CN111631705A - 心电异常检测方法、模型训练方法、装置、设备及介质 - Google Patents

心电异常检测方法、模型训练方法、装置、设备及介质 Download PDF

Info

Publication number
CN111631705A
CN111631705A CN202010478478.0A CN202010478478A CN111631705A CN 111631705 A CN111631705 A CN 111631705A CN 202010478478 A CN202010478478 A CN 202010478478A CN 111631705 A CN111631705 A CN 111631705A
Authority
CN
China
Prior art keywords
layer
probability values
detection model
abnormal
intermediate feature
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
CN202010478478.0A
Other languages
English (en)
Other versions
CN111631705B (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 CN202010478478.0A priority Critical patent/CN111631705B/zh
Publication of CN111631705A publication Critical patent/CN111631705A/zh
Application granted granted Critical
Publication of CN111631705B publication Critical patent/CN111631705B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了心电异常检测方法、模型训练方法、装置、设备及介质。心电异常检测方法包括：获取心电记录，心电记录包括多个心拍信号；确定异常检测模型；将心电记录输入异常检测模型中进行处理，得到心拍信号为各异常种类的概率值；将各心拍信号对应的概率值按降序排列；确定心电记录的异常种类为前K个目标概率值对应的异常种类，前K个目标概率值表示同一异常种类。通过将包括多个心拍信号的心电记录标记为K个目标概率值对应的心拍信号的异常种类，实现记录级别的注释，而非对每一个心拍进行注释，提高了注释效率，节省了时间成本。

Description

心电异常检测方法、模型训练方法、装置、设备及介质
技术领域
本发明实施例涉及心电检测技术，尤其涉及心电异常检测方法、模型训练方法、装置、设备及介质。
背景技术
多种疾病都能够引起心电图的异常，心电异常的检测对心脏疾病的诊断尤为重要，心电图诊断已经成为临床诊断中不可或缺的一部分。目前已有很多便携式的心电检测仪普及和应用在人们日常生活中，便携式心电检测仪能够有规律地随时随地记录心电数据并计算和分析心率是否正常，但是不能够进行复杂心电图的诊断。
现有的心电异常检测技术需要受过训练的心脏病医生对每个心拍信号标记心拍注释。但是，在连续的ECG(Electrocardiogram，心电图)监测过程中，ECG记录长达24-48h，并且包含100000-200000个心拍，心脏病专家必须花费大量的时间进行心拍注释，浪费了大量的时间，且标注效率不高。
发明内容
本发明提供一种心电异常检测方法、模型训练方法、装置、设备及介质，以实现记录级别的注释，而非对每一个心拍进行注释，提高了注释效率，节省了时间成本。
第一方面，本发明实施例提供了一种心电异常检测方法，包括：
获取心电记录，所述心电记录包括多个心拍信号；
确定异常检测模型；
将所述心电记录输入所述异常检测模型中进行处理，得到所述心拍信号为各异常种类的概率值；
将各所述心拍信号对应的概率值按降序排列；
确定所述心电记录的异常种类为前K个目标概率值对应的异常种类，前K个所述目标概率值表示同一异常种类。
第二方面，本发明实施例还提供了一种心电异常检测模型训练方法，包括：
获取多个心电记录样本，所述心电记录样本包括多个心拍信号样本，所述心电记录样本关联种类标签，所述种类标签用于标识所述心电记录样本的异常种类；
确定异常检测模型；
将所述心电记录样本输入所述异常检测模型中进行处理，得到所述心拍信号样本为各异常种类的概率值；
将K个目标概率值对应的K个心拍信号样本关联所述种类标签，K个所述目标概率值表示同一异常种类，且K个所述目标概率值为所有心拍信号样本的概率值按降序排列后中的前K个；
通过损失函数计算将K个目标概率值对应的K个心拍信号样本关联所述种类标签的损失值；
基于所述损失值更新所述异常检测模型的参数。
第三方面，本发明实施例还提供了一种心电异常装置，包括：
心电记录获取模块，用于获取心电记录，所述心电记录包括多个心拍信号；
检测模型确定模块，用于确定异常检测模型；
概率获取模块，用于将所述心电记录输入所述异常检测模型中进行处理，得到所述心拍信号为各异常种类的概率值；
异常种类确定模块，用于确定所述心电记录的异常种类为前K个目标概率值对应的异常种类，前K个所述目标概率值表示同一异常种类。
第四方面，本发明实施例还提供了一种心电异常检测模型训练装置，包括：
样本获取模块，用于获取多个心电记录样本，所述心电记录样本包括多个心拍信号样本，所述心电记录样本关联种类标签，所述种类标签用于标识所述心电记录样本的异常种类；
检测模型确定模块，用于确定异常检测模型；
概率获取模块，用于将所述心电记录样本输入所述异常检测模型中进行处理，得到所述心拍信号样本为各异常种类的概率值；
标签关联模块，用于将K个目标概率值对应的K个心拍信号样本关联所述种类标签，K个所述目标概率值表示同一异常种类，且K个所述目标概率值为所有心拍信号样本的概率值按降序排列后中的前K个；
损失值计算模块，用于通过损失函数计算将K个目标概率值对应的K个心拍信号样本关联所述种类标签的损失值；
参数更新模块，用于基于所述损失值更新所述异常检测模型的参数。
第五方面，本发明实施例还提供了一种计算机设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明第一方面提供的心电异常检测方法，或实现如本发明第二方面提供的心电异常检测模型训练方法。
第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明第一方面提供的心电异常检测方法，或实现如本发明第二方面提供的心电异常检测模型训练方法。
本发明实施例提供的心电异常检测方法，包括获取心电记录，心电记录包括多个心拍信号；确定异常检测模型；将心电记录输入异常检测模型中进行处理，得到心拍信号为各异常种类的概率值；将各心拍信号对应的概率值按降序排列；确定心电记录的异常种类为前K个目标概率值对应的异常种类，前K个目标概率值表示同一异常种类。通过将包括多个心拍信号的心电记录标记为K个目标概率值对应的心拍信号的异常种类，实现记录级别的注释，而非对每一个心拍进行注释，提高了注释效率，节省了时间成本。
附图说明
图1A为本发明实施例一提供的一种心电异常检测方法的流程图；
图1B为本发明实施例一提供的一个心拍心拍的结构图；
图2A是本发明实施例二提供的一种心电异常检测方法的流程图；
图2B为本发明实施例二中一种异常检测模型的网络架构图；
图2C为本发明实施例二中第一降采样层的结构示意图；
图2D为本发明实施例二中第二降采样层的结构示意图；
图3为本发明实施例三提供的一种心电异常检测模型训练方法；
图4为本发明实施例四提供的一种心电异常检测装置的结构示意图；
图5为本发明实施例五提供的一种心电异常检测模型训练装置的结构示意图；
图6为本发明实施例六提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1A为本发明实施例一提供的一种心电异常检测方法的流程图，本实施例可适用于确定心电记录的心电异常种类的情况，该方法可以由本发明实施例提供的心电异常检测装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于计算机设备中。如图1A所示，该方法具体包括如下步骤：
S101、获取心电记录，心电记录包括多个心拍信号。
心脏在搏动前后，心肌发生激动。在激动过程中，会产生微弱的生物电流。这样，心脏的每一个心动周期均伴随着生物电变化。这种生物电变化可传达到身体表面的各个部位。由于身体各部分组织不同，距心脏的距离不同，心电信号在身体不同的部位所表现出的电位也不同。对正常心脏来说，这种生物电变化的方向、频率、强度是有规律的。若通过电极将体表不同部位的电信号检测出来，再用放大器加以放大，并用记录器描记下来，就可得到心电图(ECG)。
