CN111612042A - 左前分支传导阻滞的检测装置、存储介质及终端 - Google Patents

左前分支传导阻滞的检测装置、存储介质及终端 Download PDF

Info

Publication number
CN111612042A
CN111612042A CN202010341626.4A CN202010341626A CN111612042A CN 111612042 A CN111612042 A CN 111612042A CN 202010341626 A CN202010341626 A CN 202010341626A CN 111612042 A CN111612042 A CN 111612042A
Authority
CN
China
Prior art keywords
classification result
signal
module
left front
front branch
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
Application number
CN202010341626.4A
Other languages
English (en)
Other versions
CN111612042B (zh
Inventor
胡静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority to CN202010341626.4A priority Critical patent/CN111612042B/zh
Publication of CN111612042A publication Critical patent/CN111612042A/zh
Application granted granted Critical
Publication of CN111612042B publication Critical patent/CN111612042B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本申请实施例公开了一种左前分支传导阻滞的检测装置、存储介质及终端，属于计算机技术领域。所述装置包括预处理模块、处理模块、分类模块和确定模块：预处理模块用于对心电信号进行预处理得到第一信号，处理模块用于基于多导联和多尺寸的Bi‑LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果，分类模块用于在所述第一分类结果表示左前分支传导阻滞时，基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果，确定模块用于在所述第二分类结果均为左前分支传导阻滞时，确定所述心电信号对应的分类结果为左前分支传导阻滞，通过此种装置能够对左前分支传导阻滞进行两次检测，有效提高左前分支传导阻滞检测的准确性。

Description

左前分支传导阻滞的检测装置、存储介质及终端
技术领域
本申请涉及计算机技术领域，尤其涉及一种左前分支传导阻滞的检测装置、存储介质及终端。
背景技术
左前分支传导阻滞(Left Anterior Fascicular Block，LAFB)是一类心脏电传导系统阻滞疾病，左前分支传导阻滞又称左前半阻滞。左前分支是左束支较细长的分支，由左束支主干分出后，向上向前分布于室间隔的前上部及左心室的前壁和侧壁，左前分支由单侧冠状动脉供血，故易发生阻滞。在相关技术中，计算机辅助左前分支传导阻滞检测装置主要有基于人工特征的机器学习分类模型和基于CNN的分类模型以及融合模型，当外界噪声干扰过大时，左前分支传导阻滞心电波特征不明显，上述装置难以在单导联信号上有效提取诊断信息，容易出现诊断结果出错的情况。
发明内容
本申请实施例提供了一种左前分支传导阻滞的检测装置、存储介质及终端，可以解决利用现有的计算机辅助的方法进行左前分支传导阻滞检测出现诊断结果出错的问题。所述技术方案如下：
第一方面，本申请实施例提供了一种左前分支传导阻滞的检测装置，所述装置包括：
预处理模块，用于对心电信号进行预处理得到第一信号；
处理模块，用于基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果；
分类模块，用于在所述第一分类结果表示左前分支传导阻滞时，基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果；
确定模块，用于在所述第二分类结果均为左前分支传导阻滞时，确定所述心电信号对应的分类结果为左前分支传导阻滞。
第二方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上如下步骤：
对心电信号进行预处理得到第一信号；
基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果；
在所述第一分类结果表示左前分支传导阻滞时，基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果；
在所述第二分类结果均为左前分支传导阻滞时，确定所述心电信号对应的分类结果为左前分支传导阻滞。
第三方面，本申请实施例提供一种终端，包括：处理器、存储器、显示屏；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如下步骤：
对心电信号进行预处理得到第一信号；
基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果；
在所述第一分类结果表示左前分支传导阻滞时，基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果；
在所述第二分类结果均为左前分支传导阻滞时，确定所述心电信号对应的分类结果为左前分支传导阻滞。
本申请一些实施例提供的技术方案带来的有益效果至少包括：
本申请实施例的方案在执行时，预处理模块用于对心电信号进行预处理得到第一信号，处理模块用于基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果，分类模块用于在所述第一分类结果表示左前分支传导阻滞时，基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果，确定模块用于在所述第二分类结果均为左前分支传导阻滞时，确定所述心电信号对应的分类结果为左前分支传导阻滞，通过此种装置能够对左前分支传导阻滞进行两次检测，有效提高左前分支传导阻滞检测的准确性。
附图说明
为了更清楚地说明本申请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申请的一些实施例，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是本申请提供的一种左前分支传导阻滞的检测系统架构示意图；
