CN111839502A - 一种心电数据异常检测方法、装置、设备及存储介质 - Google Patents

一种心电数据异常检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111839502A
CN111839502A CN202010706277.1A CN202010706277A CN111839502A CN 111839502 A CN111839502 A CN 111839502A CN 202010706277 A CN202010706277 A CN 202010706277A CN 111839502 A CN111839502 A CN 111839502A
Authority
CN
China
Prior art keywords
feature
convolution
electrocardiographic
abnormal
data
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
CN202010706277.1A
Other languages
English (en)
Other versions
CN111839502B (zh
Inventor
王红梅
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 CN202010706277.1A priority Critical patent/CN111839502B/zh
Publication of CN111839502A publication Critical patent/CN111839502A/zh
Application granted granted Critical
Publication of CN111839502B publication Critical patent/CN111839502B/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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了一种心电数据异常检测方法、装置、设备及存储介质。方法包括：获取心电数据，从心电数据中提取第一心电特征，从异常种类拓扑图的图数据中提取中间特征，异常种类拓扑图用于表示各异常种类的共现概率，中间特征用于表示异常种类的特征表达，然后基于第一心电特征和中间特征确定各异常种类的概率。通过将多种类别的心梗的共现概率应用到心电异常检测，避免了现有技术中只能检测某一特定类别心梗异常的发生概率的局限性，提高了多种心梗异常类别同时发生时检测概率的准确性。

Description

一种心电数据异常检测方法、装置、设备及存储介质
技术领域
本发明实施例涉及心电检测技术，尤其涉及一种心电数据异常检测方法、装置、设备及存储介质。
背景技术
多种疾病都能够引起心电图(Electrocardiogram，ECG)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。
正常的心电图是一种周期性信号，每个周期心电图波形由P波、QRS波、T波组成。当心肌梗死发生后，大多数患者心电图可出现特征性改变，例如ST段抬升或下降，T波高大、或低平或反向，Q波间期增大，出现坏死型Q波。因此，通过分析心电图信号，可以判别心电图信号有无出现心梗特征性改变。且通过多导联心电信号，可以大致判别心梗发生的心脏位置，心梗发生频率较高的心脏位置包括心脏前壁、心脏下壁、心脏侧壁、心脏中隔等。
现有的心电图异常自动分析方法，由于个体间身高、体重、患病史等差异巨大，其心电图波形表现也各不相同，导致心电图分析难度大，精度低。此外，各个位置的心梗并不独立，常常心脏多位置同时发生心梗，导致心电图波形异常形态变化大，检测难度大，因此现有的方法和装置，常常只能聚焦于某一种位置的心梗异常心电图检测，而无法检测多种位置心梗同时发生的情况，与实际临床情况不符，在实际中应用效果差。
发明内容
本发明提供一种心电数据异常检测方法、装置、设备及存储介质，避免了现有技术中只能检测某一特定类别心梗异常的发生概率的局限性，提高了多种心梗异常类别同时发生时检测概率的准确性。
第一方面，本发明实施例提供了一种心电数据异常检测方法，包括：
获取心电数据；
从所述心电数据中提取第一心电特征；
从异常种类拓扑图的图数据中提取中间特征，所述异常种类拓扑图用于表示各异常种类的共现概率，所述中间特征用于表示所述异常种类的特征表达；
基于所述第一心电特征和所述中间特征确定各异常种类的概率。
第二方面，本发明实施例还提供了一种心电数据异常检测装置，该装置包括：
心电数据获取模块，用于获取心电数据；
第一心电特征提取模块，用于从所述心电数据中提取第一心电特征；
中间特征提取模块，用于从异常种类拓扑图的图数据中提取中间特征，所述异常种类拓扑图用于表示各异常种类的共现概率，所述中间特征用于表示所述异常种类的特征表达；
概率确定模块，用于基于所述第一心电特征和所述中间特征确定各异常种类的概率。
第三方面，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数据异常检测方法。
第三方面，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数据异常检测方法。
