CN110547792B - 房颤的检测方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明公开了房颤的检测方法、装置、计算机设备及存储介质，属于医疗数据分析领域。本发明通过对待检测心电信号进行预处理获取周期特征值数组，将周期特征值数组输入分类模型，采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，从而记忆之前心跳的特点，获取待检测心电信号的分类结果，以便于从正常波形中区分出异常波形，提高了房颤检测的准确率。

Description

房颤的检测方法、装置、计算机设备及存储介质

技术领域

本发明涉及医疗数据分析领域，尤其涉及一种房颤的检测方法、装置、计算机设备及存储介质。

背景技术

心房颤动(简称：房颤，AF)如图1所示是最常见的持续性心律失常疾病，在人群中的发生率为1％-2％，随着年龄增长房颤的发生率不断增加，75岁以上人群可达10％，房颤与脑卒中，心力衰竭，冠状动脉疾病等恶性事件发作高度相关。房颤不仅威胁到人的生命，还严重影响到生活质量，尽管房颤问题很严重，但因为其偶发性，给检测带来了很大的困扰。

从生理角度来看，房颤检测通过结合每博心脏周期的心房活动和心室反应来提升检测性能。现有的检测方法主要包括三种方式，一种是RR区间马尔科夫建模结合PR区间变异性和P波形态相似性度量；一种是结合RR区间不规则形、P波缺失、f波出现的模糊逻辑分类方法；另一种是基于机器学习的多变量方法结合上述心电波特征也可以提供增强的AF检测。

然而，上述的三种房颤检测方式，普遍采用人工知识提取特征值结合人工智能和机器学习技术进行分类，检测的准确性相对较差。

发明内容

针对现有的房颤检测准确差的问题，现提供一种可提升房颤检测准确的房颤的检测方法、装置、计算机设备及存储介质。

为实现上述目的，本发明提供一种房颤的检测方法，包括下述步骤：

S1.采用训练数据对神经网络进行训练获取分类模型；

S2.对待检测心电信号进行预处理获取周期特征值数组，根据时间节点将所述周期特征值数组分为多组周期特征值，每一组周期特征值对应一时间节点；

S3.将所述周期特征值数组输入所述分类模型，所述分类模型采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果。

优选的，所述每一组周期特征值包括：

P波的持续时间、QRS复合波的持续时间、T波的持续时间、P波的振幅、QRS复合波的振幅、T波的振幅、RR波的间隔距离、RR波的间隔时间差、P波的纵剖面面积。

优选的，所述神经网络包括多层感知器、分类器、全连接层和四个隐含层；所述四个隐含层分别为：第一长短期记忆网络层、第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层。

优选的，所述训练数据包括多个时间节点和多组周期特征值，每一时间节点对应一组周期特征值；

所述步骤S1采用训练数据对神经网络进行训练获取分类模型，包括：

将所述训练数据输入至所述多层感知器，所述多层感知器将所述训练数据转换为多维的时间节点对应的多维特征值数据并输入至第一长短期记忆网络层进行训练，将训练后的序列分别输入至第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层三层，经所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的时间平均值并与时间维度相除，将所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的最大值并与时间维度相除，第三长短期记忆网络层提取上一时间节点对应的维特征值序列的预测结果，将第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层的输出结果发送至全连接层及分类器进行计算输出分类概率，并调整所述神经网络中的训练参数，直至所述神经网络的学习率达到预设条件，获取分类模型。

优选的，所述预设条件为学习率达在至少3轮的验证没有减低，所述验证为采用验证集对所述神经网络的分类结果进行验证。

优选的，所述步骤S2，对待检测心电信号进行预处理获取周期特征值数组，包括：

根据每次心动周期将所述待检测心电信号拆分为多组周期特征值。

优选的，所述步骤S3，将所述周期特征值数组输入所述分类模型，所述分类模型采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果，包括：

将所述周期特征值数组输入所述分类模型，所述分类模型在隐含层采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果。

为实现上述目的，本发明提供了一种房颤的检测装置，包括：

训练单元，用于采用训练数据对神经网络进行训练获取分类模型；

预处理单元，用于对待检测心电信号进行预处理获取周期特征值数组，根据时间节点将所述周期特征值数组分为多组周期特征值，每一组周期特征值对应一时间节点；

分类单元，用于将所述周期特征值数组输入所述分类模型，所述分类模型采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果。

