CN111714117A - 一种基于时序深度模型的心电信号异常检测方法 - Google Patents

Abstract

本发明涉及一种基于时序深度模型的心电信号异常检测方法，通过设计一个全部由注意力机制构成的编码器与解码器，试图通过编码器挖掘患者心电信号本身的特征信息，通过解码器分析标准心电信号的特征信息，以及患者心电信号与标准心电信号之间的相似性关系，以此判断患者心电信号是否异常，最终给出辅助诊疗结果，提高医护人员诊疗的工作效率以及准确率。实现对患者进行非接触式实时监控，避免疾病在医患之间发生传播。

Description

一种基于时序深度模型的心电信号异常检测方法

技术领域

本发明涉及辅助诊疗医疗器械装置领域，具体是一种基于时序深度模型的心电信号异常检测方法。

背景技术

心电信号作为反应患者生命体征的一种重要信息，在诊疗过程中常需要投入大量的人力物力进行监控患者状况，以防止突发情况的发生。对于某些重症患者往往可能在某些时刻其生命体征已经出现些微异常，但由于察觉不及时，而错过最佳救治时间，造成无法挽回的严重后果。而对于某些患有传染类疾病的重症患者在治疗期间不可避免地会与医护人员发生直接接触，而这种接触往往具有较高的疾病传播风险。

由于患者心电信号是一种典型的时序信号，处理时序信号的深度学习方法大多以由递归神经网络(Recurrent Neural Network，RNN)[2]演变的长短时记忆模型(Long-Short Term Memory，LSTM)作为基础构建模型，将前一个神经元的输出，作为下一个神经元的输入，以此最大程度保留了时序信号间的时序关联性。但由于其模型结构过于简单，只能处理简单的单一维度的时序信号数据，而不能解决结构复杂，维度较多的时序信号数据；只能解决短期依赖问题，不能很好地解决长期依赖问题。这使得学者们从以下两方面对基础LSTM模型做出改进，第一种为针对待处理信号的特殊性做出的改进，如：多用于处理文本情感分析的双向长短时记忆模型(Bidirectional Long-Short Term Memory，BiLSTM)；针对处理区域型时序数据的卷积长短时记忆模型；更擅长于处理多维度时序信号的多维长短时记忆模型等；另一种则针对梯度消失问题做出的改进，如peephole connection模型、GatedRecurrent Unit模型(GRU)、Clockwork RNN模型[9]等，以通过上述两种方式使得模型具备捕捉跨度更长，距离更远的两个时间点的数据之间的关联性。

近段时间，随着通过为数据元素赋予不同权重，以模拟人在处理数据中的感知过程的注意力机制的发展，开始有科研人员尝试打破用递归神经网络单元处理时序信号的固有思维模式，构建了全部由注意力机制组成的Transformer模型，其中首次提出自注意力机制，通过将查询向量，键向量以及数值向量赋予相同的数值以发现该向量各元素间的内在联系，并在运算效率上实现了突破性进展。同时也诞生了越来越多的与自注意力机制有关的模型被用于解决传统卷积网络，递归神经网络难以很好解决的问题，如：语义分析问题、图分类问题，知识融合问题等。本发明使用基于时序的深度模型方法实现远程非接触式实时监控患者心电信号，并在检测到异常时进行报警，并向医护人员给出辅助诊疗信息。

