意图；如图5所示，房颤检测装置500包括：

第一采样模块510，被配置为对所获取的当前时刻之前设定时长的红外和红光两路PPG信号分别进行采样，得到两路分别包含设定数量采样数据点的数据序列；

第一特征提取模块520，被配置为基于CNN网络对两路所述数据序列进行特征提取，得到两路所述PPG信号对应的特征向量；

分类模块530，被配置为根据所述特征向量和预先设置的房颤检测模型得到两路所述PPG信号对应的属性类别，所述属性类别包括正常律动、房颤和其它律动，所述房颤检测模型用以使得PPG信号的特征向量与其对应的属性类别相关联。

与前述的房颤检测模型的训练方法实施例相适应，图6示出了本发明一个实施例的房颤检测模型的训练装置示意图。如图所示，房颤检测模型的训练装置600包括：

第二采样模块610，被配置为对设定时长的多个历史PPG信号分别进行采样，每个所述历史PPG信号得到两路分别包含设定数量采样数据点的数据序列，其中，每个所述历史PPG信号包括红外和红光两路信号，每个所述历史PPG信号的属性类别已预先标记，所述属性类别包括正常律动、房颤和其它律动；

第二特征提取模块620，被配置为对每个所述历史PPG信号对应的两路数据序列分别进行特征提取，得到每个所述历史PPG信号对应的特征向量；

训练样本集生成模块630，被配置为基于多个所述历史PPG信号的特征向量及其对应的属性类别生成训练样本集；

模型训练模块640，被配置为基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联。

综上所述，本说明书实施例实现了以下有益效果：

本说明书实施例基于CNN-LSTM对房颤进行检测预警，其中一个实施例中卷积神经网络采用的是U-Net，而非传统的CNN网络。因为PPG信号信噪比较低，在进入CNN网络前进行降噪可以去除直线漂移和一部分噪声，缓解设备调光引起的信号幅度变化，但无法达到理想的效果，即传统方法降噪后的PPG信号仍然包含了大量的噪声。目前常用的AlexNet，GoolgeNet以及resNet等典型CNN直接在降噪后的PPG信号上提取特征，其网络性能也会受较大的影响。噪声会使得模式特征的类间距离变小，造成网络性能变差，而U-Net通过卷积下采样和上采样在提取特征的同时，也实现了信号的去噪和重建过程，因此提取的特征更加鲁棒。

在提取的特征上，本说明书实施例引入基于注意力机制的双向长短时记忆网络LSMT进行建模，一方面PPG信号是序列信号，房颤的检测与一段时间内的序列数据相关，另一方面采用双向LSTM可以融合时序和逆时序数据点之间的特征，因为房颤发生前后的信号序列之间都存在相关性，通过双向模型可以提高模型对输入特征信息的提取性能。LSTM网络在输入为较长时间序列时，其特征学习的能力会受到局限。Attention机制的实现是通过保留LSTM编码器对输入序列的中间输出结果，然后训练一个模型来对这些输入进行选择性的学习并且在模型输出时将输出序列与之进行关联。该方法虽然会增加模型的复杂度，但同时可以有效提高模型的准确度。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

最后应说明的是：以上实施例仅用以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，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (9)

1.一种房颤检测方法，其特征在于，包括以下步骤：

对所获取的当前时刻之前设定时长的红外和红光两路PPG信号分别进行采样，得到两路分别包含设定数量采样数据点的数据序列；

基于CNN网络对两路所述数据序列进行特征提取，得到两路所述PPG信号对应的特征向量；

根据所述特征向量和预先设置的房颤检测模型得到两路所述PPG信号对应的属性类别，所述属性类别包括正常律动、房颤和其它律动，所述房颤检测模型用以使得PPG信号的特征向量与其对应的属性类别相关联；

其中，所述房颤检测模型通过以下方式构建：

对设定时长的多个历史PPG信号分别进行采样，每个所述历史PPG信号得到两路分别包含设定数量采样数据点的数据序列，其中，每个所述历史PPG信号包括红外和红光两路信号，每个所述历史PPG信号的属性类别已预先标记，所述属性类别包括正常律动、房颤和其它律动；