图2是本申请实施例提供的一种左前分支传导阻滞的检测装置示意图；
图3是本申请实施例提供的一种心电图基本波形示意图；
图4是本申请实施例提供的一种多导联多尺度Bi-LSTM+CNN结构图；
图5是本申请实施例提供的一种左前分支传导阻滞的检测装置的示意图；
图6是本申请实施例提供的一种降采样模块结构示意图；
图7是本申请实施例涉及的一种终端的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置的例子。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
图1示出了可以应用于本申请的一种左前分支传导阻滞的检测系统架构示意图。
如图1所示，左前分支传导阻滞的检测系统架构可以包括检测设备101、处理器102、显示设备103。一般的，利用检测设备101对人体100进行心电检测，获取心电信号和/或心电图，经过处理器102对来自检测设备101的心电信号和/或心电图进行检测分析，基于左前分支传导阻滞的检测装置判断人体100是否存在左前分支传导阻滞的症状，可将最后的检测结果由显示设备103展示，为左前分支传导阻滞的诊断提供科学的依据。
检测设备101可以是各种能实现心电监测和/或检测的设备，如：心电监测仪、心电图机、微型多功能心电仪、动态心电图监护仪(Holter)等。显示设备103可以是各种能实现显示功能的设备，例如：显示设备可以是阴极射线管显示器(Cathode ray tubedisplay，简称CR)、发光二极管显示器(Light-emitting diode display，简称LED)、电子墨水屏、液晶显示屏(Liquid crystal display，简称LCD)、等离子显示面板(Plasma displaypanel，简称PDP)等。用户可以利用显示设备103，来查看显示的文字、图片、视频等信息。需要说明的是，本申请实施例提供的左前分支传导阻滞的检测装置处理过程一般由处理器102执行。
应理解，图1中的检测设备、处理器和显示设备器的数目仅是示意性的。根据现实需要，可以是任意数量的检测设备、处理器和显示设备器。
在下述装置实施例中，为了便于说明，仅以各步骤的执行主体为终端进行介绍说明。
下面将结合附图2至图6，对本申请实施例提供的左前分支传导阻滞的检测装置进行详细介绍。
请参见图2，为本申请实施例提供了一种左前分支传导阻滞的检测装置的结构示意图，以下简称装置2。装置2可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分，该左前分支传导阻滞的检测装置2可包括预处理模块201、处理模块202、分类模块203和确定模块204。
预处理模块201，用于对心电信号进行预处理得到第一信号。
其中，心电是心脏的无数心肌细胞电活动的综合反映，心电的产生与心肌细胞的除极和复极化过程密不可分，复极化是指心肌细胞完成除极后，继之出现极化状态的恢复过程。心肌细胞在静息状态下，细胞膜外带有正电荷，细胞膜内带有同等数量的负电荷，此种分布状态称为极化状态，这种静息状态下细胞内外的电位差称为静息电位，其值保持相对的恒定。当心肌细胞一端的细胞膜受到一定程度的刺激(或阈刺激)时，对钾、钠、氯、钙等离子的通透性发生改变，引起膜内外的阴阳离子产生流动，使心肌细胞除极化和复极化，并在此过程中与尚处于静止状态的邻近细胞膜构成一对电偶，此变化过程可用置于体表的一定检测出来。由心脏内部产生的一系列非常协调的电刺激脉冲，分别使心房、心室的肌肉细胞兴奋，使之有节律地舒张和收缩，从而实现“血液泵”的功能，维持人体循环系统的正常运转。心电信号从宏观上记录心脏细胞的除极和复极过程，在一定程度上客观反映了心脏各部位的生理状况，因而在临床医学中有重要意义。第一信号是指心电信号经过滤波、重采样、切割、归一化等预处理之后生成的信号。
一般的，预处理模块可通过截止频率分别为0.5Hz、40Hz的50阶FIR带通滤波器对心电信号进行滤波处理，去除低频噪声和工频噪声的干扰。然后对经过滤波处理后的心电信号重采样为250Hz，并将其切割成多个30s片段。采用z-score归一化将每个30s片段处理成“零均值，一方差”的第一信号，归一化公式如公式1所示，μ为均值，σ为标准差。
Figure BDA0002465755850000051
处理模块202，用于基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对第一信号进行处理得到第一分类结果。
其中，第一分类结果是指预处理后的心电信号在多导联和多尺寸的Bi-LSTM网络和卷积神经网络的处理下得出左前分支传导阻滞初步检测结果，第一分类结果包括左前分支传导阻滞和非左前分支传导阻滞。
一般的，处理模块通过心电图的方式展示心脏每一心动周期所产生的点活动变化，心电图的基本波形主要包括：P波、QRS波群、T波(U波)；P波代表两心房(心脏的左心房和右心房)去极化过程的电位变化，P波为心房除极波，波形小而圆钝，在Ⅰ、II、aVF导直立，aVR导倒置，电压<0.25mV，在V1导P波可呈双向，总高度<0.2mV，正常P波位于0.08s至0.11s之间；QRS波群代表两心室去极化过程的电位变化，是心室除极波，第一个向下波称Q波，第一个向上波称R波，完全向下的波称S波。QRS波群的Ⅰ导联R波为主，Ⅱ导联R波总是大于S波，Ⅲ导联QRS波群形态多变。V1、V2以负向波为主，V5、V6以R波为主，从V1至V5、V6导联，R波振幅逐渐升高，S波振幅逐渐降低。QRS波时间位于0.06至0.10s之间，在基本向上的QRS波群中，Q波<0.04秒，其电压低于同导R波的1/4；R波在aVL导<1.2mV，aVF导<2.0mV，aVR<0.5mV，V1导<1.0mV，V5导<2.5mV；R波肢体导联R波振幅上限Ⅰ导联为1.5mV，Ⅱ、Ⅲ导联为1.9mV，aVL导联为1.0mV，胸前导联从左向右逐渐增高；S波肢体导联上S波主要见于aVR导联，振幅<1.6mV，胸前导联最深的S波见于V2导联，自V2导联从右向左逐渐降低，SV2<2.6mV。T波代表两心室复极过程的电位变化，是心室复极波，时间位于0.05至0.25s之间，方向与QRS主波方向同，在以R波为主的导联T波直立，电压高于1/10R波。U波是在T波后一个低而宽的小波，方向与T波相同。心电轴即额面QRS向量综合而成的一个总的向量，它代表整个心室除极向量在额面上的方向及大小。心电图的一个基本波形请参见图3。
一般的，处理模块利用至少三个特征尺寸分别为3秒、1.5秒和0.5秒的Bi-LSTM网络对30秒的12导联输入信号做时序特征提取。第一个BiLSTM网络以3秒的特征长度用于获取长片段(如心拍)的节律信息，第二个BiLSTM网络以1.5秒的特征长度用于获取短片段(如Q波、R波、S波)的节律信息，第三个BiLSTM网络以0.5秒的特征长度用于获取微片段(如r波、q波、s波,传导阻滞产生的类Q波、R波、S波，但相对更小一些)的节律信息，最后将三个BiLSTM网络提取的特征在时间步维度上堆叠获得70*250的时序特征。具体参数设置如表1所示。