为实现上述目的，本发明提供一种计算机设备，所述计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

为实现上述目的，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

为实现上述目的，本发明提供一种计算机设备，所述计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

为实现上述目的，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明通过对待检测心电信号进行预处理获取周期特征值数组，将周期特征值数组输入分类模型，采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，从而记忆之前心跳的特点，获取待检测心电信号的分类结果，以便于从正常波形中区分出异常波形，提高了房颤检测的准确率。

附图说明

图1为房颤波形图；

图2为本发明所述的房颤的检测的一种实施例的方法流程图；

图3为神经网络结构示意图；

图4为心电信号波形图；

图5为本发明所述的房颤的检测装置的一种实施例的模块图；

图6为本发明所述的计算机设备一实施例的硬件架构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本发明的房颤的检测方法、装置、计算机设备及存储介质，主要适用于医疗、保健等领域，提供了一种可记忆心跳提高房颤检测准确率的房颤的检测方法。本发明通过对待检测心电信号进行预处理获取周期特征值数组，将周期特征值数组输入分类模型，采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，从而记忆之前心跳的特点，获取待检测心电信号的分类结果，以便于从正常波形中区分出异常波形，提高了房颤检测的准确率。

实施例一：

请参阅图2，本实施例的一种房颤的检测方法，包括下述步骤：

S1.采用训练数据对神经网络进行训练获取分类模型；

在本步骤中，如图3所示，所述神经网络包括多层感知器、分类器、全连接层和四个隐含层；所述四个隐含层分别为：第一长短期记忆网络层、第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层。

所述训练数据包括多个时间节点和多组周期特征值，每一时间节点对应一组周期特征值。

所述步骤S1采用训练数据对神经网络进行训练获取分类模型具体包括：

将所述训练数据输入至所述多层感知器，所述多层感知器将所述训练数据转换为多维的时间节点对应的多维特征值数据并输入至第一长短期记忆网络层进行训练，将训练后的序列分别输入至第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层三层，经所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的时间平均值并与时间维度相除，将所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的最大值并与时间维度相除，第三长短期记忆网络层提取上一时间节点对应的维特征值序列的预测结果，将第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层的输出结果发送至全连接层及分类器进行计算输出分类概率，并调整所述神经网络中的训练参数，直至所述神经网络的学习率达到预设条件，获取分类模型。

其中，所述预设条件为学习率达在至少3轮的验证没有减低，所述验证为采用验证集对所述神经网络的分类结果进行验证。

在实际应用中，可使用15％的训练数据作为验证集测试神经网络的性能。当验证集的损失函数不再改变时，可降低学习率，为了避免过拟合，使用提前停止。学习率初始化为0.001，当验证集的损失函数在至少3轮全验证，当验证集没有降低时，学习率降低

倍，当验证集的损失函数在15轮全验证集没有降低时，结束训练过程。

需要说明的是，神经网络可采用RNN(Recurrent Neural Network，循环神经网络)。训练数据中的每组周期特征值均包括：P波的持续时间、QRS复合波的持续时间、T波的持续时间、P波的振幅、QRS复合波的振幅、T波的振幅、RR波的间隔距离、RR波的间隔时间差、P波的纵剖面面积。参考图4所示，图中展示了P波、T波、QRS复合波。

作为举例而非限定，在对神经网络进行训练时首先使用多层感知器(MLP)对周期特征值进行预处理，将数据转换为长短期记忆网络(LSTM)时序节点需要的输出，MLP的隐藏单元数为256，输出空间的维度为128(即LSTM的输入单元数据的维度)；第一长短期记忆网络层(LSTM_0)对经过MLP处理后的序列数据再进行一次LSTM的训练，接下来将LSTM_0的输出结果经过3层第二长短期记忆网络层(LSTM_1)、第三长短期记忆网络层(LSTM_2)和第四长短期记忆网络层(LSTM_3)处理，LSTM_1和LSTM_3池化层分别经过计算各序列的时间均值和最大值来去除时间维度，LSTM_2取上一时间节点的预测结果，所有LSTM输出空间的维度都是128。使用3层LSTM预测结果的均值有助于减少由随机初始化RNN分类器权重和随机分割测试集和验证集带来的误差。将上述3层LSTM的输出结果经过全连接层及分类器(Softmax)，输出分类概率。使用交叉熵作为损失函数，使用Adam优化器进行优化。