对每个所述历史PPG信号对应的两路数据序列分别进行特征提取，得到每个所述历史PPG信号对应的特征向量；

基于多个所述历史PPG信号的特征向量及其对应的属性类别生成训练样本集；

基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联；

其中，所述机器学习算法是基于注意力机制的双向LSTM模型；相应的，

基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联，包括：

通过双向LSTM单元和注意力单元构建双层堆叠的房颤检测模型；

利用所述训练样本集对所述房颤检测模型进行训练，所述房颤检测模型使得每个所述历史PPG信号的T维特征向量与其已标记的属性类别相关联；

其中，所述基于注意力机制的双向LSTM模型中，编码Encoder由一个双向的LSTM单元组成，所述Encoder与注意力单元构成网络的一层，所述基于注意力机制的双向LSTM模型中共有两层由所述Encoder与注意力单元构成的网络，其中，第二层的输出序列通过一个Softmax单元生成目标类别为4的目标序列，分别代表正常律动、房颤、其他律动和噪声四种类别；

其中，在基于注意力机制的LSTM模型中，输出序列的条件概率表示为：

p(y_i|y₁，...，y_i-1，x)＝g(y_i-1，s_i，c_i)，

其中s_i是LSTM的隐藏状态，表示为s_i＝f(s_i-1，s_i，c_i)，i为正整数；x为输入信号序列，y_i为输出序列；

语境向量c_i中的每一个元素是由所述Encoder的输出序列加权之和：

其中，h_j表示所述Encoder输出序列中的第j个元素，a_i,j表示权重，α是一个二维矩阵，其中第i个行向量代表由向量h到第i个输出的注意力权重；

a_i,j是由一个softmax计算得到：

其中

其中，Tx是输出序列元素的个数，k为介于1至Tx间的整数；v_a是权重系数，W_a和U_a为权重矩阵，其具体数值可以通过训练得到；

训练模型时使用Softmax损失函数作为目标函数：

其中，M为训练过程中存储中同时训练的样本的数量，f(m)为当前样本识别正确的后验概率，m是函数f(m)的自变量，取值为从1至M；L为计算得到的代价函数，根据L对深度网络进行反向梯度传递和训练，模型优化时采用基于一阶梯度来优化随机目标函数的算法adam方法进行。

2.根据权利要求1所述的房颤检测方法，其特征在于，在所述对所获取的当前时刻之前设定时长的红外和红光两路PPG信号分别进行采样，得到两路分别包含设定数量采样数据点的数据序列之前还包括：

对所采集的PPG信号进行降噪处理。

3.根据权利要求1-2中任一项所述的房颤检测方法，其特征在于，所述对所采集的PPG信号进行降噪处理包括：

采用带通滤波器对所采集的PPG信号进行降噪处理以消除基线漂移和部分噪声。

4.根据权利要求1所述的房颤检测方法，其特征在于，所述CNN网络采用U-net网络，所述基于CNN网络对两路所述数据序列进行特征提取，得到两路所述PPG信号对应的特征向量包括：

采用卷积和池化对两路所述数据序列形成的输入图像进行下采样，得到所述输入图像的下采样特征向量；

采用反卷积对所述输入图像进行上采样，得到所述输入图像的上采样特征向量；

将所述上采样特征向量和所述下采样特征向量通过叠加的方式进行组合，得到两路所述PPG信号对应的多个特征向量；

对所述多个特征向量通过卷积的方式进行压缩，得到T维特征向量，其中T为正整数。

5.一种房颤检测模型的训练方法，其特征在于，包括以下步骤：

对设定时长的多个历史PPG信号分别进行采样，每个所述历史PPG信号得到两路分别包含设定数量采样数据点的数据序列，其中，每个所述历史PPG信号包括红外和红光两路信号，每个所述历史PPG信号的属性类别已预先标记，所述属性类别包括正常律动、房颤和其它律动；