Figure BDA0002465755850000061
表1
利用CNN模块提取上一步中的时序特征上的局部信息主要包括：通过卷积核的局部感知作用，提取片段的局部特征，增强有效特征的表达，提高模型的分类能力。接着，利用RNN模块对CNN提取的特征做时序编码，得到输出向量。通过三个不同特征尺寸的LSTM对该输出第一信号进行编码，产生的编码求和后作为全局权值，与上一步产生的输出向量进行各项相乘，完成加权。基于Softmax函数对加权后的输出向量进行计算得到最后的分类概率，从而得出左前分支阻滞初步检测结果，采用深度学习模型能够减少人工特征中噪声，以及无效特征对检测结果的干扰。多导联多尺度Bi-LSTM+CNN结构图请参见图4，包括Bi-LSTM模型401、LSTM模型402、连接模块403、卷积模块404、CNN模块405、ResNet模块406、RNN模块407、Softmax模块408。
分类模块203，用于在第一分类结果表示左前分支传导阻滞时，基于电轴位置的级联弱分类器对心电信号进行分类得到第二分类结果。
一般的，在确定基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对第一信号进行处理后得出的分类结果是左前分支传导阻滞时，可通过分类模块基于先验知识利用基于电轴位置的级联弱分类器对心电信号进行进一步的检测判断，得到第二分类结果。
正常人额面QRS波群的电轴位置在-30°至+90°之间，平均电轴位置为58°。左前分支传导阻滞的电轴在－30°至－90°(负过－45°有较肯定的诊断价值)。电轴位置计算公式如公式2、3、4所示，其中测量Ⅰ、avF导联轴上的QRS波群的振幅，并计算向上及向下的各波振幅的代数和分别记为Ⅰ、avF，设心电轴角度为θ。
Figure BDA0002465755850000071
Figure BDA0002465755850000072
Figure BDA0002465755850000073
确定模块204，用于在第二分类结果均为左前分支传导阻滞时，确定心电信号对应的分类结果为左前分支传导阻滞。
其中，第二分类结果是指心电信号在基于电轴位置的级联弱分类器分类处理后得到的检测结果。
一般的，在确定第一分类结果为左前分支传导阻滞后，确定模块利用基于电轴位置的级联弱分类器对心电信号进行二次检测，得到第二分类结果也是左前分支传导阻滞的结果时，可以确定所检测的心电信号的检测结果时左前分支传导阻滞；若第一分类结果为左前分支传导阻滞和第二分类结果不为左前分支传导阻滞，或第一分类结果不为左前分支传导阻滞和第二分类结果为左前分支传导阻滞，或第一分类结果和第二分类结果均不为左前分支传导阻滞时，则检测结果不是左前分支传导阻滞。对心电信号进行二次检测能够有效地提高对左前分支传导阻滞检测结果的准确率，为病情诊治提供科学的依据。
在一个或多个实施例中，所述预处理模块201具体用于：
利用FIR滤波器对所述心电信号进行滤波处理得到第二信号；
对所述第二信号分别进行重采样和切割处理得到至少一个第一信号片段；其中，所述至少一个第一信号片段的时间长度为第一时长；
对所述至少一个信号片段进行归一化处理得到所述第一信号。
其中，第二信号是指对原始的心电信号进行滤波处理后，通过截止频率0.5Hz，40Hz，50阶的FIR带通滤波器对信号进行滤波处理，去除心电信号中低频噪声和工频噪声的干扰，获得纯净的心电信号。第一信号片段是指心电信号经过滤波、重采样处理之后的信号片段，如30s的信号片段；在对心电信号进行滤波处理后得到第二信号，第二信号仍为模拟信号，需要将模拟信号转换成数字信号，对第二信号进行重采样为250Hz的信号，并将该信号切割为多个30s的信号片段。第一信号是指原始的心电信号经过滤波、重采样和切割等预处理之后的数字信号；基于z-score归一化公式对每个30s信号片段进行归一化处理，得到数字信号形式的第一信号，z-score归一化公式如公式5(μ为均值，σ为标准差)所示：
Figure BDA0002465755850000081
在一个或多个实施例中，请参见图5，所述处理模块202包括：第一提取单元2021、第二提取单元2022、编码单元2023、加权单元2024和处理单元2025。
第一提取单元2021，用于基于至少3个不同特征尺寸的双向长短期记忆网络Bi-LSTM模型提取所述第一信号中包含的时序特征；
第二提取单元2022，用于利用CNN模块提取所述时序特征中的局部特征；
编码单元2023，用于利用RNN模块对所述局部特征进行时序编码得到第一向量组；
加权单元2024，用于基于至少3个不同特征尺寸的长短期记忆网络LSTM模型对所述第一信号进行进行编码处理后得到全局权值，并将所述全局权值与所述第一向量组进行加权处理后得到第二向量组；
处理单元2025，用于利用逻辑回归Softmax函数对所述第二向量组进行处理获取所述第一分类结果。
其中，第二提取单元2022利用CNN模块提取基于三个不同特征尺寸的Bi-LSTM模型得到的时序特征中的局部特征，即通过卷积核的局部感知作用，提取信号片段的局部特征，能够增强有效特征的表达，提高模型的分类能力，以及解决CNN模块局部感知的局限性，提高左前分支阻滞检测的准确性。CNN模块具体结构请参见图6：CNN模块主要是由卷积块601、降采样模块602和ResNet模块603构成；其中，降采样模块由L2正则化的一维卷积模块604，Batch Normalization(BN)模块605，Dropout模块606以及Max-pooling模块607组成。降采样模块中，两个卷积核尺寸一样，但第一个卷积核的步长为1，第二个卷积核步长为2从而实现降采样，并与连接输入步长也为2的Max-pooling层输出相加得到输出，CNN模块具体参数设置如表2所示。
Layer Type Kernel size Filters Output size Input layer
1 一维卷积 32 32 32*200 /
2 降采样模块 32 64 64*100 1
3 一维卷积 32 128 128*50 2
4 Resnet 16 128 128*20 3
表2
在一个或多个实施例中，所述第一提取单元2021具体用于：
基于第一特征长度的第一Bi-LSTM模型对所述第一信号进行处理获得第一节律信息；
基于第二特征长度的第二Bi-LSTM模型对所述第一信号进行处理获得第二节律信息；
基于第三特征长度的第三Bi-LSTM模型对所述第一信号进行处理获得第三节律信息；
对所述第一节律信息、所述第二节律信息和所述第三节律信息在时间步维度上进行堆叠得到所述时序特征。