心电图是心脏在每个心动周期中，由起搏点、心房、心室相继兴奋，伴随着生物电的变化，通过心电描记器从体表引出多种形式的电位变化的图形。由于心脏的每次跳动是有规律的，因此心电图中的波形图也是有规律的。心电图中可以完整代表心脏一次心动周期的波形图被称为一个心拍信号。一个ECG记录通常包含上十万个个心拍信号，在本发明实施例中，从ECG记录截取N个(例如50个)连续的心拍作为心电记录。具体的，ECG记录可以从用户的体检结果中获取。
图1B为本发明实施例一提供的一个心拍心拍的结构图，参考图1B可见，一个心拍包括P波、Q波、R波、S波、T波和U波。通过检测P波、Q波、R波、S波、T波和U波中的一个或多个波的特征，可以在心电图中确定心拍信号。
S102、确定异常检测模型。
具体的，在本发明实施例中，异常检测模型可以包括循环神经网络和卷积神经网络，本发明实施例对循环神经网络和卷积神经网络的具体形式不做限定。
S103、将心电记录输入异常检测模型中进行处理，得到心拍信号为各异常种类的概率值。
具体的，将上述心电记录输入至异常检测模型中，异常检测模型对心电记录中的心拍信号进行处理，例如特征提取、加权等操作，由模型中的softmax函数输出心拍信号属于各异常种类的概率值。softmax是个非常常用而且比较重要的函数，尤其在多分类的场景中使用广泛。在本发明实施例中，softmax函数把输入的特征映射为0-1之间的实数并输出，并且归一化保证和为1，即输出各分类的概率值，各分类的概率值组成的向量称之为该心拍信号的概率空间。示例性的，假设第m个心拍信号的概率空间为rm，rm如下所示：
Figure BDA0002516523320000051
其中，a1至an分别表示属于某一异常种类的概率值，a1至an中，某一概率值最大，则表示心拍信号属于该概率值对应的异常种类。
示例性的，softmax函数如下：
Figure BDA0002516523320000052
在本发明实施例中，异常种类可以包括心绞痛、束支传导阻滞、心肌病、心力衰竭、心律失常、心肌肥大、心肌梗塞、心肌炎、瓣膜性心脏病等。
S104、将各心拍信号对应的概率值按降序排列。
具体的，将各心拍信号对应的概率空间中的最大的概率值按照降序排列。示例性的，将各心拍信号对应的概率空间中的最大的概率值按照降序排列的公式如下：
{r′1，r′2，...,r′N}＝sort{r1，r2，...,fr}
S105、确定心电记录的异常种类为前K个目标概率值对应的异常种类，前K个目标概率值表示同一异常种类。
在将各心拍信号对应的概率空间中的最大的概率值按照降序排列之后，从中确定前K个表示同一异常种类的目标概率值，并将心电记录标记为该目标概率值对应的异常种类，即将心电记录标记为K个目标概率值对应的心拍信号的异常种类。示例性的，{r′1，r′2，...,r′N}中前K个(例如前30个)概率值均表示同一种异常种类(例如心肌梗塞)，则将该心电记录标记为心肌梗塞。
本发明实施例提供的心电异常检测方法，包括获取心电记录，心电记录包括多个心拍信号；确定异常检测模型；将心电记录输入异常检测模型中进行处理，得到心拍信号为各异常种类的概率值；将各心拍信号对应的概率值按降序排列；确定心电记录的异常种类为前K个目标概率值对应的异常种类，前K个目标概率值表示同一异常种类。通过将包括多个心拍信号的心电记录标记为K个目标概率值对应的心拍信号的异常种类，实现记录级别的注释，而非对每一个心拍进行注释，提高了注释效率，节省了时间成本。
实施例二
本发明实施例二提供了一种心电异常检测方法，图2A是本发明实施例二提供的一种心电异常检测方法的流程图，本实施例在上述实施例一的基础上进行细化，详细描述了异常检测模型的处理过程，如图2A所示，该方法包括：
S201、获取心电记录，心电记录包括多个心拍信号。
示例性的，在本发明的一些实施例中，步骤S201可以包括如下步骤：
获取心电图(ECG)信号。心电图信号可以来自体检结果，通过电极将体表不同部位的电信号检测出来，通过模拟电路对采集的信号进行阻抗匹配、过滤、放大等处理。然后由模数转换器把人体生理参数的模拟信号转化为数字信号，由存储器存储。示例性的，该心电图信号可以是单导联心电图信号，或者多导联心电图信号，单导联电图信号即采集身体一个部位的电信号得到的心电图信号，多导联心电图信号即为采集身体多个部位的电信号得到的心电图信号。本发明实施例对心电图信号的类型不做限定。
心电图信号是在体表由电极测的的低幅低频微弱生理电信号，其幅度通常在0.1mv-5mv之间，能量集中在0.5Hz-40Hz范围内，非常容易受到环境的影响，心电图机通过电极直接采集和记录的心电信号经常会受到各种噪声干扰，常见的干扰有肌电干扰、基线漂移和工频干扰等。如果直接用这些原始信号去做心电图分类，会因为噪声的存在，降低分类的准确率。所以在对心电图信号进行处理前，一般需要对原始信号先进行滤波操作。本发明实施例中，对心电图信号进行滤波，得到第一信号。具体的，通过截止频率0.5Hz，30Hz，40阶的带通滤波器对心电图信号进行滤波处理，去除低频噪声和工频噪声的干扰，得到第一信号。
对第一信号重采样，得到预设采样频率(例如250Hz)的第二信号。
将第二信号切割为预设长度(例如10s)的多个第三信号。具体的，每个心拍，其中包括preR段(从给定心拍到给定心拍和先前心拍的中点)和proR段(从给定心拍到给定心拍和随后的心拍的中点)。将preR片段和proR片段的长度设为0.1s，如果截取的段的长度超过预设长度，则执行截断。如果截取的段的长度短于预设长度，则将执行零填充。
对第三信号归一化处理，得到心拍信号。具体的，采用z-score归一化将每个10秒片段处理成“零均值，一方差”的心拍信号，z-score的具体公式如下所示：
Figure BDA0002516523320000061
其中，μ为均值，σ为标准差。
S202、确定异常检测模型。
具体的，图2B为本发明实施例二中一种异常检测模型的网络架构图，包括第一时间循环神经网络、第二时间循环神经网络、卷积神经网络、第三时间循环神经网络、第四时间循环神经网络、第五时间循环神经网络和softmax层。
其中，第一时间循环神经网络和第二时间循环神经网络通过拼接层(Concatenate)与卷积神经网络全连接。第一时间循环神经网络和第二时间循环神经网络分别用于从心拍信号中提取两种不同时间长度的节律信息，拼接层用于将两种不同时间长度的节律信息在时间维度上堆叠，得到时序特征，并传输给卷积神经网络。卷积神经网络从时序特征中提取表示局部的局部特征。第三时间循环神经网络用于对局部特征做时序编码，得到局部特征的时序编码特征。第四时间循环神经网络和第五时间循环神经网络分别用于从心拍信号中提取两种不同的时间长度的编码特征。对两种不同的时间长度的编码特征求和，得到全局权值，将全局权值与时序编码特征相乘获得表示全局的全局特征。softmax层用于将全局特征映射为0-1之间的实数并输出。
需要说明的是，上述实施例中异常检测模型的网络架构为对本发明实施例的示例性说明而非限定，在本发明其他实施例中，也可以采用其他网络架构，本发明实施例在此不做限定。
本发明实施例中，可以预先对异常检测模型进行训练，具体的，训练用数据样本可从其它相应体检结果中获取，也可以选择从现有的数据库例如从欧共体心电图波形数据库(CSE)中获取。
S203、从心拍信号中提取时序特征，时序特征包括至少两种时间长度的节律信息。
示例性的，在本发明实施例中，从心拍信号中提取两种不同时间长度的节律信息，两种不同时间长度的节律信息可以分别表示长片段的节律信息和短片段的节律信息，将两种不同时间长度的节律信息作为时序特征。本发明实施例通过从心拍信号中提取不同时间长度的节律信息，增加特征丰富度，提高网络分类能力。
示例性的，步骤S203可以包括如下步骤：
S2031、将心拍信号分别输入至少两个长短期记忆网络进行处理，以获得至少两种不同时间长度的节律信息，至少两个长短期记忆网络具有不同的时间长度。
示例性的，本实施例以两种不同时间长度的长短期记忆网络(Long Short-TermMemory，LSTM)为例进行说明，图2B中，第一时间循环神经网络和第二时间循环神经网络为两个时间长度不同的长短期记忆网络。LSTM一种时间循环神经网络，是为了解决一般的循环神经网络(Recurrent Neural Network，RNN)存在的长期依赖问题而专门设计出来的。本实施例中，其中，第一个LSTM的时间长度可以是1s，第二个LSTM的时间长度为0.5s。第一个LSTM以1秒的时间长度获取长片段(如心拍)的节律信息，第二个LSTM以0.5秒的时间长度获取短片段(如心房扑动)的节律信息。