发明内容

本发明所要解决的技术问题是提供一种基于时序深度模型的心电信号异常检测方法，以解决现有技术中存在的缺陷。

本发明解决上述技术问题的技术方案如下：

一种基于时序深度模型的心电信号异常检测方法，包括如下步骤：

S1、通过可穿戴设备中的传感器对患者心电信号进行实时采集并远程传输至云端；

S2、在云端通过由注意力机制构成的时序深度模型对采集到的患者心电信号进行实时处理、分析，对患者状况进行无接触式远程实时监控；

S3、在检测到患者当前状况异常时，再次通过数据传输，向医护人员发出警告，并给出对于当前异常状况的辅助诊断信息；

更具体的，步骤S2包括如下过程：

S21、在云端通过基于时序的深度模型中的编码器对输入的患者心电信号进行特征分析；

S22、在云端通过基于时序的深度模型中的解码器对当前的患者心电信号与正常状况下的标准心电信号进行相似性分析；

本发明的有益效果是：通过编码器挖掘患者心电信号本身的特征信息，通过解码器分析标准心电信号的特征信息，以及患者心电信号与标准心电信号之间的相似性关系，以此判断患者心电信号是否异常，最终给出辅助诊疗结果，提高医护人员诊疗的工作效率以及准确率。实现对患者进行非接触式实时监控，避免疾病在医患之间发生传播。

附图说明

图1为本发明流程示意图；

图2为本发明的时序深度模型网络示意图；

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1-2所示，一种基于时序深度模型的心电信号异常检测方法，包括如下步骤：

S1、通过可穿戴设备中的传感器对患者心电信号进行实时采集并远程传输至云端；

S2、在云端通过由注意力机制构成的时序深度模型对采集到的患者心电信号进行实时处理、分析，对患者状况进行无接触式远程实时监控；

S3、在检测到患者当前状况异常时，再次通过数据传输，向医护人员发出警告，并给出对于当前异常状况的辅助诊断信息；

具体实施时，首先通过可穿戴传感器对重症患者进行心电信号的实时采集，并通过远程数据传输，在云端通过由注意力机制构成的时序深度模型对采集到的患者心电信号进行实时处理、分析，对患者状况进行无接触式实时远程监控，在检测到患者当前状况异常时，再次通过数据传输，向医护人员发出警告，并给出对于当前异常状况的辅助诊断信息，提高医生诊疗的效率，与准确性。

更具体的，步骤S2包括如下过程：

S21、在云端通过基于时序的深度模型中的编码器对输入的患者心电信号进行特征分析；

S22、在云端通过基于时序的深度模型中的解码器对当前的患者心电信号与正常状况下的标准心电信号进行相似性分析；

更具体的，上述步骤S21中，首先对采集的心电信号进行计算得到心电信号编码向量，具体过程如下：

S211、在云端对从传感器获得的患者心电信号的振幅数据，按照指定变换将其转化为功率谱图，并将功率谱作为时间频率分布，最终将其转化为瞬时频率值，具体运算如下：

S212、将得出的患者心电信号瞬时频率值加以时序信息。通过以下公式进行心电信号的时序编码：

其中pos表示位置信息，i表示维度信息，dmodel表示心电信号每个时间点的瞬时值的嵌入维度。这使得位置编码的每个维度对应于一个正弦曲线。波长变化的范围从2π到10000·2π；

S213、将得到的心电信号编码向量作为整个时序深度模型的输入，并将最终的心电信号异常检测结果作为整个模型的输出；该时序深度模型采用编码解码结构，通过编码器对得到的心电信号编码向量进行计算，进而对患者心电信号进行特征分析得到患者的心电信号特征向量；

更具体的，步骤S213中，编码器由6个完全相同的网络单元构成，该网络单元包括由一个多头注意力层与一个全连接层。在编码器中，每个网络单元间采用残差方式进行连接，即，将第i个单元的运算结果与第i个网络单元的输入向量进行加和，得到的最终向量作为第i个单元的最终计算结果，以此作为第i+1个网络单元的输入向量。每个网络单元具体运算如下：

(1)多头注意力层由8个完全独立的点积注意力机制构成，点积注意力机制运算如下：

其中Q，K，V均为经过编码后的患者心电信号特征向量。dk表示Q，K，V向量对应的维度值。

(2)为避免网络单元结构过于简单，采用多头注意力机制，将8个完全独立的点击注意力机制得到的注意力向量进行连接，保障该层网络结构能充分的提取出心电信号的隐含特征，具体操作如下：