其中，第一特征长度是指第一Bi-LSTM模型的特征尺寸，第一信号以30s、12导联的形式输入至第一Bi-LSTM模型，利用特征尺寸为3s的第一Bi-LSTM模型对该第一信号进行时序特征提取获取长片段(如：心拍)的节律信息。第二特征长度是指第二Bi-LSTM模型的特征尺寸，第一信号以30s、12导联的形式输入至第二Bi-LSTM模型，利用特征尺寸为1.5s的第二Bi-LSTM模型对该第一信号进行时序特征提取获取短片段(如Q波、R波、S波)的节律信息。第三特征长度是指第三Bi-LSTM模型的特征尺寸，第一信号以30s、12导联的形式输入至第三Bi-LSTM模型，利用特征尺寸为0.5s的第三Bi-LSTM模型对该第一信号进行时序特征提取获取微片段(如：相对更小一些的r波、q波、s波，传导阻滞产生的类Q波、R波、S波等)的节律信息。将三个Bi-LSTM模型提取的节律信息在时间步维度上堆叠获得70*250的时序特征，利用三种不同尺度的Bi-LSTM模型，提取不同时间长度的节律信息，以增加特征信息的丰富度，提高检测分类能力。具体参数设置如表1所示。
在一个或多个实施例中，所述加权单元2024具体用于：
基于所述至少3个不同特征尺寸的LSTM模型对所述第一信号进行进行编码得到至少3个编码结果；
对所述至少3个编码结果求和得到所述全局权值；
将所述全局权值与所述第一向量组进行加权处理得到所述第二向量组。
其中，基于至少3个不同特征尺寸的LSTM模型对第一信号进行进行编码得到至少3个编码结果后，对该至少3个编码结果求和得到全局权值，全局权值编码LSTM的具体参数设置如表3所示。
Figure BDA0002465755850000101
表3
基于通过三个不同特征尺寸的LSTM模型对第一信号进行编码处理，并对产生的编码求和后作为全局权值，与第一向量组进行各项相乘，完成加权处理，能增强全局时序信息对分类的影响。采用Bi-LSTM模型对第一信号进行编码，并作为权重加权到输出向量，对输出结果引入全局时序信息的影响，能够提高网络对不同节律信号的检测能力。
在一个或多个实施例中，所述处理单元2025具体用于：
利用所述Softmax函数计算所述第二向量组得到所述第一结果概率和第二结果概率；
在所述第一结果概大于所述第二结果概率，确定所述分类结果为所述第一结果；
在所述第一结果概小于所述第二结果概率，确定所述分类结果为所述第二结果。
其中，第一结果是指检测结果为左前传导阻滞结果，第二结果是指检测结果不未左前传导阻滞结果。第二向量组通过Softmax函数计算后可得到最后的分类概率，从而得到左前分支传导阻滞初步检测结果。Softmax具体计算，如公式2所示。
Figure BDA0002465755850000111
举例说明：左前分支传导阻滞初步检测结果有两种情况，第一结果为左前分支传导阻滞，第二结果不为左前分支传导阻滞，若在经Softmax函数计算后得出第一结果的概率为0.6，第二结果的概率为0.4，则可确定左前分支传导阻滞初步检测结果为第一结果，即左前分支传导阻滞。
在一个或多个实施例中，所述编码单元2023具体用于：
获取所述局部特征的个数；其中，所述个数与所述时序编码的时间步相对应；
利用所述RNN模块对每个时间步的所述局部特征进行时序编码得到所述第一向量组。
其中，局部特征的个数与时序编码的时间步相对应，通过获取局部特征的个数，将该局部特征的个数作为编码RNN的时间步，在每个时间步上输入一组特征向量，通过RNN模块将各时间步的特征信息进行传递和融合的编码处理，并取最后一个时间步的输出的向量组作为时序编码后的第一向量组。输出编码RNN具体参数设置如表4所示。
Layer Type Feature size Time steps Output size Input layer
1 编码RNN 20 64 1*20 /
表4
在一个或多个实施例中，所述分类模块203具体用于：
获取所述心电信号的电轴位置；
基于所述级联弱分类器对所述心电信号的所述电轴位置进行分类处理得到第二分类结果；
在所述第二分类结果处于预设范围内时，确定所述第二分类结果为左前分支传导阻滞。
其中，心电轴也称平均电轴，是心脏电活动的平均方向(向量)，是心电图检测指标之一，指心脏除极和复极时额面最大综合向量与水平轴形成的角度。它包括P波、PT波、QRS波群及T波的平均电轴，通常只测算QRS电轴。正常心电轴的范围为-30°～+90°，-30°～-90°为心电轴左偏，+90°～+180°为心电轴右偏。正常人额面QRS波群的电轴位置在-30°至+90°之间，平均电轴位置为58°。左前分支阻滞的电轴在－30°至－90°(负过－45°有较肯定的诊断价值)。电轴位置计算公式如步骤S203中的公式2、3、4所示，其中测量Ⅰ、avF导联轴上的QRS波群的振幅，并计算向上及向下的各波振幅的代数和分别记为Ⅰ、avF，设心电轴角度为θ。第二分类结果是指心电信号经过基于电轴位置的级联弱分类器分类处理后得到的检测结果。预设范围是指检测为左前分支传导阻滞的心电轴位置，正常人额面QRS波群的电轴位置在-30°至+90°之间，平均电轴位置为58°，左前分支传导阻滞的电轴在－30°至－90°(负过－45°有较肯定的诊断价值)。
由上述内容可知，本方案提供的左前分支传导阻滞的检测装置包括预处理模块、处理模块、分类模块和确定模块：预处理模块用于对心电信号进行预处理得到第一信号，处理模块用于基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果，分类模块用于在所述第一分类结果表示左前分支传导阻滞时，基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果，确定模块用于在所述第二分类结果均为左前分支传导阻滞时，确定所述心电信号对应的分类结果为左前分支传导阻滞，通过此种装置能够对左前分支传导阻滞进行两次检测，有效提高左前分支传导阻滞检测的准确性。
需要说明的是，上述实施例提供的左前分支传导阻滞的检测装置在执行时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本申请实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如下步骤：
对心电信号进行预处理得到第一信号；
基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果；
在所述第一分类结果表示左前分支传导阻滞时，基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果；
在所述第二分类结果均为左前分支传导阻滞时，确定所述心电信号对应的分类结果为左前分支传导阻滞。
在一个或多个实施例中，处理器执行所述对心电信号进行预处理得到第一信号，包括：
利用FIR滤波器对所述心电信号进行滤波处理得到第二信号；
对所述第二信号分别进行重采样和切割处理得到至少一个第一信号片段；其中，所述至少一个第一信号片段的时间长度为第一时长；
对所述至少一个信号片段进行归一化处理得到所述第一信号。
在一个或多个实施例中，处理器执行所述基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果，包括：
基于至少3个不同特征尺寸的双向长短期记忆网络Bi-LSTM模型提取所述第一信号中包含的时序特征；