S2.对待检测心电信号进行预处理获取周期特征值数组，根据时间节点将所述周期特征值数组分为多组周期特征值，每一组周期特征值对应一时间节点；

需要说明的是：对于每一个周期而言，每一组周期特征值对应的可以是该周期的起始时间节点，也可该周期的结束时间节点，还可以是该周期的任意时间节点，此处不做限定。

具体地，根据每次心动周期将所述待检测心电信号拆分为多组周期特征值。

由于从整体心电波形提取全局特征值不利于区分正常心电信号和房颤信号。例如：发生了首次心房搏动的ECG(全称：electrocardiogram，心电图)波形，如果只提取全局特征，很难从正常波形中区分出这种异常波形。因此，在本步骤中采用从每次心动周期中提取ECG特征值(即一组周期特征值)，以便于从正常波形中区分出异常波形，提高了房颤检测的准确率。

S3.将所述周期特征值数组输入所述分类模型，所述分类模型采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果。

在本步骤中，将所述周期特征值数组输入所述分类模型，所述分类模型在隐含层采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果。

其中，所述每一组周期特征值包括：P波的持续时间、QRS复合波的持续时间、T波的持续时间、P波的振幅、QRS复合波的振幅、T波的振幅、RR波的间隔距离、RR波的间隔时间差、P波的纵剖面面积。

需要要说明的是：分类模型的结构与神经网络相同，分类模型包括多层感知器、分类器、全连接层和四个隐含层；其中，所述四个隐含层分别为：第一长短期记忆网络层、第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层。将所述周期特征值数组输入所述分类模型对心电信号进行检测的具体过程为：

将周期特征值数组输入至所述多层感知器，所述多层感知器将周期特征值数组转换为多维的时间节点对应的多维特征值数据并输入至第一长短期记忆网络层进行训练，将训练后的序列分别输入至第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层三层，经所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的时间平均值并与时间维度相除，将所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的最大值并与时间维度相除，第三长短期记忆网络层提取上一时间节点对应的维特征值序列的预测结果，将第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层的输出结果发送至全连接层及分类器进行计算输出分类概率，根据该分类概率判断心电信号是否房颤，若分类概率大于0.5，则表示心电信号中出现房颤；反之，则表示心电信号为正常心电信号。

作为举例而非限定：采用多层感知器(MLP)对周期特征值进行预处理，将数据转换为长短期记忆网络(LSTM)时序节点需要的输出，MLP的隐藏单元数为256，输出空间的维度为128(即LSTM的输入单元数据的维度)；第一长短期记忆网络层(LSTM_0)对经过MLP处理后的序列数据再进行一次LSTM的训练，接下来将LSTM_0的输出结果经过3层第二长短期记忆网络层(LSTM_1)、第三长短期记忆网络层(LSTM_2)和第四长短期记忆网络层(LSTM_3)处理，LSTM_1和LSTM_3池化层分别经过计算各序列的时间均值和最大值来去除时间维度，LSTM_2取上一时间节点的预测结果，所有LSTM输出空间的维度都是128。使用3层LSTM预测结果的均值有助于减少由随机初始化RNN分类器权重和随机分割测试集和验证集带来的误差。将上述3层LSTM的输出结果经过全连接层及分类器(Softmax)，输出分类概率。

在本步骤中，RR区间是心电图中最明显的幅值特征R波衍生而来，R波的检测对噪声的抵抗能力较其他波要强的多，所以充分利用房颤的RR节律不规则形性结合LSTM(LongShort-Term Memory，长短期记忆网络)循环神经网络，能有效识别房颤这种周期性节律发生变化的异常心率波形。RNN的每一次隐含层的计算结果都与当前输入以及上一次的隐含层结果相关。通过这种方法使RNN的计算结果便具备了记忆之前几次心跳的特点，尤其试用于房颤的检测。对心电波形按照每个心动周期来提取特征值，有效提升了房颤分类的准确度，而叠加的LSTM模型的有助于减少由随机初始化RNN分类器权重和随机分割测试集和验证集带来的误差，预测分类性能更稳定，准确率更高。并且，这种集成的房颤识别模型可集成到心电自动检测系统中，为房颤的诊断、筛查等提供技术支持。

在本实施例中，通过对待检测心电信号进行预处理获取周期特征值数组，将周期特征值数组输入分类模型，采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，从而记忆之前心跳的特点，获取待检测心电信号的分类结果，以便于从正常波形中区分出异常波形，提高了房颤检测的准确率。

实施例二：

如图5所示，本发明还提供给了一种房颤的检测装置1，包括：训练单元11、预处理单元12和分类单元13，其中：

训练单元11，用于采用训练数据对神经网络进行训练获取分类模型；

在本步骤中，所述神经网络包括多层感知器、分类器、全连接层和四个隐含层；所述四个隐含层分别为：第一长短期记忆网络层、第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层。