本发明实施例提供的心电数据异常检测方法，包括：获取心电数据，从心电数据中提取第一心电特征，从异常种类拓扑图的图数据中提取中间特征，异常种类拓扑图用于表示各异常种类的共现概率，中间特征用于表示异常种类的特征表达，然后基于第一心电特征和中间特征确定各异常种类的概率。通过将多种类别的心梗的共现概率应用到心电数据异常检测，避免了现有技术中只能检测某一特定类别心梗异常的发生概率的局限性，提高了多种心梗异常类别同时发生时检测概率的准确性。
附图说明
图1为本发明实施例一提供的一种心电数据异常检测方法的流程图；
图2A是本发明实施例二提供的一种心电数据异常检测方法的流程图；
图2B为本发明实施例一提供的一个心拍信号的结构图；
图2C为本发明实施例提供的一种第一卷积神经网络的结构示意图；
图2D为本发明实施例提供的一种异常种类拓扑图；
图2E为本发明实施例提供的对第一心电特征和异常种类拓扑图的图数据进行处理的网络结构示意图；
图3为本发明实施例三提供的一种心电数据异常检测装置的结构示意图；
图4为本发明实施例四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1为本发明实施例一提供的一种心电数据异常检测方法的流程图，本实施例可适用于确定心电数据属于的异常种类的概率情况，该方法可以由本发明实施例提供的心电数据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1所示，该方法具体包括如下步骤：
S101、获取心电数据。
具体的，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，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心拍信号，在本发明实施例中，从ECG中截取不短于10s的信号作为心电数据。
需要说明的是，本发明实施例中的心电数据可以是多导联心电信号(例如7导联心电信号或12导联心电信号)，或单导联心电信号，本发明实施例在此不做限定，单导联电信号即采集身体一个部位的电信号得到的心电信号，多导联心电信号即为采集身体多个部位的电信号得到的心电信号。在本发明实施例中，以心电信号为多导联心电信号为例，对本发明进行说明。
S102、从心电数据中提取第一心电特征。
具体的，对心电数据进行处理，例如卷积、池化等操作，得到第一心电特征。第一心电特征用于表征该心电数据，提高后续确定心电异常检测结果的效率。
S103、从异常种类拓扑图的图数据中提取中间特征。
具体的，异常种类拓扑图由节点和节点间的连线构成，异常种类拓扑图的节点表示各异常种类，两个节点之间的连线表示该两个节点表示的两种异常种类的共现概率。
在临床中，心脏的心梗异常通常分为前壁、下壁、中隔、侧壁和后壁这五类，本发明实施例中，将这五种心梗类别和健康类别(不存在心电异常)作为异常种类拓扑图中的6个节点。
有些心梗种类常常共同出现，例如下壁心梗和侧壁心梗同时出现的可能性高，而前壁心梗和下壁心梗几乎不会同时出现，我们将某两种心梗同时出现的概率称为共现概率。具体的，可以通过总结统计大量现有的病例(例如，大于200例)，得到各类心梗间的共现概率。统计的病例总数越多，其共现概率的值越接近心梗在现实世界分布的真实值。
异常种类拓扑图两个节点之间的连线表示该两个节点表示的两种异常种类的共现概率。具体的，本发明实施例中，共现概率为具有指向性的，即两个节点之间的连线具有指向性，示例性的，出现后壁心梗的同时出现下臂心梗的共现概率为0.591，则表示后壁心梗的节点指向表示下臂心梗的节点的连线表示的共现概率为0.591；出现下壁心梗的同时出现后臂心梗的共现概率为0.095，则表示下壁心梗的节点指向表示后臂心梗的节点的连线表示的共现概率为0.095。
异常种类拓扑图的图数据包括异常种类拓扑图中各节点代表的异常种类的向量表达，和各节点代表的异常种类的共现概率。通过将异常种类拓扑图转换为图数据的形式，然后可以采用图神经网络(Graph Neural Networks，GNN)对异常种类拓扑图的图数据进行处理，从异常种类拓扑图的图数据中提取中间特征，中间特征用于表示异常种类的特征表达。
通过将多种类别的心梗的共现概率应用到心电异常检测，有助于提高同时出现多种类别心梗的判别准确率，如检测得下壁心梗，那么此心电信号有侧壁心梗的概率就比有前壁心梗的概率要高。
S104、基于第一心电特征和中间特征确定各异常种类的概率。
具体的，可以是基于中间特征设置第一心电特征的权值，示例性的，可以是中间特征与第一心电特征相乘，完成对第一心电特征加权，然后将加权后的特征输入一分类器中，得到该心电数据属于各异常种类的概率作为检测结果。
本发明实施例提供的心电数据异常检测方法，包括：获取心电数据，从心电数据中提取第一心电特征，从异常种类拓扑图的图数据中提取中间特征，异常种类拓扑图用于表示各异常种类的共现概率，中间特征用于表示异常种类的特征表达，然后基于第一心电特征和中间特征确定各异常种类的概率。通过将多种类别的心梗的共现概率应用到心电数据异常检测，避免了现有技术中只能检测某一特定类别心梗异常的发生概率的局限性，提高了多种心梗异常类别同时发生时检测概率的准确性。
实施例二
本发明实施例二提供了一种心电数据异常检测方法，图2A是本发明实施例二提供的一种心电数据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，详细描述了心电异常检测的过程，如图2A所示，该方法包括：
S201、获取心电信号和特征波信号作为心电数据。
具体的，本发明实施例中，心电数据包括12导联的心电信号和特征波信号。