利用CNN模块提取所述时序特征中的局部特征；
利用RNN模块对所述局部特征进行时序编码得到第一向量组；
基于至少3个不同特征尺寸的长短期记忆网络LSTM模型对所述第一信号进行进行编码处理后得到全局权值，并将所述全局权值与所述第一向量组进行加权处理后得到第二向量组；
利用逻辑回归Softmax函数对所述第二向量组进行处理获取所述第一分类结果。
在一个或多个实施例中，处理器执行所述基于至少3个不同特征尺寸的双向长短期记忆网络Bi-LSTM模型提取所述第一信号中包含的时序特征，包括：
基于第一特征长度的第一Bi-LSTM模型对所述第一信号进行处理获得第一节律信息；
基于第二特征长度的第二Bi-LSTM模型对所述第一信号进行处理获得第二节律信息；
基于第三特征长度的第三Bi-LSTM模型对所述第一信号进行处理获得第三节律信息；
对所述第一节律信息、所述第二节律信息和所述第三节律信息在时间步维度上进行堆叠得到所述时序特征。
在一个或多个实施例中，处理器执行所述基于至少3个不同特征尺寸的长短期记忆网络LSTM模型对所述第一信号进行进行编码处理后得到全局权值，并将所述全局权值与所述第一向量组进行加权处理后得到第二向量组，包括：
基于所述至少3个不同特征尺寸的LSTM模型对所述第一信号进行进行编码得到至少3个编码结果；
对所述至少3个编码结果求和得到所述全局权值；
将所述全局权值与所述第一向量组进行加权处理得到所述第二向量组。
在一个或多个实施例中，处理器执行所述利用逻辑回归Softmax函数对所述第二向量组进行处理获取分类结果，包括：
利用所述Softmax函数计算所述第二向量组得到所述第一结果概率和第二结果概率；
在所述第一结果概大于所述第二结果概率，确定所述分类结果为所述第一结果；
在所述第一结果概小于所述第二结果概率，确定所述分类结果为所述第二结果。
在一个或多个实施例中，处理器执行所述利用RNN模块对所述局部特征进行时序编码得到第一向量组，包括：
获取所述局部特征的个数；其中，所述个数与所述时序编码的时间步相对应；
利用所述RNN模块对每个时间步的所述局部特征进行时序编码得到所述第一向量组。
在一个或多个实施例中，处理器执行所述基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果，包括：
获取所述心电信号的电轴位置；
基于所述级联弱分类器对所述心电信号的所述电轴位置进行分类处理得到第二分类结果；
在所述第二分类结果处于预设范围内时，确定所述第二分类结果为左前分支传导阻滞。
本申请还提供了一种终端，包括处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行下步骤：
对心电信号进行预处理得到第一信号；
基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果；
在所述第一分类结果表示左前分支传导阻滞时，基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果；
在所述第二分类结果均为左前分支传导阻滞时，确定所述心电信号对应的分类结果为左前分支传导阻滞。
在一个或多个实施例中，处理器执行所述对心电信号进行预处理得到第一信号，包括：
利用FIR滤波器对所述心电信号进行滤波处理得到第二信号；
对所述第二信号分别进行重采样和切割处理得到至少一个第一信号片段；其中，所述至少一个第一信号片段的时间长度为第一时长；
对所述至少一个信号片段进行归一化处理得到所述第一信号。
在一个或多个实施例中，处理器执行所述基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果，包括：
基于至少3个不同特征尺寸的双向长短期记忆网络Bi-LSTM模型提取所述第一信号中包含的时序特征；
利用CNN模块提取所述时序特征中的局部特征；
利用RNN模块对所述局部特征进行时序编码得到第一向量组；
基于至少3个不同特征尺寸的长短期记忆网络LSTM模型对所述第一信号进行进行编码处理后得到全局权值，并将所述全局权值与所述第一向量组进行加权处理后得到第二向量组；
利用逻辑回归Softmax函数对所述第二向量组进行处理获取所述第一分类结果。
在一个或多个实施例中，处理器执行所述基于至少3个不同特征尺寸的双向长短期记忆网络Bi-LSTM模型提取所述第一信号中包含的时序特征，包括：
基于第一特征长度的第一Bi-LSTM模型对所述第一信号进行处理获得第一节律信息；
基于第二特征长度的第二Bi-LSTM模型对所述第一信号进行处理获得第二节律信息；
基于第三特征长度的第三Bi-LSTM模型对所述第一信号进行处理获得第三节律信息；
对所述第一节律信息、所述第二节律信息和所述第三节律信息在时间步维度上进行堆叠得到所述时序特征。
在一个或多个实施例中，处理器执行所述基于至少3个不同特征尺寸的长短期记忆网络LSTM模型对所述第一信号进行进行编码处理后得到全局权值，并将所述全局权值与所述第一向量组进行加权处理后得到第二向量组，包括：
基于所述至少3个不同特征尺寸的LSTM模型对所述第一信号进行进行编码得到至少3个编码结果；
对所述至少3个编码结果求和得到所述全局权值；
将所述全局权值与所述第一向量组进行加权处理得到所述第二向量组。
在一个或多个实施例中，处理器执行所述利用逻辑回归Softmax函数对所述第二向量组进行处理获取分类结果，包括：
利用所述Softmax函数计算所述第二向量组得到所述第一结果概率和第二结果概率；
在所述第一结果概大于所述第二结果概率，确定所述分类结果为所述第一结果；
在所述第一结果概小于所述第二结果概率，确定所述分类结果为所述第二结果。
在一个或多个实施例中，处理器执行所述利用RNN模块对所述局部特征进行时序编码得到第一向量组，包括：
获取所述局部特征的个数；其中，所述个数与所述时序编码的时间步相对应；
利用所述RNN模块对每个时间步的所述局部特征进行时序编码得到所述第一向量组。
在一个或多个实施例中，处理器执行所述基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果，包括：
获取所述心电信号的电轴位置；
基于所述级联弱分类器对所述心电信号的所述电轴位置进行分类处理得到第二分类结果；
在所述第二分类结果处于预设范围内时，确定所述第二分类结果为左前分支传导阻滞。
参见图7，其示出了本申请实施例所涉及的一种终端的结构示意图，该终端可以用于实施上述实施例中左前分支传导阻滞的检测装置。具体来讲：
存储器703可用于存储软件程序以及模块，处理器700通过运行存储在存储器703的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器703可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器703可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器703还可以包括存储器控制器，以提供处理器700和输入单元705对存储器703的访问。