S2032、将至少两种不同时间长度的节律信息在时间维度上堆叠，得到时序特征。
示例性的，将两个不同时间长度的LSTM提取的节律信息在时间维度上堆叠，获得时序特征。两种不同特征长度的LSTM的参数如表1所示。
表1
Figure BDA0002516523320000081
如表1所示，第一个LSTM的卷积核(Feature size)大小为20，时间步(Time steps)数为125，输出大小(Output size)为20*125的矩阵作为节律信息；第一个LSTM的卷积核大小为10，时间步(Time steps)数为250，输出大小为10*125的矩阵作为节律信息。其中，LSTM的时间长度即为每个时间步的长度。在获得两种不同的LSTM输出的节律信息后，通过一个拼接层(Concatenate)将两个不同时间长度的LSTM提取的节律信息联合，实现在时间维度上堆叠，即将表示两个节律信息的两个矩阵进行堆叠，输出30*125的矩阵作为时序特征。拼接层的联合操作是网络结构设计中很重要的一种操作，经常用于将多个特征联合，多个卷积特征提取框架提取的特征融合或者是将输出层的信息进行融合。采用长短期记忆网络提取时序特征，解决卷积神经网络局部感知的局限性，提高左前分支阻滞检测的准确性。
需要说明的是，上述实施例中以采用LSTM作为示例对提取时序特征进行说明，在本发明其他实施例中，也可以采用其他的循环神经网络，例如双向LSTM(Bi-directionalLong Short-Term Memory，BiLSTM)，BiLSTM是由前向LSTM与后向LSTM组合而成；时间卷积网络(Temporal Convolutional Network，TCN)，时间卷积网络是一种能够处理时间序列数据的网络结构。本发明实施例对提取时序特征的网络类型不做限定。
S204、从时序特征中提取表示局部的局部特征。
示例性的，从时序特征中提取出时序特征的局部特征。局部特征能够增强有效特征的表达，可以提高后续心拍信号的异常检测结果的准确性。
具体的，从时序特征中提取表示局部的局部特征可以包括如下步骤：
将时序特征输入预置的卷积神经网络进行卷积处理，输出时序特征的局部特征。示例性的，将时序特征输入预置的卷积神经网络进行卷积处理，利用卷积核的局部感知作用，提取片段的局部特征，进而增强有效特征的表达，提高后续心拍信号的异常检测结果的准确性。
如图2B所示，卷积神经网络包括拼接层、第一卷积层、第一降采样层、第二卷积层和第二降采样层。将时序特征输入预置的卷积神经网络进行处理，输出时序特征的局部特征。卷积神经网络的参数设置如表2所示。
表2
Figure BDA0002516523320000091
具体的，卷积神经网络的处理过程如下：
在拼接层中对时序特征进行联合，具体的该拼接层与步骤S2032中的拼接层可以是同一层。
在第一卷积层中对时序特征进行卷积操作，获得第一中间特征。具体的，如表2所示，第一卷积层为一维卷积层，卷积核(Kernel size)的大小为16，滤波器(Filters)即卷积核的数量为24，第一卷积层对时序特征进行卷积操作，输出大小(Output size)为24*110的矩阵作为第一中间特征。
在第一降采样层对第一中间特征进行降采样操作，获得第二中间特征。具体的，如表2所示，第一降采样层的卷积核的大小为16，滤波器的数量为24，第一降采样层对第一中间特征进行降采样操作，输出大小为24*55的矩阵作为第二中间特征。
具体的，图2C为本发明实施例二中第一降采样层的结构示意图，如图2C所示，第一降采样层包括输入层(Input Layer)、第三卷积层(Convolutional Layer)、规范化层(Batch Normalization Layer)、丢弃层(Dropout Layer)、第四卷积层(ConvolutionalLayer)、第一池化操作层(Max-pooling Layer)和输出层(Output Layer)。两个卷积层的卷积核尺寸一样，但第三卷积层的卷积核的步长为1，第四卷积层的卷积核的步长为2，从而实现降采样。第一降采样层的降采样操作具体过程如下：
输入层接收第一卷积层输出的第一中间特征，并传送给第三卷积层，在第三卷积层中对第一中间特征进行正则化的卷积操作，获得第一子中间特征。
规范化层对第一子中间特征进行规范化操作，获得第二子中间特征。在神经网络中有层的概念，每一层都有输入，每一层的输入是上一层的输出，而输出是经过非线性函数的，非线性函数的取值都有特定的区间，这就和原始的输入在数据分布上存在很大不同，Batch Normalization就是在深度神经网络中使得每一层神经网络的输入保持相同分布。Batch Normalization不仅仅极大提升了训练速度，收敛过程大大加快，还能防止过拟合，降低Dropout的使用，增加分类效果。
丢弃层随机丢弃第二子中间特征，获得第三子中间特征。具体的，Dropout层是神经网络中有着特征功能的层，主要针对过拟合问题。Dropout层从一些层中随机丢弃掉一些激活神经元。这样的目的主要是强制增加网络的冗余性，也就是说使得模型能够在一些激活神经元丢失的情况下仍然保持分类的正确性。从而使得模型不会对训练数据过于拟合，减少过拟合问题。
在第四卷积层中对第三子中间特征进行正则化的卷积操作，获得第四子中间特征。
在第一池化操作层中对第一中间特征进行最大池化操作，获得第五子中间特征。具体的，第一池化操作层与输入输入层连接，第一池化操作层的步长为2，用于接收输入层输入的第一中间特征。池化是为了减少训练参数的数量，降低卷积层输出的特征向量的维度，减小过拟合现象，只保留最有用的特征信息，减少噪声的传递。最大池化操作即选取指定区域内最大的一个数来代表整片区域。将第四子中间特征与第五子中间特征相加，获得第二中间特征，并由输出层输出。
在第二卷积层对第二中间特征进行卷积操作，获得第三中间特征。具体的，如表2所示，第二卷积层为一维卷积层，卷积核的大小为16，滤波器即卷积核的数量为48，第二卷积层对第二中间特征进行卷积操作，输出大小为48*40的矩阵作为第三中间特征。
在第二降采样层对第三中间特征进行降采样操作，获得局部特征。具体的，如表2所示，第二降采样层的卷积核的大小为3，滤波器的数量为48，第二降采样层对第三中间特征进行降采样操作，输出大小为48*20的矩阵作为局部特征。
具体的，图2D为本发明实施例二中第二降采样层的结构示意图，如图2D所示，第二降采样层包括输入层(Input Layer)、第五卷积层(Convolutional Layer)、规范化层(Batch Normalization Layer)、丢弃层(Dropout Layer)、第六卷积层(ConvolutionalLayer)、第二池化操作层(Max-pooling Layer)和输出层(Output Layer)。两个卷积层的卷积核尺寸一样，但第五卷积层的卷积核的步长为1，第六卷积层的卷积核的步长为2，从而实现降采样。第二降采样层的降采样操作具体过程如下：
输入层接收第二卷积层输出的第三中间特征，并传送给第五卷积层，在第五卷积层中对第三中间特征进行正则化的卷积操作，获得第六子中间特征。
规范化层对第六子中间特征进行规范化操作，获得第七子中间特征。BatchNormalization就是在深度神经网络中使得每一层神经网络的输入保持相同分布。BatchNormalization不仅仅极大提升了训练速度，收敛过程大大加快，还能防止过拟合，降低Dropout的使用，增加分类效果。
丢弃层随机丢弃第七子中间特征，获得第八子中间特征。具体的，Dropout层是神经网络中有着特征功能的层，主要针对过拟合问题。Dropout层从一些层中随机丢弃掉一些激活神经元。这样的目的主要是强制增加网络的冗余性，也就是说使得模型能够在一些激活神经元丢失的情况下仍然保持分类的正确性。从而使得模型不会对训练数据过于拟合，减少过拟合问题。
在第六卷积层中对第八子中间特征进行正则化的卷积操作，获得第四九中间特征。
在第二池化操作层中对第三中间特征进行最大池化操作，获得第十子中间特征。具体的，第二池化操作层与输入输入层连接，第二池化操作层的步长为2，用于接收输入层输入的第三中间特征。池化是为了减少训练参数的数量，降低卷积层输出的特征向量的维度，减小过拟合现象，只保留最有用的特征信息，减少噪声的传递。最大池化操作即选取指定区域内最大的一个数来代表整片区域。
将第九子中间特征与第十子中间特征相加，获得局部特征，并由输出层输出。
需要说明的是，上述提取时序特征中的局部特征所采用的卷积神经网络可以是ResNet网络结构、VGG网络结构、Inception网络结构等，本发明实施例在此不做限定。
S205、对局部特征做时序编码，得到局部特征的时序编码特征。