心电信号可以从12导联心电仪器测得的心电图中截取得到，具体的，本发明实施例中，截取的信号不短于10s，保证每个心电信号至少包括一个心拍信号。
图2B为本发明实施例一提供的一个心拍信号的结构图，参考图2B可见，一个心拍信号包括P波、QRS波、T波和U波。通过检测P波、QRS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。
特征波信号可以是从某一导联的心电信号中提取的具有明显形态特征的信号。具体的，可以采用Pan-Tompkin算法定位II导联心电信号中R波位置，以R波位置为基准，定位II导联心电信号上所有的P波起点Pon、QRS波起点QRSon和QRS波终点QRSend、T波终点Tend。需要说明的是，在本发明其他实施例中，也可以采用其他算法定位II导联心电信号中R波位置，本发明实施例在此不做限定。
P波形态特征Signal_P：保留II导联心电信号上所有的Pon到QRSon的波形，其他位置置零，得到P波形态特征信号。
QRS波形态特征Signal_QRS：保留II导联心电信号上所有的QRSon到QRSend的波形，其他位置置零，得到QRS波形态特征信号。
T波形态特征Signal_T：保留II导联心电信号上所有的QRSend到Tend的波形，其他位置置零，得到T波形态特征信号。
由此提取得到三个和12导联心电信号长度相同的特征波信号，分别为Signal_P，Signal_QRS，Signal_T。
心电信号是在体表由电极测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，心电仪器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异常检测，会因为噪声的存在，降低检测的准确率。所以在对心电信号进行处理前，一般需要对原始的多导联信号先进行滤波操作。
本发明实施例中，对原始的多导联信号进行滤波，得到第一信号。具体的，通过截止频率0.5Hz，50Hz，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，保留0.5Hz-50Hz范围内的信号作为第一信号。
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。
对第三信号归一化处理，得到12导联的心电信号。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 BDA0002594801740000081
其中，μ为均值，σ为标准差。
S202、将心电信号和特征波信号输入第一卷积神经网络中进行处理，得到第一心电特征。
具体的，将12导联心电信号和三个特征波信号输入第一卷积神经网络中进行处理，得到用于表征该心电数据是否存在异常的第一心电特征。示例性的，第一卷积神经网络可以包括多个卷积操作层，用于对输入的心电数据进行卷积操作处理，利用卷积神经网络的局部感知作用，对心电数据进行局部特征细提取，局部特征能够增强有效特征的表达，可以提高后续心电异常检测效率和检测结果的准确性。
本发明实施例中，先进行了形态特征粗提取，得到P波信号Signal_P，QRS波信号Signal_QRS，T波信号Signal_T，然后采用卷积神经网络对粗提取后的心电信号和特征波信号进行特征细提取，从而提高了异常信号分析的精度，而现有的心电信号处理方法多专注于直接采用卷积神经网络细提取信号，没有定向特征提取，导致分析精度低。
在本发明的一些实施例中，第一卷积神经网络可以包括卷积块、第一池化操作层和由多个残差卷积块组成的残差卷积子网络。
图2C为本发明实施例提供的一种第一卷积神经网络的结构示意图，示例性的，如图2C所示，第一卷积神经网络包括卷积块0、第一池化操作层和由三个残差卷积块组成的残差卷积子网络。
第一卷积神经网络的具体处理过程如下：
将12导联心拍信号和三个特征波信号输入卷积块0中进行卷积操作，得到第一特征。具体的，卷积块0具有15个输入通道，分别用于输入12导联心拍信号和三个特征波信号，卷积块0具有64个输出通道。卷积块0的卷积核大小为7，滑动步长为2。
具体的，卷积块0包括卷积层、批归一化层和激活函数层。卷积层的卷积核大小为7，滑动步长为2，具有15个输入通道和64个输出通道，15个输入通道分别用于输入12导联心拍信号和三个特征波信号。卷积层用于对输入的12导联心拍信号和三个特征波信号进行卷积操作处理，并将卷积操作后得到的特征输入批归一化层。批归一化层用于对各通道输入的数据进行归一化处理，并将归一化处理后的数据输入激活函数层，所谓激活函数就是在人工神经网络的神经元上运行的函数，负责将神经元的输入映射到输出端，得到第一特征。引入激活函数是为了增加神经网络模型的非线性，使得神经网络可以任意逼近任何非线性函数。
需要说明的是，上述第一卷积神经网络也可以包括多个卷积块，本发明实施例在此不做限定。第一卷积神经网络中卷积块的具体参数应该理解为对本发明实施例的示例性说明，而非对本发明实施例的具体的限定。
将第一特征输入第一池化操作层中进行最大池化操作，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，保留第一特征各通道数据中的最大特征，得到第二特征。池化是为了减少训练参数的数量，降低卷积块0输出的第一特征的维度，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。