MultiHead(Q，K，V)＝Concat(head₁，...，head_h)W^O

其中

与

表示第i个注意力头对Q、K、V的线性变换矩阵，

表示最终连接结果映射到编码空间的线性变换矩阵。将最终得到的向量MultiHead(Q，K，V)作为全连接层的输入。

(3)全连接层操作如下：

FFN(x)＝max(0，xW₁+b₁)W₂+b₂

其中x为全连接层的输入向量，FFN(x)为编码器最终得到的心电信号特征向量，并作为解码器的一个输入向量；

更具体的，上述步骤S22中，通过解码器对标准心电信号进行特征分析，并同时分析患者的心电信号特征向量与标准心电信号特征向量之间的相似性关系，进而给出心电信号异常检测结果；其中，所述编码器通过如下方式实现：

编码器由6个完全相同的网络单元构成，该网络单元包括由一个多头注意力层与一个全连接层。在编码器中，每个网络单元间采用残差方式进行连接，即，将第i个单元的运算结果与第i个网络单元的输入向量进行加和，得到的最终向量作为第i个单元的最终计算结果，以此作为第i+1个网络单元的输入向量。每个网络单元具体运算如下：

(1)多头注意力层由8个完全独立的点积注意力机制构成，点积注意力机制运算如下：

其中Q，K，V均为经过编码后的患者心电信号特征向量。dk表示Q，K，V向量对应的维度值。

(2)为避免网络单元结构过于简单，采用多头注意力机制，将8个完全独立的点击注意力机制得到的注意力向量进行连接，保障该层网络结构能充分的提取出心电信号的隐含特征，具体操作如下：

MultiHead(Q，K，V)＝Concat(head₁，...，head_h)W^O

其中

与

表示第i个注意力头对Q、K、V的线性变换矩阵，

表示最终连接结果映射到编码空间的线性变换矩阵。将最终得到的向量MultiHead(Q，K，V)作为全连接层的输入。

(3)全连接层操作如下：

FFN(x)＝max(0，xW₁+b₁)W₂+b₂

其中x为全连接层的输入向量，FFN(x)为编码器最终得到的心电信号特征向量，并作为解码器的一个输入向量。

更具体的，所述解码器也同样由6个完全相同的网络单元通过残差连接的方式构成，但是每个网络单元由2个多头注意力层与1个与解码器网络单元相同的全连接网络层构成，且多头注意力层与编码其中网络单元的多头注意力曾运算方式相同；解码器网络单元中第一层注意力层的Q，K，V三个输入向量均为相同的标准心电信号的编码向量，第二层注意力层的Q，V向量为该网络单元第一层注意力层的运算结果向量，K向量则为编码器的最终输出结果向量，即患者心电信号的特征向量；通过六个相同的网络单元进行运算，最终给出针对患者心电信号的异常检测结果。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于时序深度模型的心电信号异常检测方法，其特征在于，包括如下步骤：

S1、通过可穿戴设备中的传感器对患者心电信号进行实时采集并远程传输至云端；

S2、在云端通过由注意力机制构成的时序深度模型对采集到的患者心电信号进行实时处理、分析，对患者状况进行无接触式远程实时监控；

S3、在检测到患者当前状况异常时，再次通过数据传输，向医护人员发出警告，并给出对于当前异常状况的辅助诊断信息。

2.根据权利要求1所述的一种基于时序深度模型的心电信号异常检测方法，其特征在于，步骤S2包括如下过程：

S21、在云端通过基于时序的深度模型中的编码器对输入的患者心电信号进行特征分析；

S22、在云端通过基于时序的深度模型中的解码器对当前的患者心电信号与正常状况下的标准心电信号进行相似性分析。

3.根据权利要求2所述的一种基于时序深度模型的心电信号异常检测方法，其特征在于，上述步骤S21中，首先对采集的心电信号进行计算得到心电信号编码向量，具体过程如下：