对每个所述历史PPG信号对应的两路数据序列分别进行特征提取，得到每个所述历史PPG信号对应的特征向量；

基于多个所述历史PPG信号的特征向量及其对应的属性类别生成训练样本集；

基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联；

其中，所述机器学习算法是基于注意力机制的双向LSTM模型；相应的，

基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联，包括：

通过双向LSTM单元和注意力单元构建双层堆叠的房颤检测模型；

利用所述训练样本集对所述房颤检测模型进行训练，所述房颤检测模型使得每个所述历史PPG信号的T维特征向量与其已标记的属性类别相关联；

其中，所述基于注意力机制的双向LSTM模型中，编码Encoder由一个双向的LSTM单元组成，所述Encoder与注意力单元构成网络的一层，所述基于注意力机制的双向LSTM模型中共有两层由所述Encoder与注意力单元构成的网络，其中，第二层的输出序列通过一个Softmax单元生成目标类别为4的目标序列，分别代表正常律动、房颤、其他律动和噪声四种类别；

其中，在基于注意力机制的LSTM模型中，输出序列的条件概率表示为：

p(y_i|y₁，...，y_i-1，x)＝g(y_i-1，s_i，c_i)，

其中s_i是LSTM的隐藏状态，表示为s_i＝f(s_i-1，s_i，c_i)，i为正整数；x为输入信号序列，y_i为输出序列；

语境向量c_i中的每一个元素是由所述Encoder的输出序列加权之和：

其中，h_j表示所述Encoder输出序列中的第j个元素，a_i,j表示权重，α是一个二维矩阵，其中第i个行向量代表由向量h到第i个输出的注意力权重；

a_i,j是由一个softmax计算得到：

其中

其中，Tx是输出序列元素的个数，k为介于1至Tx间的整数；v_a是权重系数，W_a和U_a为权重矩阵，其具体数值可以通过训练得到；

训练模型时使用Softmax损失函数作为目标函数：

其中，M为训练过程中存储中同时训练的样本的数量，f(m)为当前样本识别正确的后验概率，m是函数f(m)的自变量，取值为从1至M；L为计算得到的代价函数，根据L对深度网络进行反向梯度传递和训练，模型优化时采用基于一阶梯度来优化随机目标函数的算法adam方法进行。

6.根据权利要求5所述的训练方法，其特征在于，在所述对设定时长的多个历史PPG信号分别进行采样，每个所述历史PPG信号得到两路分别包含设定数量采样数据点的数据序列之前还包括：

对历史PPG信号进行降噪处理。

7.根据权利要求6所述的训练方法，其特征在于，所述对历史PPG信号进行降噪处理包括：

采用带通滤波器对历史PPG信号进行降噪处理以消除基线漂移和部分噪声。

8.一种房颤检测装置，其特征在于，包括：

第一采样模块，被配置为对所获取的当前时刻之前设定时长的红外和红光两路PPG信号分别进行采样，得到两路分别包含设定数量采样数据点的数据序列；

特征提取模块，被配置为基于CNN网络对两路所述数据序列进行特征提取，得到两路所述PPG信号对应的特征向量；

分类模块，被配置为根据所述特征向量和预先设置的房颤检测模型得到两路所述PPG信号对应的属性类别，所述属性类别包括正常律动、房颤和其它律动，所述房颤检测模型用以使得PPG信号的特征向量与其对应的属性类别相关联；

其中，所述房颤检测模型通过以下方式构建：

对设定时长的多个历史PPG信号分别进行采样，每个所述历史PPG信号得到两路分别包含设定数量采样数据点的数据序列，其中，每个所述历史PPG信号包括红外和红光两路信号，每个所述历史PPG信号的属性类别已预先标记，所述属性类别包括正常律动、房颤和其它律动；

对每个所述历史PPG信号对应的两路数据序列分别进行特征提取，得到每个所述历史PPG信号对应的特征向量；

基于多个所述历史PPG信号的特征向量及其对应的属性类别生成训练样本集；

基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联；

其中，所述机器学习算法是基于注意力机制的双向LSTM模型；相应的，

基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联，包括：

通过双向LSTM单元和注意力单元构建双层堆叠的房颤检测模型；

利用所述训练样本集对所述房颤检测模型进行训练，所述房颤检测模型使得每个所述历史PPG信号的T维特征向量与其已标记的属性类别相关联；

其中，所述基于注意力机制的双向LSTM模型中，编码Encoder由一个双向的LSTM单元组成，所述Encoder与注意力单元构成网络的一层，所述基于注意力机制的双向LSTM模型中共有两层由所述Encoder与注意力单元构成的网络，其中，第二层的输出序列通过一个Softmax单元生成目标类别为4的目标序列，分别代表正常律动、房颤、其他律动和噪声四种类别；