将第二特征输入残差卷积子网络中进行残差卷积操作，得到第一心电特征。深度学习网络的深度对最后的分类和识别的效果有着很大的影响，常规的网络的堆叠(plainnetwork)在网络很深的时候，效果却越来越差了。其中原因之一即是随着神经网络层数的加深，退化现象(degradation)就越来越明显，网络的训练效果越差，即准确率会先上升然后达到饱和，再持续增加深度则会导致准确率下降。但是现在浅层的网络(shallowernetwork)又无法明显提升网络的识别效果。残差卷积子网络包括多个残差卷积块，残差卷积块间通过短连接(shortcut connection)连接，通过shortcut将这个block的输入和输出进行element-wise的加叠(即两个矩阵中相同位置的元素相加)，这个简单的加法并不会给网络增加额外的参数和计算量，同时却可以大大增加模型的训练速度、提高训练效果，并且当模型的层数加深时，这个简单的结构能够很好的解决退化现象。
具体的，在本发明的具体实施例中，残差卷积子网络包括3个依次连接的残差卷积块，每个残差卷积块包括两个卷积块。每个卷积块具有如前文所述的卷积层、批归一化层和激活函数层。第一个残差卷积块的两个卷积块分别为卷积块1和卷积块2，卷积块1和卷积块2的卷积核大小为7，输入通道为64，输出通道为64，滑动步长为2。第二个残差卷积块的两个卷积块分别为卷积块3和卷积块4，卷积块3的卷积核大小为7，输入通道为64，输出通道为128，滑动步长为2，卷积块4的卷积核大小为7，输入通道为128，输出通道为128，滑动步长为2。第三个残差卷积块的两个卷积块分别为卷积块5和卷积块6，卷积块5的卷积核大小为7，输入通道为128，输出通道为256，滑动步长为2，卷积块6的卷积核大小为7，输入通道为256，输出通道为256，滑动步长为2。
第一池化操作层的输出与第一个残差卷积块的输入连接，且第一池化操作层的输出与第二个残差卷积块的输入通过短连接(shortcut connection)连接。第一个残差卷积块对第一池化操作层输出的第二特征进行第一预设次数的卷积操作，得到第一子特征，本发明实施例中第一预设次数为4次。通过短连接将第一池化操作层输出的第二特征与第一个残差卷积块输出的第一子特征进行element-wise的叠加，作为第二个残差卷积块的输入。
第一个残差卷积块的输出与第二个残差卷积块的输入连接，且第一个残差卷积块的输出与第三个残差卷积块的输入通过短连接(shortcut connection)连接。第二个残差卷积块对第一子特征和第二特征进行第二预设次数的卷积操作，得到第二子特征，本发明实施例中第二预设次数为6次。通过短连接将第一个残差卷积块输出的第一子特征与第二个残差卷积块的输出的第二子特征进行element-wise的叠加，作为第三个残差卷积块的输入。
第二个残差卷积块的输出与第三个残差卷积块的输入连接，第三个残差卷积块对第一子特征和第二子特征进行第三预设次数的卷积操作，得到第三子特征，本发明实施例中第二预设次数为3次。且第二个残差卷积块输出的第二子特征通过短连接与第三个残差卷积块输出的第三子特征进行element-wise的叠加，得到第一心电特征。第一心电特征包含256个特征面，每个特征面为一个一维向量。
其中，卷积块1、卷积块2、卷积块3、卷积块4、卷积块5和卷积块6均与卷积块0的结构类似，包括卷积层、批归一化处理层和激活函数层。
需要说明的是，在本发明的其他实施例中，为了提高检测的准确度，可以增加残差卷积子网络的深度，即增加残差卷积块的数量，各残差卷积块包括的卷积块的数量也可以为多个，各残差卷积块的卷积操作次数也可以根据实际需要设定，本发明实施例在此不做限定。
S203、基于历史数据确定异常种类拓扑图的图数据。
在临床中，心脏的心梗异常通常分为前壁、下壁、中隔、侧壁和后壁这五类，本发明实施例中，将这五中心梗类别和健康类别(不存在心电异常)作为异常种类拓扑图中的6个节点。两个节点之间的连线表示该相邻两个节点表示的两种异常种类的共现概率。
图2D为本发明实施例提供的一种异常种类拓扑图，如图2D所示，该拓扑图包括6个节点，分别表示前壁心梗、下壁心梗、侧壁心梗、中隔心梗、后壁心梗和健康6个类别。异常种类拓扑图两个节点之间的连线表示该两个节点表示的两种异常种类的共现概率。具体的，本发明实施例中，共现概率为具有指向性的，即两个节点之间的连线具有指向性，示例性的，出现后壁心梗的同时出现下臂心梗的共现概率为0.591，则表示后壁心梗的节点指向表示下臂心梗的节点的连线表示的共现概率为0.591；出现下壁心梗的同时出现后臂心梗的共现概率为0.095，则表示下壁心梗的节点指向表示后臂心梗的节点的连线表示的共现概率为0.095。
接下来，对异常种类拓扑图进行处理，对各节点和节点间的相互关系(即连接两个节点间的连线)进行建模，将异常种类拓扑图转换为图数据。
具体的，S203、基于历史数据确定异常种类拓扑图的图数据，可以包括如下步骤：
S2031、对异常种类拓扑图中的异常种类进行词嵌入，得到各异常种类的嵌入向量。
词嵌入的词嵌入(Word Embedding)是一种将文本中的词(word)转换成数字向量(vector)的方法。为了使用标准机器学习算法来对词进行分析，就需要把这些词转换成数字的向量以数字形式作为输入。词嵌入过程就是把一个维数为所有词数量的高维空间嵌入到一个维数低得多的连续向量空间中，每个单词或词组被映射为实数域上的向量。
本发明实施例中，对5个心梗类别和健康分别进行词嵌入，嵌入维数为N，N至少为5维，得到每个类别N维的嵌入向量V＝{V1，V2，V3，V4，V5，V6}。
将嵌入向量作为异常种类拓扑图中节点的节点表达，即将向量V1，V2，V3，V4，V5，V6分别作为拓扑图中表示前壁心梗、下壁心梗、侧壁心梗、中隔心梗、后壁心梗和健康的各节点的节点表达。