S211、在云端对从传感器获得的患者心电信号的振幅数据，按照指定变换将其转化为功率谱图，并将功率谱作为时间频率分布，最终将其转化为瞬时频率值，具体运算如下：

S212、将得出的患者心电信号瞬时频率值加以时序信息。通过以下公式进行心电信号的时序编码：

其中pos表示位置信息，i表示维度信息，dmodel表示心电信号每个时间点的瞬时值的嵌入维度。这使得位置编码的每个维度对应于一个正弦曲线。波长变化的范围从2π到10000·2π；

S213、将得到的心电信号编码向量作为整个时序深度模型的输入，并将最终的心电信号异常检测结果作为整个模型的输出；该时序深度模型采用编码解码结构，通过编码器对得到的心电信号编码向量进行计算，进而对患者心电信号进行特征分析得到患者的心电信号特征向量。

4.根据权利要求3所述的一种基于时序深度模型的心电信号异常检测方法，其特征在于，步骤S213中，编码器由6个完全相同的网络单元构成，该网络单元包括由一个多头注意力层与一个全连接层。在编码器中，每个网络单元间采用残差方式进行连接，即，将第i个单元的运算结果与第i个网络单元的输入向量进行加和，得到的最终向量作为第i个单元的最终计算结果，以此作为第i+1个网络单元的输入向量。每个网络单元具体运算如下：

(1)多头注意力层由8个完全独立的点积注意力机制构成，点积注意力机制运算如下：

其中Q，K，V均为经过编码后的患者心电信号特征向量。dk表示Q，K，V向量对应的维度值。

(2)为避免网络单元结构过于简单，采用多头注意力机制，将8个完全独立的点击注意力机制得到的注意力向量进行连接，保障该层网络结构能充分的提取出心电信号的隐含特征，具体操作如下：

MultiHead(Q，K,V)＝Concat(head₁,...，head_h)W^O

head_i＝Attention(QW_i ^Q，KW_i ^K，VW_i ^V)

其中

与

表示第i个注意力头对Q、K、V的线性变换矩阵，

表示最终连接结果映射到编码空间的线性变换矩阵。将最终得到的向量MultiHead(Q，K，V)作为全连接层的输入。

(3)全连接层操作如下：

FFN(x)＝max(0，xW₁+b₁)W₂+b₂

其中x为全连接层的输入向量，FFN(x)为编码器最终得到的心电信号特征向量，并作为解码器的一个输入向量。

5.根据权利要求2所述的一种基于时序深度模型的心电信号异常检测方法，其特征在于，上述步骤S22中，通过解码器对标准心电信号进行特征分析，并同时分析患者的心电信号特征向量与标准心电信号特征向量之间的相似性关系，进而给出心电信号异常检测结果；其中，所述编码器通过如下方式实现：

编码器由6个完全相同的网络单元构成，该网络单元包括由一个多头注意力层与一个全连接层。在编码器中，每个网络单元间采用残差方式进行连接，即，将第i个单元的运算结果与第i个网络单元的输入向量进行加和，得到的最终向量作为第i个单元的最终计算结果，以此作为第i+1个网络单元的输入向量。每个网络单元具体运算如下：

(1)多头注意力层由8个完全独立的点积注意力机制构成，点积注意力机制运算如下：

其中Q，K，V均为经过编码后的患者心电信号特征向量。dk表示Q，K，V向量对应的维度值。

(2)为避免网络单元结构过于简单，采用多头注意力机制，将8个完全独立的点击注意力机制得到的注意力向量进行连接，保障该层网络结构能充分的提取出心电信号的隐含特征，具体操作如下：

MultiHead(Q，K，V)＝Concat(head₁，...，head_h)W^O

head_i＝Attention(QW_i ^Q，KW_i ^K，VW_i ^V)

其中

与

表示第i个注意力头对Q、K、V的线性变换矩阵，

表示最终连接结果映射到编码空间的线性变换矩阵。将最终得到的向量MultiHead(Q，K，V)作为全连接层的输入。

(3)全连接层操作如下：

FFN(x)＝max(0，xW₁+b₁)W₂+b₂

其中x为全连接层的输入向量，FFN(x)为编码器最终得到的心电信号特征向量，并作为解码器的一个输入向量。

Images