具体的，确定时序编码的时间步，每一局部特征配置一时间步，将局部特征的数量作为时序编码的时间步的步数。示例性的，图2B中第三时间循环神经网络为一个编码LSTM，将局部特征输入一个编码LSTM中，利用该编码LSTM对局部特征做时序编码，得到时序编码特征。编码LSTM的参数设置如表3所示。
表3
Figure BDA0002516523320000111
向每一时间步输入一局部特征。具体的，该编码LSTM的卷积核(Feature size)大小为20，时间步(Time steps)数为48，向每一时间步输入一局部特征，通过该编码LSTM将各时间步的局部特征传递和融合，取最后一个时间步的输出的1*20矩阵作为时序编码特征。
S206、对时序编码特征加权处理，获得表示全局的全局特征。
示例性的，对时序编码特征配置全局权重，对时序编码特征增加整个心拍信号的时序信息，即全局时序信息对检测结果的影响，能够提高后续心拍异常检测结果的准确性。
示例性的，图2B中第四时间循环神经网络和第五时间循环神经网络为两个不同时间长度的长短期记忆网络，将步骤S201中得到的心拍信号分别输入两个长短期记忆网络中进行处理，以得到两种不同的时间长度的编码特征。两个长短期记忆网络具有不同的时间长度。该两个不同时间长度的LSTM可称为全局权值编码LSTM。全局权值编码LSTM的参数设置表4所示。
表4
Figure BDA0002516523320000121
如表4所示，两个编码LSTM分别为LSTM-W-1和LSTM-W-2，LSTM-W-1的卷积核(Feature size)大小为20，时间步(Time steps)数为125，输出大小(Output size)为1*20的矩阵作为一个编码特征，LSTM-W-2的卷积核(Feature size)大小为10，时间步(Timesteps)数为250，输出大小(Output size)为1*20的矩阵作为另一个编码特征。
对两种不同的时间长度的编码特征求和，即将两个1*20的矩阵相加，得到全局权值。
将全局权值与时序编码特征相乘，即将用于表示全局权值的矩阵与用于表示时序编码特征的矩阵相乘，获得表示全局的全局特征。
S207、基于全局特征确定心拍信号为各异常种类的概率值。
具体的，将全局特征输入softmax层，由softmax函数将输入的全局特征映射为0-1之间的实数并输出，并且归一化保证和为1，即输出心拍信号属于各分类的概率值。各分类的概率值组成的向量称之为该心拍信号的概率空间。
S208、将各心拍信号对应的概率值按降序排列。
具体的，将各心拍信号对应的概率空间中的最大的概率值按照降序排列。
S209、确定心电记录的异常种类为前K个目标概率值对应的异常种类，前K个目标概率值表示同一异常种类。
在将各心拍信号对应的概率空间中的最大的概率值按照降序排列之后，从中确定前K个表示同一异常种类的目标概率值，并将心电记录标记为该目标概率值对应的异常种类，即将心电记录标记为K个目标概率值对应的心拍信号的异常种类。
本发明实施例提供的心电异常检测方法，通过从心拍信号中提取至少两种不同时间长度的节律信息作为时序特征，增加了时序特征丰富度；从时序特征中提取表示局部的局部特征，能够增强有效特征的表达；对局部特征做时序编码，得到局部特征的时序编码特征后，对时序编码特征加权处理，增加全局时序信息对检测结果的影响，本发明实施例能够提高心拍信号的检测效率和检测结果的准确性，进而提高心电记录的检测效率和检测结果的准确性，避免出现诊断结果出错的情况。此外，通过将包括多个心拍信号的心电记录标记为K个目标概率值对应的心拍信号的异常种类，实现记录级别的注释，而非对每一个心拍进行注释，提高了注释效率，节省了时间成本。
实施例三
图3为本发明实施例三提供的一种心电异常检测模型训练方法，本实施例可用于本发明上述实施例提供的心电异常检测模型训练，该方法可以由本发明实施例提供的心电异常检测模型训练装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于计算机设备中。如图3所示，该方法具体包括如下步骤：
S301、获取多个心电记录样本，心电记录样本包括多个心拍信号样本，心电记录样本关联种类标签，种类标签用于标识心电记录样本的异常种类。
具体的，心电记录样本为用于训练异常检测模型的心电记录，心电记录样本可从其它相应体检结果中获取，也可以选择从现有的数据库例如从欧共体心电图波形数据库(CSE)中获取。具体的，从数据库中获取ECG样本，ECG样本中从第一个心拍信号开始，截取N个(例如50个)连续的心拍，以此类推，将ECG分割成多组心电记录样本，当最后一组心电记录样本的心拍信号的数量少于50个时，将执行零填充。心电记录样本包括50个心拍信号样本，对心拍信号样本的处理与前述实施例中对心拍信号的处理类似，本发明实施例在此不再赘述。
本发明实施例中，基于多示例学习(Multiple-Instance Learning，MIL)对异常检测模型继续训练。多示例学习与监督学习、半监督学习和非监督学习有所不同，它是以多示例包(bag)为训练单元的学习问题，每个包中包含多个示例(instance)。在多示例学习中，训练集由一组具有分类标签(Tag)的多示例包组成，每个包(bag)含有若干个没有分类标签的示例(instance)。如果多示例包(bag)至少含有一个正示例，则该包被标记为正类多示例包(正包)。在本发明实施例中以心电记录为包，心电记录中包含的心拍信号作为示例。心电记录关联或携带有种类标签，种类标签用于标识心电记录样本的异常种类。
具体的，将X表示为输入的多导ECG心电记录样本，将C表示为心电异常类别总数(待分类的类别总数)。给定一组训练的多导联心电图记录样本T＝{Xm；m＝1，…，M}(M是训练的心电记录样本的数量)，心电记录样本Xm均携带有相应的标签lm，lm∈{1，…，C}。对于第m个训练记录样本Xm，其包括多个心拍信号样本，定义为H(Xm)＝{xmn；n＝1，…，N}，xmn代表第m个心电记录样本中的第n个心拍信号样本，本发明实施例中，N＝50。
S302、确定异常检测模型。
示例性的，如图2B所示，异常检测模型包括第一时间循环神经网络、第二时间循环神经网络、卷积神经网络、第三时间循环神经网络、第四时间循环神经网络、第五时间循环神经网络和softmax层。
其中，第一时间循环神经网络和第二时间循环神经网络通过拼接层与卷积神经网络全连接。第一时间循环神经网络和第二时间循环神经网络分别用于从心拍信号中提取两种不同时间长度的节律信息，拼接层用于将两种不同时间长度的节律信息在时间维度上堆叠，得到时序特征，并传输给卷积神经网络。卷积神经网络从时序特征中提取表示局部的局部特征。第三时间循环神经网络用于对局部特征做时序编码，得到局部特征的时序编码特征。第四时间循环神经网络和第五时间循环神经网络分别用于从心拍信号中提取两种不同的时间长度的编码特征。对两种不同的时间长度的编码特征求和，得到全局权值，将全局权值与时序编码特征相乘获得表示全局的全局特征。softmax层用于将全局特征映射为0-1之间的实数并输出。
其中，第一时间循环神经网络和第二时间循环神经网络分别为具有不同时间长度的LSTM，卷积神经网络依次包括拼接层、第一卷积层、第一降采样层、第二卷积层和第二降采样层。第三时间循环神经网络为一个LSTM，第四时间循环神经网络和第五时间循环神经网络分别为具有不同时间长度的LSTM。
S303、将心电记录样本输入异常检测模型中进行处理，得到心拍信号样本为各异常种类的概率值。
具体的，异常检测模型对心电记录样本中的心拍信号样本的处理过程可以参考本发明实施例二中异常检测模型对心电记录中的心拍信号的处理过程，在此不再赘述。
S304、将K个目标概率值对应的K个心拍信号样本关联种类标签。
其中，K个目标概率值表示同一异常种类，且K个目标概率值为所有心拍信号样本的概率值按降序排列后中的前K个。
具体的，对于第m个心电记录样本Xm，异常检测模型中softmax函数输出的概率矩阵为Rm，其大小为C×N，即具有C行和N列的矩阵。其中Rm的第n列第lm个值为rmn，表示第n个心拍信号样本属于第lm类(具体异常种类为未知的)的概率。
对于第m个心电记录样本中的所有心拍信号样本，可以将Rm展开为一维向量，即rm＝(rm1，rm2，…，rmN)对应于展平的心拍信号样本(xm1，xm2，…，xmN)，其中，rmn即为第m个心电记录样本中第n个心拍信号样本对应的概率空间。按照降序对rm向量中的值进行排序，如以下公式所示。
{r′m1，r′m2，...,′mN}＝sort{rm1，rm2，...,rmN}
假设前K个(r′m1，r′m2，...,′mK)的最大概率均表示同一种异常种类(具体为哪一种未知)，即前K个(r′m1，r′m2，...,r′mK)对应的心拍信号样本属于同一种异常种类，那么将前K个(r′m1，r′m2，...,r′mK)对应的心拍信号样本标记为与整个心电记录样本相同的种类标签，并且将其余的心拍信号样本标记为负。