S2032、基于历史数据确定各异常种类的共现概率矩阵。
具体的，可以通过总结统计现有的病例，得到各类心梗间的共现概率。共现概率矩阵中位置(i，j)的数值表示节点Vi和节点Vj的共现概率。
具体的，本发明实施例共现概率矩阵A为一个6*6的矩阵，如下式：
Figure BDA0002594801740000121
将共现概率矩阵A作为异常种类拓扑图中连接各节点之间的连线。示例性的，共现概率矩阵A中位置(3，4)的数值为0.02，即出现侧壁心梗的同时，存在中隔心梗的概率为0.02；共现概率矩阵A中位置(4，3)的数值为0.03，即出现中隔心梗的同时，存在侧壁心梗的概率为0.03。共现概率矩阵中位置(i，j)的数值表示出现心梗Vi的同时，存在心梗Vj的共现概率。
S204、将异常种类拓扑图的图数据输入图卷积网络进行处理，得到用于表示异常种类的特征表达的中间特征。
具体的，将异常种类拓扑图输入图卷积网络，采用两层图卷积网络对上述生成的异常种类拓扑图的图数据进行特征提取，得到用于表示各异常种类的特征表达的中间特征。
图2E为本发明实施例提供的对第一心电特征和异常种类拓扑图的图数据进行处理的网络结构示意图，示例性的，如图2E所示，图卷积网络包括第一图卷积层、激活函数层和第二图卷积层。
图卷积网络的处理过程如下：
第一图卷积层接收异常种类拓扑图的N维嵌入向量V和共现概率矩阵A，对每个节点的相邻的节点都进行一次卷积操作，并用卷积的结果更新该节点，得到更新后的节点表达的中间向量，中间向量为128维。
激活函数层对输入的中间向量进行激活处理，得到激活特征。具体的，在本发明实施例中，激活函数层的激活函数为ReLU函数：
f(x)＝max(0,x)
当输入为负数时，则完全不激活，ReLU函数死掉。ReLU函数输出要么是0，要么是正数。ReLU可以克服梯度消失的问题，加快训练速度。需要说明的是，在本发明的其他实施例中，该实施例中的激活函数层中的激活函数也可以是其他激活函数，例如，Sigmoid函数或Tanh函数，本发明实施例在此不做限定。
第二图卷积层接收激活特征和共现概率矩阵，对每个节点的相邻的节点都进行一次卷积操作，并用卷积的结果更新该节点，得到用于表示异常种类的特征表达的中间特征。
经过2层图卷积网络后，6个节点的表达向量自动更新，得到每个类别的特征表达，分别记为V1’，V2’，V3’，V4’，V5’和V6’，每个特征表达为一个256*1的向量，组合在一起是一个256*6的特征表达，定义为中间特征GraphFea。
上述节点更新时，按照图卷积网络的定义，节点按如下的公式更新：
Figure BDA0002594801740000131
其中D是上述构建的心电拓扑图的度矩阵，W是自动学习的参数，σ是激活函数。第一层图卷积网络将每个节点的向量表达更新为128维，第二层图卷积网络将每个节点的表达更新为256维，如图2E所示，两个图卷积层间加入激活函数。根据上述公式，每个节点更新时，与之共现概率不为0的节点均会参与到其更新过程，由此影响了最终每个类别的特征表达，从而成为提高多种类别心梗同时发生这种情况检出率的关键所在。
需要说明的是，上述实施例中，图卷积网络的结构也可以包括多层图卷积层，各图卷积层的具体参数应该理解为对本发明实施例的示例性说明，而非对本发明实施例的具体限定。
S205、基于中间特征对第一心电特征加权处理，得到第三特征。
具体的，基于中间特征对第一心电特征加权处理，可以是直接将中间特征与第一心电特征相乘，完成加权处理，也可是将第一心电特征进一步处理(例如池化)后与中间特征相乘完成加权处理。
示例性的，如图2E所示，在本发明实施例中，S205、基于中间特征对第一心电特征加权处理，可以包括如下过程：
将第一心电特征输入第二池化操作层进行最大池化操作，保留第一心电特征的每个特征面的最大特征。如上所述，第一心电特征共有256个特征面，故池化后得到一个1*256的向量，共有256个特征，将其定义为第五特征MFea1。同时，最大池化操作减少训练参数的数量，降低了第一心电特征的维度，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。
将第五特征MFea1与中间特征GraphFea相乘，即用各个类别的特征表达调制第五特征MFea1，得到第三特征Graph-MFea，根据矩阵相乘定义，可知Graph-MFea为一个1*6的特征向量。
S206、将第一心电特征输入第二卷积神经网络中进行处理，得到用于表示第一心电特征的全局的第四特征。
具体的，通过第二卷积神经网络对第一心电特征进行全局特征提取，保留全局特征的同时，减少训练参数的数量，降低了第一心电特征的维度，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。
示例性的，如图2E所示，第二卷积神经网络包括卷积层和第三池化操作层，第二卷积神经网络的处理过程如下：
卷积层对输入的第一心电特征进行卷积操作处理，得到第六特征，卷积层的输入通道为256，分别用于输入第一心电特征包含256个特征面，卷积层的输出为M维，本发明实施例中，M等于6，卷积层的卷积核大小为3，滑动步长为1。
第三池化操作层对输入的第六特征进行全局平均池化(Global averagepooling，GAP)操作，得到用于表示第一心电特征的全局的第四特征MFea2。全局平均池化用于对M维的第六特征中的每一维数据相加求平均值，得到1*M特征向量作为第四特征MFea2。