输入单元705可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元705可包括触敏表面706(例如：触摸屏、触摸板或触摸框)。触敏表面706，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面706上或在触敏表面706附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面706可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器700，并能接收处理器700发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面706。
显示单元713可用于显示由用户输入的信息或提供给用户的信息以及终端设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元713可包括显示面板714，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板714。进一步的，触敏表面706可覆盖显示面板714，当触敏表面706检测到在其上或附近的触摸操作后，传送给处理器700以确定触摸事件的类型，随后处理器700根据触摸事件的类型在显示面板714上提供相应的视觉输出。虽然在图7中，触敏表面706与显示面板714是作为两个独立的部件来实现输入和输入功能，但是在某些实施例中，可以将触敏表面706与显示面板714集成而实现输入和输出功能。
处理器700是终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分，通过运行或执行存储在存储器703内的软件程序和/或模块，以及调用存储在存储器703内的数据，执行终端设备的各种功能和处理数据，从而对终端设备进行整体监控。可选的，处理器700可包括一个或多个处理核心；其中，处理器700可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器700中。
具体在本实施例中，终端设备的显示单元是触摸屏显示器，终端设备还包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行上述一个或者一个以上程序包含实现如下步骤：
对心电信号进行预处理得到第一信号；
基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果；
在所述第一分类结果表示左前分支传导阻滞时，基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果；
在所述第二分类结果均为左前分支传导阻滞时，确定所述心电信号对应的分类结果为左前分支传导阻滞。
在一个或多个实施例中，处理器700执行所述对心电信号进行预处理得到第一信号，包括：
利用FIR滤波器对所述心电信号进行滤波处理得到第二信号；
对所述第二信号分别进行重采样和切割处理得到至少一个第一信号片段；其中，所述至少一个第一信号片段的时间长度为第一时长；
对所述至少一个信号片段进行归一化处理得到所述第一信号。
在一个或多个实施例中，处理器700执行所述基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果，包括：
基于至少3个不同特征尺寸的双向长短期记忆网络Bi-LSTM模型提取所述第一信号中包含的时序特征；
利用CNN模块提取所述时序特征中的局部特征；
利用RNN模块对所述局部特征进行时序编码得到第一向量组；
基于至少3个不同特征尺寸的长短期记忆网络LSTM模型对所述第一信号进行进行编码处理后得到全局权值，并将所述全局权值与所述第一向量组进行加权处理后得到第二向量组；
利用逻辑回归Softmax函数对所述第二向量组进行处理获取所述第一分类结果。
在一个或多个实施例中，处理器700执行所述基于至少3个不同特征尺寸的双向长短期记忆网络Bi-LSTM模型提取所述第一信号中包含的时序特征，包括：
基于第一特征长度的第一Bi-LSTM模型对所述第一信号进行处理获得第一节律信息；
基于第二特征长度的第二Bi-LSTM模型对所述第一信号进行处理获得第二节律信息；
基于第三特征长度的第三Bi-LSTM模型对所述第一信号进行处理获得第三节律信息；
对所述第一节律信息、所述第二节律信息和所述第三节律信息在时间步维度上进行堆叠得到所述时序特征。
在一个或多个实施例中，处理器700执行所述基于至少3个不同特征尺寸的长短期记忆网络LSTM模型对所述第一信号进行进行编码处理后得到全局权值，并将所述全局权值与所述第一向量组进行加权处理后得到第二向量组，包括：
基于所述至少3个不同特征尺寸的LSTM模型对所述第一信号进行进行编码得到至少3个编码结果；
对所述至少3个编码结果求和得到所述全局权值；
将所述全局权值与所述第一向量组进行加权处理得到所述第二向量组。
在一个或多个实施例中，处理器700执行所述利用逻辑回归Softmax函数对所述第二向量组进行处理获取分类结果，包括：
利用所述Softmax函数计算所述第二向量组得到所述第一结果概率和第二结果概率；
在所述第一结果概大于所述第二结果概率，确定所述分类结果为所述第一结果；
在所述第一结果概小于所述第二结果概率，确定所述分类结果为所述第二结果。
在一个或多个实施例中，处理器700执行所述利用RNN模块对所述局部特征进行时序编码得到第一向量组，包括：
获取所述局部特征的个数；其中，所述个数与所述时序编码的时间步相对应；
利用所述RNN模块对每个时间步的所述局部特征进行时序编码得到所述第一向量组。
在一个或多个实施例中，处理器700执行所述基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果，包括：
获取所述心电信号的电轴位置；
基于所述级联弱分类器对所述心电信号的所述电轴位置进行分类处理得到第二分类结果；
在所述第二分类结果处于预设范围内时，确定所述第二分类结果为左前分支传导阻滞。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
以上介绍仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种左前分支传导阻滞的检测装置，其特征在于，所述装置包括：
预处理模块，用于对心电信号进行预处理得到第一信号；
处理模块，用于基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果；
分类模块，用于在所述第一分类结果表示左前分支传导阻滞时，基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果；
确定模块，用于在所述第二分类结果均为左前分支传导阻滞时，确定所述心电信号对应的分类结果为左前分支传导阻滞。