S305、通过损失函数计算将K个目标概率值对应的K个心拍信号样本关联种类标签的损失值。
在本发明实施例中，损失函数如下公式所示：
Figure BDA0002516523320000151
具体的，基于注意力机制(Attention Mechanism)为每一心拍信号样本配置不同的注意力系数ai。注意力机制可以使得神经网络具备专注于其输入(或特征)子集的能力。注意力可以应用于任何类型的输入而不管其形状如何。在计算能力有限情况下，注意力机制是解决信息超载问题的主要手段的一种资源分配方案，将计算资源分配给更重要的任务。本发明实施例中，充分利用了多示例包中所有示例的信息，为每个心拍信号样本配置不同的注意力系数，大大提高了心拍信号样本的异常检出率和准确性。
计算目标心拍信号样本的概率值与该目标心拍信号样本对应的注意力系数的积作为中间量air′mi，接着对K个中间量求和后取负对数得到第一损失值
Figure BDA0002516523320000152
第一损失值用于表示将一个心电记录样本中的K个目标心拍信号样本标记为与该心电记录样本相同的种类标签所产生的损失。
接着，对多个(T个)心电记录样本的第一损失值求和，得到第二损失值。
S306、基于损失值更新异常检测模型的参数。
具体的，将第二损失值与预设的阈值进行比较，在第二损失值大于阈值时，对异常检测模型的参数进行更新，并返回执行S301、获取多个心电记录样本的步骤；在第二损失值小于或等于阈值时，确定异常检测模型训练完成。
其中，对异常检测模型的参数进行更新包括对第一时间循环神经网络、第二时间循环神经网络、卷积神经网络、第三时间循环神经网络、第四时间循环神经网络和第五时间循环神经网络的时间长度、卷积核大小等参数进行更新。
本发明实施例提供的心电异常检测模型训练方法，基于多示例学习对异常检测模型继续训练，为心电记录样本关联种类标签，在后续的模型应用中，将包括多个心拍信号的心电记录标记为K个目标概率值对应的心拍信号的异常种类，实现记录级别的注释，而非对每一个心拍进行注释，提高了注释效率，节省了时间成本。此外，充分利用了多示例包中所有示例的信息，基于注意力机制为每一心拍信号样本配置不同的注意力系数，大大提高了心拍信号样本的异常检出率和准确性。
实施例四
本发明实施例四提供了一种心电异常检测装置，图4为本发明实施例四提供的一种心电异常检测装置的结构示意图，如图4所示，该心电异常检测装置包括：
心电记录获取模块401，用于获取心电记录，所述心电记录包括多个心拍信号；
检测模型确定模块402，用于确定异常检测模型；
概率获取模块403，用于将所述心电记录输入所述异常检测模型中进行处理，得到所述心拍信号为各异常种类的概率值；
排序模块404，用于将各所述心拍信号对应的概率值按降序排列；
异常种类确定模块405，用于确定所述心电记录的异常种类为前K个目标概率值对应的异常种类，前K个所述目标概率值表示同一异常种类。
在本发明的一些实施例中，概率获取模块403可以包括：
时序特征提取子模块，用于从所述心拍信号中提取时序特征，所述时序特征包括至少两种时间长度的节律信息；
局部特征提取子模块，用于从所述时序特征中提取表示局部的局部特征；
时序编码子模块，用于对所述局部特征做时序编码，得到所述局部特征的时序编码特征；
全局加权子模块，用于对所述时序编码特征加权处理，获得表示全局的全局特征；
概率值确定子模块，用于基于所全局特征确定所述心拍信号为各异常种类的概率值。
在本发明的一些实施例中，时序特征提取子模块可以包括：
节律信息提取单元，用于将所述心拍信号分别输入至少两个长短期记忆网络进行处理，以获得至少两种不同时间长度的节律信息，所述至少两个长短期记忆网络具有不同的时间长度；
堆叠单元，用于将至少两种不同时间长度的节律信息在时间维度上堆叠，得到时序特征。
在本发明一些实施例中，局部特征提取子模块可以包括：
局部特征提取单元，用于将所述时序特征输入预置的卷积神经网络进行卷积处理，输出所述时序特征的局部特征。
在本发明一些实施例中，所述卷积神经网络包括拼接层、第一卷积层、第一降采样层、第二卷积层和第二降采样层，局部特征提取单元可以包括：
联合子单元，用于在所述拼接层中对所述时序特征进行联合；
第一卷积操作子单元，用于在所述第一卷积层中对所述时序特征进行卷积操作，获得第一中间特征；
第一降采样子单元，用于在所述第一降采样层对所述第一中间特征进行降采样操作，获得第二中间特征；
第二卷积操作子单元，用于在所述第二卷积层对所述第二中间特征进行卷积操作，获得第三中间特征；
第二降采样子单元，用于在所述第二降采样层对所述第三中间特征进行降采样操作，获得局部特征。
在本发明一些实施例中，所述第一降采样层包括第三卷积层、第四卷积层和第一池化操作层，第一降采样子单元具体用于：
在所述第三卷积层中对所述第一中间特征进行正则化的卷积操作，获得第一子中间特征；
对所述第一子中间特征进行规范化操作，获得第二子中间特征；
随机丢弃所述第二子中间特征，获得第三子中间特征；
在所述第四卷积层中对所述第三子中间特征进行正则化的卷积操作，获得第四子中间特征；
在所述第一池化操作层中对所述第一中间特征进行最大池化操作，获得第五子中间特征；
将所述第四子中间特征与所述第五子中间特征相加，获得第二中间特征。
在本发明一些实施例中，所述第二降采样层包括第五卷积层、第六卷积层和第二池化操作层，第二降采样子单元具体用于：
在所述第五卷积层中对所述第三中间特征进行正则化的卷积操作，获得第六子中间特征；
对所述第六子中间特征进行规范化操作，获得第七子中间特征；
随机丢弃所述第七子中间特征，获得第八子中间特征；
在所述第六卷积层中对所述第八子中间特征进行正则化的卷积操作，获得第九子中间特征；
在所述第二池化操作层中对所述第三中间特征进行最大池化操作，获得第十子中间特征；
将所述第九子中间特征与所述第十子中间特征相加，获得局部特征。
在本发明一些实施例中，时序编码子模块可以包括：
时间步确定单元，用于确定所述时序编码的时间步，每一所述局部特征配置一时间步；
局部特征输入单元，用于向每一所述时间步输入一所述局部特征；
时间步处理单元，用于将各所述时间步的局部特征依次传递、融合，得到所述时序编码特征。
在本发明一些实施例中，全局加权子模块可以包括：
编码特征获取单元，用于将所述心拍信号分别输入两个长短期记忆网络中进行处理，以得到两种不同的时间长度的编码特征，两个所述长短期记忆网络具有不同的时间长度；
全局权值确定单元，用于对两种不同的时间长度的编码特征求和，得到全局权值；
全局特征特征确定单元，用于将所述全局权值与所述时序编码特征相乘，获得表示全局的全局特征。
本发明实施例提供的心电异常检测装置，包括：心电记录获取模块，用于获取心电记录，所述心电记录包括多个心拍信号；检测模型确定模块，用于确定异常检测模型；概率获取模块，用于将所述心电记录输入所述异常检测模型中进行处理，得到所述心拍信号为各异常种类的概率值；排序模块，用于将各所述心拍信号对应的概率值按降序排列；异常种类确定模块，用于确定所述心电记录的异常种类为前K个目标概率值对应的异常种类，前K个所述目标概率值表示同一异常种类。通过将包括多个心拍信号的心电记录标记为K个目标概率值对应的心拍信号的异常种类，实现记录级别的注释，而非对每一个心拍进行注释，提高了注释效率，节省了时间成本。
实施例五
本发明实施例五提供了一种心电异常检测模型训练装置，图5为本发明实施例五提供的一种心电异常检测模型训练装置的结构示意图，如图5所示，该心电异常检测模型训练装置包括：
样本获取模块501，用于获取多个心电记录样本，所述心电记录样本包括多个心拍信号样本，所述心电记录样本关联种类标签，所述种类标签用于标识所述心电记录样本的异常种类；
检测模型确定模块502，用于确定异常检测模型；
概率获取模块503，用于将所述心电记录样本输入所述异常检测模型中进行处理，得到所述心拍信号样本为各异常种类的概率值；
标签关联模块504，用于将K个目标概率值对应的K个心拍信号样本关联所述种类标签，K个所述目标概率值表示同一异常种类，且K个所述目标概率值为所有心拍信号样本的概率值按降序排列后中的前K个；
损失值计算模块505，用于通过损失函数计算将K个目标概率值对应的K个心拍信号样本关联所述种类标签的损失值；
参数更新模块506，用于基于所述损失值更新所述异常检测模型的参数。
在本发明一些实施例中，损失值计算模块505可以包括：
注意力系数配置单元，用于基于注意力机制为每一所述心拍信号样本配置不同的注意力系数；
中间量计算单元，用于计算所述目标心拍信号样本的概率值与该目标心拍信号样本对应的注意力系数的积作为中间量；