全局平均池化增加了全局信息对检测结果的影响，能够提高心电异常检测结果的准确性，此外，在保留全局特征的同时，减少训练参数的数量，降低了第一心电特征的维度，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。
S207、将第三特征和第四特征进行拼接，得到第二心电特征。
具体的，将第三特征Graph-MFea和第四特征MFea2输入一个特征拼接层，特征拼接层在空间维度上对第三特征Graph-MFea和第四特征MFea2进行拼接，得到第二心电特征。本发明实施例中第三特征Graph-MFea为1*6的特征向量，第四特征MFea2为1*M(M＝6)的特征向量，将第三特征Graph-MFea和第四特征MFea2在空间维度上拼接后，得到1*12的特征向量作为第二心电特征。
S208、基于第二心电特征确定各异常种类的概率。
具体的，可以将第二心电特征输入分类器中，得到该心电数据属于各异常种类(或不存在异常)的概率，作为心电异常检测结果。
示例性的，在本发明一具体实施例中，S208、基于第二心电特征确定各异常种类的概率，可以包括如下步骤：
S2081、将第二心电特征输入全连接层，得到第七特征。
具体的，全连接层包括多个结点，每一个结点都与上一层(特征拼接层)的所有结点相连，用来把特征拼接层输出的第二心电特征综合起来，得到第七特征。全连接层输入为1*12的第二心电特征，输出为1*6的第七特征。
S2082、将第七特征输入sigmoid函数层，得到各异常种类的概率。
具体的，sigmoid函数层的sigmoid函数为：
Figure BDA0002594801740000161
在机器学习尤其是深度学习中，sigmoid函数是个非常常用而且比较重要的函数，尤其在二分类的场景中使用广泛。在本发明实施例中，sigmoid函数把输入的第七特征中映射为6个0-1之间的实数并输出，6个0-1之间的实数分别表示该心电数据属于前壁心梗、下壁心梗、侧壁心梗、中隔心梗、后壁心梗和健康的概率，作为心电异常检测结果。
进一步的，在本发明的一些实施例中，当某一异常种类对应的目标概率值大于预设值时，可以确定心电数据属于目标概率值对应的异常种类。
具体的，预设值可以为0.5，若某一异常类别对应的概率大于等于0.5，则可以确定心电数据属于此异常种类。例如，输出概率为前壁心梗概率0.38，下壁心梗概率0.62，侧壁心梗概率0.01，中隔心梗概率0.1，后壁心梗概率为0.05，健康概率0.0000082，则认为此心电数据属于下壁心梗异常种类。
在本发明的一些实施例中，若每个异常类别对应的概率均小于0.5，则确定心电数据属于概率最大的异常种类。例如，输出概率为前壁心梗概率0.38，下壁心梗概率0.001，侧壁心梗概率0.01，中隔心梗概率0.1，后壁心梗概率为0.05，健康概率0.0000082，则认为此心电数据属于前壁心梗异常种类。
在本发明的一些实施例中，若某一异常类别对应的概率大于等于0.5，则则确定心电数据属于该异常种类，此时，若健康类别对应的概率也大于0.5，则认为此心电数据属于异常数据，而非健康数据，即心梗类别优先级高于健康类别。
在本发明的一些实施例中，还可以根据输出的检测结果，输出检测提示；如果检测结果属于任一类型或多个类型心梗异常，则发出警示，提示进一步医生检查；如果检测结果为健康，则报告健康。
本发明实施例提供的心电数据异常检测方法，包括：获取心电数据，从心电数据中提取第一心电特征，从异常种类拓扑图的图数据中提取中间特征，异常种类拓扑图用于表示各异常种类的共现概率，中间特征用于表示异常种类的特征表达，然后基于第一心电特征和中间特征确定各异常种类的概率。通过将多种类别的心梗的共现概率应用到心电异常检测，避免了现有技术中只能检测某一特定类别心梗异常的发生概率的局限性，提高了多种心梗异常类别同时发生时检测概率的准确性。
实施例三
本发明实施例三提供了一种心电数据异常检测装置，图3为本发明实施例三提供的一种心电数据异常检测装置的结构示意图，如图3所示，该心电数据异常检测装置包括：
心电数据获取模块301，用于获取心电数据；
第一心电特征提取模块302，用于从所述心电数据中提取第一心电特征；
中间特征提取模块303，用于从异常种类拓扑图的图数据中提取中间特征，所述异常种类拓扑图用于表示各异常种类的共现概率，所述中间特征用于表示所述异常种类的特征表达；
概率确定模块304，用于基于所述第一心电特征和所述中间特征确定各异常种类的概率。
在本发明的一些实施例中，所述心电数据包括心电信号和多种形态特征信号，所述形态特征信号为从所述心电信号中提取的特征波信号，第一心电特征提取模块302可以包括：
第一心电特征获取子模块，用于将所述心电信号和所述特征波信号输入第一卷积神经网络中进行处理，得到第一心电特征。
在本发明的一些实施例中，所述第一卷积神经网络包括卷积块、第一池化操作层和由多个残差卷积块组成的残差卷积子网络，所述第一心电特征获取子模块还用于：
将所述心拍信号和所述特征波信号输入所述卷积块中进行卷积操作，得到第一特征；
将所述第一特征输入所述第一池化操作层中进行最大池化操作，得到第二特征；
将所述第二特征输入所述残差卷积子网络中进行残差卷积操作，得到第一心电特征。
在本发明的一些实施例中，所述残差卷积子网络包括3个依次连接的残差卷积块，每个所述残差卷积块包括两个卷积块，所述第一心电特征获取子模块还用于：
将所述第二特征输入第一残差卷积块进行第一预设次数的卷积操作，得到第一子特征；
将所述第一子特征和所述第二特征输入第二残差卷积块进行第二预设次数的卷积操作，得到第二子特征；
将所述第一子特征和所述第二子特征输入第三残差卷积块进行第三预设次数的卷积操作，得到第三子特征；
将所述第三子特征与所述第二子特征进行叠加得到所述第一心电特征。