2.根据权利要求1所述的装置，其特征在于，所述预处理模块具体用于：
利用FIR滤波器对所述心电信号进行滤波处理得到第二信号；
对所述第二信号分别进行重采样和切割处理得到至少一个第一信号片段；其中，所述至少一个第一信号片段的时间长度为第一时长；
对所述至少一个信号片段进行归一化处理得到所述第一信号。
3.根据权利要求1所述的装置，其特征在于，所述处理模块包括：
第一提取单元，用于基于至少3个不同特征尺寸的双向长短期记忆网络Bi-LSTM模型提取所述第一信号中包含的时序特征；
第二提取单元，用于利用CNN模块提取所述时序特征中的局部特征；
编码单元，用于利用RNN模块对所述局部特征进行时序编码得到第一向量组；
加权单元，用于基于至少3个不同特征尺寸的长短期记忆网络LSTM模型对所述第一信号进行进行编码处理后得到全局权值，并将所述全局权值与所述第一向量组进行加权处理后得到第二向量组；
处理单元，用于利用逻辑回归Softmax函数对所述第二向量组进行处理获取所述第一分类结果。
4.根据权利要求3所述的装置，其特征在于，所述第一提取单元具体用于：
基于第一特征长度的第一Bi-LSTM模型对所述第一信号进行处理获得第一节律信息；
基于第二特征长度的第二Bi-LSTM模型对所述第一信号进行处理获得第二节律信息；
基于第三特征长度的第三Bi-LSTM模型对所述第一信号进行处理获得第三节律信息；
对所述第一节律信息、所述第二节律信息和所述第三节律信息在时间步维度上进行堆叠得到所述时序特征。
5.根据权利要求3所述的装置，其特征在于，所述加权单元具体用于：
基于所述至少3个不同特征尺寸的LSTM模型对所述第一信号进行进行编码得到至少3个编码结果；
对所述至少3个编码结果求和得到所述全局权值；
将所述全局权值与所述第一向量组进行加权处理得到所述第二向量组。
6.根据权利要求3所述的装置，其特征在于，所述处理单元具体用于：
利用所述Softmax函数计算所述第二向量组得到所述第一结果概率和第二结果概率；
在所述第一结果概大于所述第二结果概率，确定所述分类结果为所述第一结果；
在所述第一结果概小于所述第二结果概率，确定所述分类结果为所述第二结果。
7.根据权利要求3所述的装置，其特征在于，所述编码单元具体用于：
获取所述局部特征的个数；其中，所述个数与所述时序编码的时间步相对应；
利用所述RNN模块对每个时间步的所述局部特征进行时序编码得到所述第一向量组。
8.根据权利要求1所述的装置，其特征在于，所述分类模块具体用于：
获取所述心电信号的电轴位置；
基于所述级联弱分类器对所述心电信号的所述电轴位置进行分类处理得到第二分类结果；
在所述第二分类结果处于预设范围内时，确定所述第二分类结果为左前分支传导阻滞。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如下步骤：
对心电信号进行预处理得到第一信号；
基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果；
在所述第一分类结果表示左前分支传导阻滞时，基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果；
在所述第二分类结果均为左前分支传导阻滞时，确定所述心电信号对应的分类结果为左前分支传导阻滞。
10.一种终端，其特征在于，包括：处理器、存储器、显示屏；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如下步骤：
对心电信号进行预处理得到第一信号；
基于多导联和多尺寸的Bi-LSTM网络和卷积神经网络对所述第一信号进行处理得到第一分类结果；
在所述第一分类结果表示左前分支传导阻滞时，基于电轴位置的级联弱分类器对所述心电信号进行分类得到第二分类结果；
在所述第二分类结果均为左前分支传导阻滞时，确定所述心电信号对应的分类结果为左前分支传导阻滞。
CN202010341626.4A 2020-04-24 2020-04-24 左前分支传导阻滞的检测装置、存储介质及终端 Active CN111612042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010341626.4A CN111612042B (zh) 2020-04-24 2020-04-24 左前分支传导阻滞的检测装置、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010341626.4A CN111612042B (zh) 2020-04-24 2020-04-24 左前分支传导阻滞的检测装置、存储介质及终端

Publications (2)

Publication Number Publication Date
CN111612042A true CN111612042A (zh) 2020-09-01
CN111612042B CN111612042B (zh) 2023-09-08

Family

ID=72196059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010341626.4A Active CN111612042B (zh) 2020-04-24 2020-04-24 左前分支传导阻滞的检测装置、存储介质及终端

Country Status (1)

Country Link
CN (1) CN111612042B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113616216A (zh) * 2021-09-10 2021-11-09 郑州大学 一种基于BiLSTM-Treg的心电信号分类方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020087055A1 (en) * 2000-12-29 2002-07-04 Rowlandson G. Ian System and method for detecting new left branch bundle block for accelerating treatment of acute myocardial infarction
CN107837082A (zh) * 2017-11-27 2018-03-27 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的心电图自动分析方法和装置
CN107951485A (zh) * 2017-11-27 2018-04-24 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的动态心电图分析方法和装置
CN108932452A (zh) * 2017-05-22 2018-12-04 中国科学院半导体研究所 基于多尺度卷积神经网络的心律失常心拍分类方法