第一损失值计算单元，用于对K个所述中间量求和后取负对数得到第一损失值，所述第一损失值用于表示将一个心电记录样本中的K个目标心拍信号样本标记为与该心电记录样本相同的种类标签所产生的损失；
第二损失值计算单元，用于对多个心电记录样本的第一损失值求和，得到第二损失值。
在本发明一些实施例中，参数更新模块506可以包括：
比较单元，用于将所述第二损失值与预设的阈值进行比较；
参数更新单元，用于在所述第二损失值大于所述阈值时，对异常检测模型的参数进行更新，返回执行获取多个心电记录样本的步骤；
训练完成确定单元，用于在所述第二损失值小于或等于所述阈值时，确定所述异常检测模型训练完成。
本发明实施例提供的心电异常检测模型训练装置，基于多示例学习对异常检测模型继续训练，为心电记录样本关联种类标签，在后续的模型应用中，将包括多个心拍信号的心电记录标记为K个目标概率值对应的心拍信号的异常种类，实现记录级别的注释，而非对每一个心拍进行注释，提高了注释效率，节省了时间成本。此外，充分利用了多示例包中所有示例的信息，基于注意力机制为每一心拍信号样本配置不同的注意力系数，大大提高了心拍信号样本的异常检出率和准确性。
实施例六
本发明实施例六提供了一种计算机设备，图6为本发明实施例六提供的一种计算机设备的结构示意图，如图6所示，该计算机设备包括处理器601、存储器602、通信模块603、输入装置604和输出装置605；计算机设备中处理器601的数量可以是一个或多个，图6中以一个处理器601为例；计算机设备中的处理器601、存储器602、通信模块603、输入装置604和输出装置605可以通过总线或其他方式连接，图6中以通过总线连接为例。上述处理器601、存储器602、通信模块603、输入装置604和输出装置605可以集成在计算机设备的控制主板上。
存储器602作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本实施例中的心电异常检测方法或心电异常检测模型训练方法对应的模块。处理器601通过运行存储在存储器602中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述实施例提供的心电异常检测方法或心电异常检测模型训练方法。
存储器602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；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器602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、或其他非易失性固态存储器件。在一些实例中，存储器602可进一步包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信模块603，用于与外界设备(例如智能终端)建立连接，并实现与外界设备的数据交互。输入装置604可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。
本实施例提供的一种计算机设备，可执行本发明上述任意实施例提供的心电异常检测方法或心电异常检测模型训练方法，具体相应的功能和有益效果。
实施例七
本发明实施例七提供了一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明上述任意实施例提供的心电异常检测方法或心电异常检测模型训练方法。
心电异常检测方法包括：
获取心电记录，所述心电记录包括多个心拍信号；
确定异常检测模型；
将所述心电记录输入所述异常检测模型中进行处理，得到所述心拍信号为各异常种类的概率值；
将各所述心拍信号对应的概率值按降序排列；
确定所述心电记录的异常种类为前K个目标概率值对应的异常种类，前K个所述目标概率值表示同一异常种类。
心电异常检测模型训练方法包括：
获取多个心电记录样本，所述心电记录样本包括多个心拍信号样本，所述心电记录样本关联种类标签，所述种类标签用于标识所述心电记录样本的异常种类；
确定异常检测模型；
将所述心电记录样本输入所述异常检测模型中进行处理，得到所述心拍信号样本为各异常种类的概率值；
将K个目标概率值对应的K个心拍信号样本关联所述种类标签，K个所述目标概率值表示同一异常种类，且K个所述目标概率值为所有心拍信号样本的概率值按降序排列后中的前K个；
通过损失函数计算将K个目标概率值对应的K个心拍信号样本关联所述种类标签的损失值；
基于所述损失值更新所述异常检测模型的参数。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明实施例所提供的心电异常检测方法或心电异常检测模型训练方法中的相关操作。
需要说明的是，对于装置、设备和存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是机器人，个人计算机，服务器，或者网络设备等)执行本发明任意实施例所述的心电异常检测方法或心电异常检测模型训练方法。
值得注意的是，上述装置中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (16)

1.一种心电异常检测方法，其特征在于，包括：
获取心电记录，所述心电记录包括多个心拍信号；
确定异常检测模型；
将所述心电记录输入所述异常检测模型中进行处理，得到所述心拍信号为各异常种类的概率值；
将各所述心拍信号对应的概率值按降序排列；
确定所述心电记录的异常种类为前K个目标概率值对应的异常种类，前K个所述目标概率值表示同一异常种类。
2.根据权利要求1所述的心电异常检测方法，其特征在于，所述将所述心电记录输入所述异常检测模型中进行处理，得到所述心拍信号为各异常种类的概率值，包括：
从所述心拍信号中提取时序特征，所述时序特征包括至少两种时间长度的节律信息；
从所述时序特征中提取表示局部的局部特征；
对所述局部特征做时序编码，得到所述局部特征的时序编码特征；
对所述时序编码特征加权处理，获得表示全局的全局特征；
基于所全局特征确定所述心拍信号为各异常种类的概率值。
3.根据权利要求2所述的心电异常检测方法，其特征在于，所述从所述心拍信号中提取时序特征，包括：
将所述心拍信号分别输入至少两个长短期记忆网络进行处理，以获得至少两种不同时间长度的节律信息，所述至少两个长短期记忆网络具有不同的时间长度；
将至少两种不同时间长度的节律信息在时间维度上堆叠，得到时序特征。
4.根据权利要求2所述的心电异常检测方法，其特征在于，所述从所述时序特征中提取表示局部的局部特征，包括：
将所述时序特征输入预置的卷积神经网络进行卷积处理，输出所述时序特征的局部特征。
5.根据权利要求4所述的心电异常检测方法，其特征在于，所述卷积神经网络包括拼接层、第一卷积层、第一降采样层、第二卷积层和第二降采样层，所述将所述时序特征输入预置的卷积神经网络进行卷积处理，输出所述时序特征的局部特征，包括：
在所述拼接层中对所述时序特征进行联合；
在所述第一卷积层中对所述时序特征进行卷积操作，获得第一中间特征；
在所述第一降采样层对所述第一中间特征进行降采样操作，获得第二中间特征；
在所述第二卷积层对所述第二中间特征进行卷积操作，获得第三中间特征；
在所述第二降采样层对所述第三中间特征进行降采样操作，获得局部特征。
6.根据权利要求5所述的心电异常检测方法，其特征在于，所述第一降采样层包括第三卷积层、第四卷积层和第一池化操作层；
所述在所述第一降采样层对所述第一中间特征进行降采样操作，获得第二中间特征，包括：
在所述第三卷积层中对所述第一中间特征进行正则化的卷积操作，获得第一子中间特征；
对所述第一子中间特征进行规范化操作，获得第二子中间特征；
随机丢弃所述第二子中间特征，获得第三子中间特征；
在所述第四卷积层中对所述第三子中间特征进行正则化的卷积操作，获得第四子中间特征；
在所述第一池化操作层中对所述第一中间特征进行最大池化操作，获得第五子中间特征；
将所述第四子中间特征与所述第五子中间特征相加，获得第二中间特征。
7.根据权利要求5所述的心电异常检测方法，其特征在于，所述第二降采样层包括第五卷积层、第六卷积层和第二池化操作层；
所述在所述第二降采样层对所述第三中间特征进行降采样操作，获得局部特征，包括：
在所述第五卷积层中对所述第三中间特征进行正则化的卷积操作，获得第六子中间特征；
对所述第六子中间特征进行规范化操作，获得第七子中间特征；
随机丢弃所述第七子中间特征，获得第八子中间特征；
在所述第六卷积层中对所述第八子中间特征进行正则化的卷积操作，获得第九子中间特征；
在所述第二池化操作层中对所述第三中间特征进行最大池化操作，获得第十子中间特征；
将所述第九子中间特征与所述第十子中间特征相加，获得局部特征。