在本发明的一些实施例中，每一所述卷积块包括卷积层、批归一化处理层和激活函数层。
在本发明的一些实施例中，中间特征提取模块303可以包括：
中间特征获取子模块，用于将所述异常种类拓扑图的图数据输入图卷积网络进行处理，得到用于表示所述异常种类的特征表达的中间特征。
在本发明的一些实施例中，所述异常种类拓扑图的图数据包括用于表示各异常种类的嵌入向量和用于表示各异常种类的共现概率的共现概率矩阵，所述图卷积网络包括第一图卷积层、激活函数层和第二图卷积层，中间特征获取子模块还用于：
将所述嵌入向量和所述共现概率矩阵输入所述第一图卷积层进行卷积处理，得到更新后的节点表达的中间向量；
将所述中间向量输入所述激活函数层进行处理，得到激活特征；
将所述激活特征和所述共现概率矩阵输入所述第二图卷积层进行卷积处理，得到用于表示所述异常种类的特征表达的中间特征。
在本发明的一些实施例中，所述装置还包括：
词嵌入模块，用于在从异常种类拓扑图的图数据中提取中间特征之前，对所述异常种类拓扑图中的异常种类进行词嵌入，得到各异常种类的嵌入向量；
共现概率矩阵确定模块，用于基于历史数据确定各异常种类的共现概率矩阵，所述共现概率矩阵中位置(i，j)的数值表示异常种类Vi和异常种类Vj的共现概率。
在本发明的一些实施例中，概率确定模块304可以包括：
第三特征获取子模块，用于基于所述中间特征对所述第一心电特征加权处理，得到第三特征；
第四特征获取子模块，用于将所述第一心电特征输入第二卷积神经网络中进行处理，得到用于表示所述第一心电特征的全局的第四特征；
第二心电特征获取子模块，用于将所述第三特征和所述第四特征进行拼接，得到第二心电特征；
概率确定子模块，用于基于所述第二心电特征确定各异常种类的概率。
在本发明的一些实施例中，第三特征获取子模块可以包括：
第五特征获取单元，用于将所述第一心电特征输入第二池化操作层进行最大池化操作，得到第五特征；
第三特征获取单元，用于将所述第五特征与所述中间特征相乘，得到第三特征。
在本发明的一些实施例中，所述第二卷积神经网络包括卷积层和第三池化操作层，第四特征获取子模块还用于：
将所述第一心电特征输入所述卷积层进行卷积操作，得到第六特征；
将所述第六特征输入所述第三池化操作层进行全局平均池化操作，得到用于表示所述第一心电特征的全局的第四特征。
在本发明的一些实施例中，概率确定子模块可以包括：
第七特征获取单元，用于将所述第二心电特征输入全连接层，得到第七特征；
概率值获取单元，用于将所述第七特征输入sigmoid函数层，得到各异常种类的概率。
本实施例提供的心电数据异常检测装置可执行本发明任意实施例所提供的心电数据异常检测方法，具备执行方法相应的功能模块和有益效果。
实施例四
本发明实施例四提供了一种计算机设备，图4为本发明实施例四提供的一种计算机设备的结构示意图，如图4所示，该计算机设备包括处理器401、存储器402、通信模块403、输入装置404和输出装置405；计算机设备中处理器401的数量可以是一个或多个，图4中以一个处理器401为例；计算机设备中的处理器401、存储器402、通信模块403、输入装置404和输出装置405可以通过总线或其他方式连接，图4中以通过总线连接为例。上述处理器401、存储器402、通信模块403、输入装置404和输出装置405可以集成在计算机设备的控制主板上。
存储器402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数据异常检测方法对应的模块(例如，一种心电数据异常检测装置中的心电数据获取模块301、第一心电特征提取模块302、中间特征提取模块303和概率确定模块304)。处理器401通过运行存储在存储器402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，即实现上述的心电数据异常检测方法。
存储器402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402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402可进一步包括相对于处理器401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403，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404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数据异常检测方法，具体相应的功能和有益效果。
实施例五
本发明实施例五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数据异常检测方法，该方法包括：
获取心电数据；
从所述心电数据中提取第一心电特征；
从异常种类拓扑图的图数据中提取中间特征，所述异常种类拓扑图用于表示各异常种类的共现概率，所述中间特征用于表示所述异常种类的特征表达；
基于所述第一心电特征和所述中间特征确定各异常种类的概率。
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数据异常检测方法中的相关操作。
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数据异常检测方法。
值得注意的是，上述装置中，所包括的各个单元、子模块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 (15)