CN109948396A (zh) * 2017-12-20 2019-06-28 深圳市理邦精密仪器股份有限公司 一种心拍分类方法、心拍分类装置及电子设备
CN110367968A (zh) * 2019-08-15 2019-10-25 广州视源电子科技股份有限公司 一种右束支阻滞检测方法、装置、设备及存储介质
CN110522442A (zh) * 2019-08-16 2019-12-03 广州视源电子科技股份有限公司 多导联心电异常检测装置、电子设备和存储介质
CN111012332A (zh) * 2020-01-20 2020-04-17 太原理工大学 基于神经网络的12导联心电信号多标签分类方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020087055A1 (en) * 2000-12-29 2002-07-04 Rowlandson G. Ian System and method for detecting new left branch bundle block for accelerating treatment of acute myocardial infarction
CN108932452A (zh) * 2017-05-22 2018-12-04 中国科学院半导体研究所 基于多尺度卷积神经网络的心律失常心拍分类方法
CN107837082A (zh) * 2017-11-27 2018-03-27 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的心电图自动分析方法和装置
CN107951485A (zh) * 2017-11-27 2018-04-24 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的动态心电图分析方法和装置
CN109948396A (zh) * 2017-12-20 2019-06-28 深圳市理邦精密仪器股份有限公司 一种心拍分类方法、心拍分类装置及电子设备
CN110367968A (zh) * 2019-08-15 2019-10-25 广州视源电子科技股份有限公司 一种右束支阻滞检测方法、装置、设备及存储介质
CN110522442A (zh) * 2019-08-16 2019-12-03 广州视源电子科技股份有限公司 多导联心电异常检测装置、电子设备和存储介质
CN111012332A (zh) * 2020-01-20 2020-04-17 太原理工大学 基于神经网络的12导联心电信号多标签分类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113616216A (zh) * 2021-09-10 2021-11-09 郑州大学 一种基于BiLSTM-Treg的心电信号分类方法
CN113616216B (zh) * 2021-09-10 2024-02-27 郑州大学 一种基于BiLSTM-Treg的心电信号分类方法

Also Published As

Publication number Publication date
CN111612042B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
Liu et al. Real-time multilead convolutional neural network for myocardial infarction detection
Li et al. Patient-specific ECG classification by deeper CNN from generic to dedicated
US20230143594A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
CN109077714B (zh) 信号识别方法、装置、设备和存储介质
CN109077720B (zh) 信号处理方法、装置、设备和存储介质
CN112971800B (zh) 基于深度学习的心电早搏信号处理方法、模块和装置
CN109044348A (zh) 房颤检测装置及存储介质
US9549681B2 (en) Matrix-based patient signal analysis
WO2021071646A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
CN113080991A (zh) 基于cnn模型与lstm模型的预测诊断心衰方法系统及诊断设备、存储介质
Singhal et al. A systematic review on artificial intelligence-based techniques for diagnosis of cardiovascular arrhythmia diseases: challenges and opportunities
CN111612042B (zh) 左前分支传导阻滞的检测装置、存储介质及终端
CN113384277A (zh) 心电数据的分类方法及分类系统
WO2020052640A1 (zh) 基于深度学习算法的心电特征提取方法、装置、系统、设备和分类方法
CN106974644A (zh) 一种心电图r波检测方法以及系统
CN110200620A (zh) 多模态心脏数据检测方法、装置、存储介质及终端设备
EP3506314B1 (en) Systems and methods for detecting anomaly in a cardiovascular signal using hierarchical extremas and repetitions
CN113616217B (zh) 基线漂移曲线的生成方法和装置
CN115177263A (zh) 基于动静结合的心脏检测方法、系统和可读存储介质
CN109044338A (zh) 房颤检测装置及存储介质
CN107753014A (zh) 心电图检测方法
CN110897628A (zh) 基于深度神经网络的心电图信号特征提取方法、装置、系统、设备和分类方法
Xie et al. A Low-Power Intelligent ECG monitoring System for Wearable Devices
CN117547283B (zh) 心电信号数据分类方法、装置、计算机设备及介质
Kurniawan et al. Detection of multi-class arrhythmia using heuristic and deep neural network on edge device

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