所述训练数据包括多个时间节点和多组周期特征值，每一时间节点对应一组周期特征值。

将所述训练数据输入至所述多层感知器，所述多层感知器将所述训练数据转换为多维的时间节点对应的多维特征值数据并输入至第一长短期记忆网络层进行训练，将训练后的序列分别输入至第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层三层，经所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的时间平均值并与时间维度相除，将所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的最大值并与时间维度相除，第三长短期记忆网络层提取上一时间节点对应的维特征值序列的预测结果，将第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层的输出结果发送至全连接层及分离器进行计算输出分类概率，并调整所述神经网络中的训练参数，直至所述神经网络的学习率达到预设条件，获取分类模型。

其中，所述预设条件为学习率达在至少3轮的验证没有减低，所述验证为采用验证集对所述神经网络的分类结果进行验证。

在实际应用中，可使用15％的训练数据作为验证集测试神经网络的性能。当验证集的损失函数不再改变时，可降低学习率，为了避免过拟合，使用提前停止。学习率初始化为0.001，当验证集的损失函数在至少3轮全验证，当验证集没有降低时，学习率降低

倍，当验证集的损失函数在15轮全验证集没有降低时，结束训练过程。

需要说明的是，神经网络可采用RNN(Recurrent Neural Network，循环神经网络)。训练数据中的每组周期特征值均包括：P波的持续时间、QRS复合波的持续时间、T波的持续时间、P波的振幅、QRS复合波的振幅、T波的振幅、RR波的间隔距离、RR波的间隔时间差、P波的纵剖面面积。

预处理单元12，用于对待检测心电信号进行预处理获取周期特征值数组，根据时间节点将所述周期特征值数组分为多组周期特征值，每一组周期特征值对应一时间节点；

具体地，根据每次心动周期将所述待检测心电信号拆分为多组周期特征值。

由于从整体心电波形提取全局特征值不利于区分正常心电信号和房颤信号。例如：发生了首次心房搏动的ECG(全称：electrocardiogram，心电图)波形，如果只提取全局特征，很难从正常波形中区分出这种异常波形。因此，在本步骤中采用从每次心动周期中提取ECG特征值(即一组周期特征值)，以便于从正常波形中区分出异常波形，提高了房颤检测的准确率。

分类单元13，用于将所述周期特征值数组输入所述分类模型，所述分类模型采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果。

在本步骤中，将所述周期特征值数组输入所述分类模型，所述分类模型在隐含层采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果。

需要要说明的是：分类模型的结构与神经网络相同，分类模型包括多层感知器、分类器、全连接层和四个隐含层；其中，所述四个隐含层分别为：第一长短期记忆网络层、第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层。将所述周期特征值数组输入所述分类模型对心电信号进行检测的具体过程为：

将周期特征值数组输入至所述多层感知器，所述多层感知器将周期特征值数组转换为多维的时间节点对应的多维特征值数据并输入至第一长短期记忆网络层进行训练，将训练后的序列分别输入至第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层三层，经所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的时间平均值并与时间维度相除，将所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的最大值并与时间维度相除，第三长短期记忆网络层提取上一时间节点对应的维特征值序列的预测结果，将第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层的输出结果发送至全连接层及分类器进行计算输出分类概率，根据该分类概率判断心电信号是否房颤，若分类概率大于0.5，则表示心电信号中出现房颤；反之，则表示心电信号为正常心电信号。

在本实施例中，通过对待检测心电信号进行预处理获取周期特征值数组，将周期特征值数组输入分类模型，采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，从而记忆之前心跳的特点，获取待检测心电信号的分类结果，以便于从正常波形中区分出异常波形，提高了房颤检测的准确率。

实施例三：

为实现上述目的，本发明还提供一种计算机设备2，该计算机设备2包括多个计算机设备2，实施例二的房颤的检测装置1的组成部分可分散于不同的计算机设备2中，计算机设备2可以是执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。本实施例的计算机设备2至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器23、网络接口22以及房颤的检测装置1(参考图6)。需要指出的是，图6仅示出了具有组件-的计算机设备2，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，所述存储器21至少包括一种类型的计算机可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备2的内部存储单元，例如该计算机设备2的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备2的外部存储设备，例如该计算机设备2上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器21还可以既包括计算机设备2的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备2的操作系统和各类应用软件，例如实施例一的房颤的检测方法的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器23在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器23通常用于控制计算机设备2的总体操作例如执行与所述计算机设备2进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器23用于运行所述存储器21中存储的程序代码或者处理数据，例如运行所述的房颤的检测装置1等。