8.根据权利要求2-7任一所述的心电异常检测方法，其特征在于，所述对所述局部特征做时序编码，得到所述局部特征的时序编码特征，包括：
确定所述时序编码的时间步，每一所述局部特征配置一时间步；
向每一所述时间步输入一所述局部特征；
将各所述时间步的局部特征依次传递、融合，得到所述时序编码特征。
9.根据权利要求8所述的心电异常检测方法，其特征在于，所述对所述时序编码特征加权处理，获得表示全局的全局特征，包括：
将所述心拍信号分别输入两个长短期记忆网络中进行处理，以得到两种不同的时间长度的编码特征，两个所述长短期记忆网络具有不同的时间长度；
对两种不同的时间长度的编码特征求和，得到全局权值；
将所述全局权值与所述时序编码特征相乘，获得表示全局的全局特征。
10.一种心电异常检测模型训练方法，其特征在于，包括：
获取多个心电记录样本，所述心电记录样本包括多个心拍信号样本，所述心电记录样本关联种类标签，所述种类标签用于标识所述心电记录样本的异常种类；
确定异常检测模型；
将所述心电记录样本输入所述异常检测模型中进行处理，得到所述心拍信号样本为各异常种类的概率值；
将K个目标概率值对应的K个心拍信号样本关联所述种类标签，K个所述目标概率值表示同一异常种类，且K个所述目标概率值为所有心拍信号样本的概率值按降序排列后中的前K个；
通过损失函数计算将K个目标概率值对应的K个心拍信号样本关联所述种类标签的损失值；
基于所述损失值更新所述异常检测模型的参数。
11.根据权利要求10所述的心电异常检测模型训练方法，其特征在于，所述通过损失函数计算将K个目标概率值对应的K个心拍信号样本关联所述种类标签的损失值，包括：
基于注意力机制为每一所述心拍信号样本配置不同的注意力系数；
计算所述目标心拍信号样本的概率值与该目标心拍信号样本对应的注意力系数的积作为中间量；
对K个所述中间量求和后取负对数得到第一损失值，所述第一损失值用于表示将一个心电记录样本中的K个目标心拍信号样本标记为与该心电记录样本相同的种类标签所产生的损失；
对多个心电记录样本的第一损失值求和，得到第二损失值。
12.根据权利要求11所述的心电异常检测模型训练方法，其特征在于，所述基于所述损失值更新所述异常检测模型的参数，包括：
将所述第二损失值与预设的阈值进行比较；
在所述第二损失值大于所述阈值时，对异常检测模型的参数进行更新，返回执行获取多个心电记录样本的步骤；
在所述第二损失值小于或等于所述阈值时，确定所述异常检测模型训练完成。
13.一种心电异常检测装置，其特征在于，包括：
心电记录获取模块，用于获取心电记录，所述心电记录包括多个心拍信号；
检测模型确定模块，用于确定异常检测模型；
概率获取模块，用于将所述心电记录输入所述异常检测模型中进行处理，得到所述心拍信号为各异常种类的概率值；
排序模块，用于将各所述心拍信号对应的概率值按降序排列；
异常种类确定模块，用于确定所述心电记录的异常种类为前K个目标概率值对应的异常种类，前K个所述目标概率值表示同一异常种类。
14.一种心电异常检测模型训练装置，其特征在于，包括：
样本获取模块，用于获取多个心电记录样本，所述心电记录样本包括多个心拍信号样本，所述心电记录样本关联种类标签，所述种类标签用于标识所述心电记录样本的异常种类；
检测模型确定模块，用于确定异常检测模型；
概率获取模块，用于将所述心电记录样本输入所述异常检测模型中进行处理，得到所述心拍信号样本为各异常种类的概率值；
标签关联模块，用于将K个目标概率值对应的K个心拍信号样本关联所述种类标签，K个所述目标概率值表示同一异常种类，且K个所述目标概率值为所有心拍信号样本的概率值按降序排列后中的前K个；
损失值计算模块，用于通过损失函数计算将K个目标概率值对应的K个心拍信号样本关联所述种类标签的损失值；
参数更新模块，用于基于所述损失值更新所述异常检测模型的参数。
15.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-9中任一所述的心电异常检测方法，或实现如权利要求10-12中任一所述的心电异常检测模型训练方法。
16.一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，该程序被处理器执行时实现如权利要求1-9中任一所述的心电异常检测方法，或实现如权利要求10-12中任一所述的心电异常检测模型训练方法。
CN202010478478.0A 2020-05-29 2020-05-29 心电异常检测方法、模型训练方法、装置、设备及介质 Active CN111631705B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010478478.0A CN111631705B (zh) 2020-05-29 2020-05-29 心电异常检测方法、模型训练方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010478478.0A CN111631705B (zh) 2020-05-29 2020-05-29 心电异常检测方法、模型训练方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN111631705A true CN111631705A (zh) 2020-09-08
CN111631705B CN111631705B (zh) 2024-07-16

Family

ID=72322777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010478478.0A Active CN111631705B (zh) 2020-05-29 2020-05-29 心电异常检测方法、模型训练方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN111631705B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111920405A (zh) * 2020-09-15 2020-11-13 齐鲁工业大学 一种房颤信号识别系统及方法
CN112635047A (zh) * 2020-09-22 2021-04-09 广东工业大学 一种鲁棒的心电r峰检测方法
CN113057648A (zh) * 2021-03-22 2021-07-02 山西三友和智慧信息技术股份有限公司 一种基于复合lstm结构的ecg信号分类方法
CN113080990A (zh) * 2021-03-25 2021-07-09 南京蝶谷健康科技有限公司 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法
CN113171104A (zh) * 2021-04-25 2021-07-27 安徽十锎信息科技有限公司 基于深度学习的充血性心力衰竭自动诊断方法
CN113180685A (zh) * 2020-12-11 2021-07-30 上海交通大学 基于形态学滤波和小波阈值的心电异常判别系统及方法
CN114159080A (zh) * 2021-12-07 2022-03-11 东莞理工学院 上肢康复机器人运动意图识别模型训练、识别方法及装置
CN115067967A (zh) * 2021-03-10 2022-09-20 广州视源电子科技股份有限公司 心拍信号基准点确定方法、心拍类型识别方法及装置
CN115316996A (zh) * 2021-05-10 2022-11-11 广州视源电子科技股份有限公司 心律异常识别模型训练方法、装置、设备及存储介质
CN116452579A (zh) * 2023-06-01 2023-07-18 中国医学科学院阜外医院 一种基于胸片图像的肺动脉高压智能评估方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110623658A (zh) * 2019-09-24 2019-12-31 京东方科技集团股份有限公司 信号处理方法、信号处理装置、医学设备、存储介质
CN110720894A (zh) * 2019-11-08 2020-01-24 广州视源电子科技股份有限公司 一种心房扑动的检测方法、装置、设备及存储介质
CN110929869A (zh) * 2019-12-05 2020-03-27 同盾控股有限公司 注意力模型的训练方法、装置、设备及存储介质
CN111107785A (zh) * 2017-09-21 2020-05-05 皇家飞利浦有限公司 使用短的单导联ecg记录来检测心房颤动