其中，在基于注意力机制的LSTM模型中，输出序列的条件概率表示为：

p(y_i|y₁，...，y_i-1，x)＝g(y_i-1，s_i，c_i)，

其中s_i是LSTM的隐藏状态，表示为s_i＝f(s_i-1，s_i，c_i)，i为正整数；x为输入信号序列，y_i为输出序列；

语境向量c_i中的每一个元素是由所述Encoder的输出序列加权之和：

其中，h_j表示所述Encoder输出序列中的第j个元素，a_i,j表示权重，α是一个二维矩阵，其中第i个行向量代表由向量h到第i个输出的注意力权重；

a_i,j是由一个softmax计算得到：

其中

其中，Tx是输出序列元素的个数，k为介于1至Tx间的整数；v_a是权重系数，W_a和U_a为权重矩阵，其具体数值可以通过训练得到；

训练模型时使用Softmax损失函数作为目标函数：

其中，M为训练过程中存储中同时训练的样本的数量，f(m)为当前样本识别正确的后验概率，m是函数f(m)的自变量，取值为从1至M；L为计算得到的代价函数，根据L对深度网络进行反向梯度传递和训练，模型优化时采用基于一阶梯度来优化随机目标函数的算法adam方法进行。

9.一种房颤检测模型的训练装置，其特征在于，包括：

第二采样模块，被配置为对设定时长的多个历史PPG信号分别进行采样，每个所述历史PPG信号得到两路分别包含设定数量采样数据点的数据序列，其中，每个所述历史PPG信号包括红外和红光两路信号，每个所述历史PPG信号的属性类别已预先标记，所述属性类别包括正常律动、房颤和其它律动；

第二特征提取模块，被配置为对每个所述历史PPG信号对应的两路数据序列分别进行特征提取，得到每个所述历史PPG信号对应的特征向量；

训练样本集生成模块，被配置为基于多个所述历史PPG信号的特征向量及其对应的属性类别生成训练样本集；

模型训练模块，被配置为基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联；

其中，所述机器学习算法是基于注意力机制的双向LSTM模型；相应的，

基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联，包括：

通过双向LSTM单元和注意力单元构建双层堆叠的房颤检测模型；

利用所述训练样本集对所述房颤检测模型进行训练，所述房颤检测模型使得每个所述历史PPG信号的T维特征向量与其已标记的属性类别相关联；

其中，所述基于注意力机制的双向LSTM模型中，编码Encoder由一个双向的LSTM单元组成，所述Encoder与注意力单元构成网络的一层，所述基于注意力机制的双向LSTM模型中共有两层由所述Encoder与注意力单元构成的网络，其中，第二层的输出序列通过一个Softmax单元生成目标类别为4的目标序列，分别代表正常律动、房颤、其他律动和噪声四种类别；

其中，在基于注意力机制的LSTM模型中，输出序列的条件概率表示为：

p(y_i|y₁，...，y_i-1，x)＝g(y_i-1，s_i，c_i)，

其中s_i是LSTM的隐藏状态，表示为s_i＝f(s_i-1，s_i，c_i)，i为正整数；x为输入信号序列，y_i为输出序列；

语境向量c_i中的每一个元素是由所述Encoder的输出序列加权之和：

其中，h_j表示所述Encoder输出序列中的第j个元素，a_i,j表示权重，α是一个二维矩阵，其中第i个行向量代表由向量h到第i个输出的注意力权重；

a_i,j是由一个softmax计算得到：

其中

其中，Tx是输出序列元素的个数，k为介于1至Tx间的整数；v_a是权重系数，W_a和U_a为权重矩阵，其具体数值可以通过训练得到；

训练模型时使用Softmax损失函数作为目标函数：

其中，M为训练过程中存储中同时训练的样本的数量，f(m)为当前样本识别正确的后验概率，m是函数f(m)的自变量，取值为从1至M；L为计算得到的代价函数，根据L对深度网络进行反向梯度传递和训练，模型优化时采用基于一阶梯度来优化随机目标函数的算法adam方法进行。

Images