所述网络接口22可包括无线网络接口或有线网络接口，该网络接口22通常用于在所述计算机设备2与其他计算机设备2之间建立通信连接。例如，所述网络接口22用于通过网络将所述计算机设备2与外部终端相连，在所述计算机设备2与外部终端之间的建立数据传输通道和通信连接等。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi等无线或有线网络。

需要指出的是，图6仅示出了具有部件21-23的计算机设备2，但是应理解的是，并不要求实施所有示出的部件，可以替代的实施更多或者更少的部件。

在本实施例中，存储于存储器21中的所述房颤的检测装置1还可以被分割为一个或者多个程序模块，所述一个或者多个程序模块被存储于存储器21中，并由一个或多个处理器(本实施例为处理器23)所执行，以完成本发明。

实施例四：

为实现上述目的，本发明还提供一种计算机可读存储介质，其包括多个存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器23执行时实现相应功能。本实施例的计算机可读存储介质用于存储房颤的检测装置1，被处理器23执行时实现实施例一的房颤的检测方法。

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。

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他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种房颤的检测装置，其特征在于，包括：

训练单元，用于采用训练数据对神经网络进行训练获取分类模型；

预处理单元，用于对待检测心电信号进行预处理获取周期特征值数组，根据时间节点将所述周期特征值数组分为多组周期特征值，每一组周期特征值对应一时间节点；

所述神经网络包括多层感知器、分类器、全连接层和四个隐含层；其中，所述四个隐含层分别为：第一长短期记忆网络层、第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层；

所述训练数据包括多个时间节点和多组周期特征值，每一时间节点对应一组周期特征值；

所述训练单元用于将所述训练数据输入至所述多层感知器，所述多层感知器将所述训练数据转换为多维的时间节点对应的多维特征值数据并输入至第一长短期记忆网络层进行训练，将训练后的序列分别输入至第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层三层，经所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的时间平均值并与时间维度相除，将所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的最大值并与时间维度相除，第三长短期记忆网络层提取上一时间节点对应的多维特征值序列的预测结果，将第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层的输出结果发送至全连接层及进行计算输出分类概率，并调整所述神经网络中的训练参数，直至所述神经网络的学习率达到预设条件，获取分类模型；

分类单元，用于将所述周期特征值数组输入所述分类模型，所述分类模型在隐含层采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果。

2.根据权利要求1所述的房颤的检测装置，其特征在于，所述每一组周期特征值包括：

P波的持续时间、QRS复合波的持续时间、T波的持续时间、P波的振幅、QRS复合波的振幅、T波的振幅、RR波的间隔距离、RR波的间隔时间差、P波的纵剖面面积。

3.根据权利要求1所述的房颤的检测装置，其特征在于，所述预设条件为学习率达在至少3轮的验证没有减低，所述验证为采用验证集对所述神经网络的分类结果进行验证。

4.根据权利要求1所述的房颤的检测装置，其特征在于，所述预处理单元用于根据每次心动周期将所述待检测心电信号拆分为多组周期特征值。

5.一种计算机设备，所述计算机设备，包括存储器、处理器和权利要求1至4任一项所述房颤的检测装置。

6.一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：所述计算机程序被处理器执行下述操作：采用训练数据对神经网络进行训练获取分类模型；

对待检测心电信号进行预处理获取周期特征值数组，根据时间节点将所述周期特征值数组分为多组周期特征值，每一组周期特征值对应一时间节点；

所述神经网络包括多层感知器、分类器、全连接层和四个隐含层；其中，所述四个隐含层分别为：第一长短期记忆网络层、第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层；

所述训练数据包括多个时间节点和多组周期特征值，每一时间节点对应一组周期特征值；

将所述训练数据输入至所述多层感知器，所述多层感知器将所述训练数据转换为多维的时间节点对应的多维特征值数据并输入至第一长短期记忆网络层进行训练，将训练后的序列分别输入至第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层三层，经所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的时间平均值并与时间维度相除，将所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的最大值并与时间维度相除，第三长短期记忆网络层提取上一时间节点对应的多维特征值序列的预测结果，将第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层的输出结果发送至全连接层及进行计算输出分类概率，并调整所述神经网络中的训练参数，直至所述神经网络的学习率达到预设条件，获取分类模型；

将所述周期特征值数组输入所述分类模型，所述分类模型在隐含层采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果。

Images