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111107785A (zh) * 2017-09-21 2020-05-05 皇家飞利浦有限公司 使用短的单导联ecg记录来检测心房颤动
CN110623658A (zh) * 2019-09-24 2019-12-31 京东方科技集团股份有限公司 信号处理方法、信号处理装置、医学设备、存储介质
CN110720894A (zh) * 2019-11-08 2020-01-24 广州视源电子科技股份有限公司 一种心房扑动的检测方法、装置、设备及存储介质
CN110929869A (zh) * 2019-12-05 2020-03-27 同盾控股有限公司 注意力模型的训练方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
樊敏;王晓锋;孟小峰;: "基于可穿戴设备的心电图自适应分类算法研究" *
樊敏;王晓锋;孟小峰;: "基于可穿戴设备的心电图自适应分类算法研究", 计算机科学, no. 12 *
樊敏;王晓锋;孟小峰;: "基于可穿戴设备的心电图自适应分类算法研究", 计算机科学, vol. 46, no. 12, 31 December 2019 (2019-12-31), pages 293 - 295 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111920405A (zh) * 2020-09-15 2020-11-13 齐鲁工业大学 一种房颤信号识别系统及方法
CN112635047A (zh) * 2020-09-22 2021-04-09 广东工业大学 一种鲁棒的心电r峰检测方法
CN113180685A (zh) * 2020-12-11 2021-07-30 上海交通大学 基于形态学滤波和小波阈值的心电异常判别系统及方法
CN115067967A (zh) * 2021-03-10 2022-09-20 广州视源电子科技股份有限公司 心拍信号基准点确定方法、心拍类型识别方法及装置
CN113057648A (zh) * 2021-03-22 2021-07-02 山西三友和智慧信息技术股份有限公司 一种基于复合lstm结构的ecg信号分类方法
CN113080990A (zh) * 2021-03-25 2021-07-09 南京蝶谷健康科技有限公司 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法
CN113080990B (zh) * 2021-03-25 2023-01-10 南京蝶谷健康科技有限公司 一种基于CycleGAN和BiLSTM神经网络方法的心博异常检测方法
CN113171104A (zh) * 2021-04-25 2021-07-27 安徽十锎信息科技有限公司 基于深度学习的充血性心力衰竭自动诊断方法
CN115316996A (zh) * 2021-05-10 2022-11-11 广州视源电子科技股份有限公司 心律异常识别模型训练方法、装置、设备及存储介质
CN114159080B (zh) * 2021-12-07 2022-06-24 东莞理工学院 上肢康复机器人运动意图识别模型训练、识别方法及装置
CN114159080A (zh) * 2021-12-07 2022-03-11 东莞理工学院 上肢康复机器人运动意图识别模型训练、识别方法及装置
CN116452579A (zh) * 2023-06-01 2023-07-18 中国医学科学院阜外医院 一种基于胸片图像的肺动脉高压智能评估方法和系统
CN116452579B (zh) * 2023-06-01 2023-12-08 中国医学科学院阜外医院 一种基于胸片图像的肺动脉高压智能评估方法和系统

Also Published As

Publication number Publication date
CN111631705B (zh) 2024-07-16

Similar Documents

Publication Publication Date Title
CN111631705B (zh) 心电异常检测方法、模型训练方法、装置、设备及介质
Wang et al. A high-precision arrhythmia classification method based on dual fully connected neural network
Wang et al. Deep multi-scale fusion neural network for multi-class arrhythmia detection
Zhai et al. Automated ECG classification using dual heartbeat coupling based on convolutional neural network
Zhou et al. Premature ventricular contraction detection combining deep neural networks and rules inference
Afkhami et al. Cardiac arrhythmia classification using statistical and mixture modeling features of ECG signals
US20230143594A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
CN111990989A (zh) 一种基于生成对抗及卷积循环网络的心电信号识别方法
CN111626114B (zh) 基于卷积神经网络的心电信号心律失常分类系统
CN110720894B (zh) 一种心房扑动的检测方法、装置、设备及存储介质
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
US20200289010A1 (en) Method for classifying type of heartbeat and apparatus using the same
Zhou et al. ECG quality assessment using 1D-convolutional neural network
Ji et al. MSGformer: A multi-scale grid transformer network for 12-lead ECG arrhythmia detection
Mehta et al. Comparative study of QRS detection in single lead and 12-lead ECG based on entropy and combined entropy criteria using support vector machine.
Pal et al. Two-stage classifier for resource constrained on-board cardiac arrhythmia detection
CN111839502B (zh) 一种心电数据异常检测方法、装置、设备及存储介质
Lei et al. AFC-ECG: An adaptive fuzzy ECG classifier
CN111956207B (zh) 一种心电记录标注方法、装置、设备及存储介质
CN110786847B (zh) 心电信号的建库方法和分析方法
CN115316996B (zh) 心律异常识别模型训练方法、装置、设备及存储介质
Tanantong et al. Towards continuous electrocardiogram monitoring based on rules and ontologies
Jiang et al. Heartbeat classification system based on modified stacked denoising autoencoders and neural networks
CN115500807A (zh) 基于小型卷积神经网络的心律失常分类检测方法及系统
Kovalchuk et al. A novel feature vector for ECG classification using deep learning

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