1.一种心电数据异常检测方法，其特征在于，包括：
获取心电数据；
从所述心电数据中提取第一心电特征；
从异常种类拓扑图的图数据中提取中间特征，所述异常种类拓扑图用于表示各异常种类的共现概率，所述中间特征用于表示所述异常种类的特征表达；
基于所述第一心电特征和所述中间特征确定各异常种类的概率。
2.根据权利要求1所述的心电数据异常检测方法，其特征在于，所述心电数据包括心电信号和多种形态特征信号，所述形态特征信号为从所述心电信号中提取的特征波信号，所述从所述心电数据中提取第一心电特征，包括：
将所述心电信号和所述特征波信号输入第一卷积神经网络中进行处理，得到第一心电特征。
3.根据权利要求2所述的心电数据异常检测方法，其特征在于，所述第一卷积神经网络包括卷积块、第一池化操作层和由多个残差卷积块组成的残差卷积子网络，所述将所述心拍信号和所述特征波信号输入卷积神经网络中进行处理，得到第一心电特征，包括：
将所述心拍信号和所述特征波信号输入所述卷积块中进行卷积操作，得到第一特征；
将所述第一特征输入所述第一池化操作层中进行最大池化操作，得到第二特征；
将所述第二特征输入所述残差卷积子网络中进行残差卷积操作，得到第一心电特征。
4.根据权利要求3所述的心电数据异常检测方法，其特征在于，所述残差卷积子网络包括3个依次连接的残差卷积块，每个所述残差卷积块包括两个卷积块，所述将所述第二特征输入所述残差卷积子网络中进行残差卷积操作，包括：
将所述第二特征输入第一残差卷积块进行第一预设次数的卷积操作，得到第一子特征；
将所述第一子特征和所述第二特征输入第二残差卷积块进行第二预设次数的卷积操作，得到第二子特征；
将所述第一子特征和所述第二子特征输入第三残差卷积块进行第三预设次数的卷积操作，得到第三子特征；
将所述第三子特征与所述第二子特征进行叠加得到所述第一心电特征。
5.根据权利要求3所述的心电数据异常检测方法，其特征在于，每一所述卷积块包括卷积层、批归一化处理层和激活函数层。
6.根据权利要求1-5任一所述的心电数据异常检测方法，其特征在于，所述从异常种类拓扑图的图数据中提取中间特征，包括：
将所述异常种类拓扑图的图数据输入图卷积网络进行处理，得到用于表示所述异常种类的特征表达的中间特征。
7.根据权利要求6所述的心电数据异常检测方法，其特征在于，所述异常种类拓扑图的图数据包括用于表示各异常种类的嵌入向量和用于表示各异常种类的共现概率的共现概率矩阵，所述图卷积网络包括第一图卷积层、激活函数层和第二图卷积层，所述将所述异常种类拓扑图的图数据输入图卷积网络进行处理，包括：
将所述嵌入向量和所述共现概率矩阵输入所述第一图卷积层进行卷积处理，得到更新后的节点表达的中间向量；
将所述中间向量输入所述激活函数层进行处理，得到激活特征；
将所述激活特征和所述共现概率矩阵输入所述第二图卷积层进行卷积处理，得到用于表示所述异常种类的特征表达的中间特征。
8.根据权利要求1-5任一所述的心电数据异常检测方法，其特征在于，在从异常种类拓扑图的图数据中提取中间特征之前，还包括：
对所述异常种类拓扑图中的异常种类进行词嵌入，得到各异常种类的嵌入向量；
基于历史数据确定各异常种类的共现概率矩阵，所述共现概率矩阵中位置(i，j)的数值表示异常种类Vi和异常种类Vj的共现概率。
9.根据权利要求1-5任一所述的心电数据异常检测方法，其特征在于，所述基于所述第一心电特征和所述中间特征确定各异常种类的概率，包括：
基于所述中间特征对所述第一心电特征加权处理，得到第三特征；
将所述第一心电特征输入第二卷积神经网络中进行处理，得到用于表示所述第一心电特征的全局的第四特征；
将所述第三特征和所述第四特征进行拼接，得到第二心电特征；
基于所述第二心电特征确定各异常种类的概率。
10.根据权利要求9所述的心电数据异常检测方法，其特征在于，所述基于所述中间特征对所述第一心电特征加权处理，包括：
将所述第一心电特征输入第二池化操作层进行最大池化操作，得到第五特征；
将所述第五特征与所述中间特征相乘，得到第三特征。
11.根据权利要求9所述的心电数据异常检测方法，其特征在于，所述第二卷积神经网络包括卷积层和第三池化操作层，所述将所述第一心电特征输入第二卷积神经网络中进行处理，包括：
将所述第一心电特征输入所述卷积层进行卷积操作，得到第六特征；
将所述第六特征输入所述第三池化操作层进行全局平均池化操作，得到用于表示所述第一心电特征的全局的第四特征。
12.根据权利要求9所述的心电数据异常检测方法，其特征在于，所述基于所述第二心电特征确定各异常种类的概率，包括：
将所述第二心电特征输入全连接层，得到第七特征；
将所述第七特征输入sigmoid函数层，得到各异常种类的概率。
13.一种心电数据异常检测装置，其特征在于，包括：
心电数据获取模块，用于获取心电数据；
第一心电特征提取模块，用于从所述心电数据中提取第一心电特征；
中间特征提取模块，用于从异常种类拓扑图的图数据中提取中间特征，所述异常种类拓扑图用于表示各异常种类的共现概率，所述中间特征用于表示所述异常种类的特征表达；
概率确定模块，用于基于所述第一心电特征和所述中间特征确定各异常种类的概率。
14.一种计算机设备，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1-12中任一所述的心电数据异常检测方法。
15.一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1-12中任一所述的心电数据异常检测方法。
CN202010706277.1A 2020-07-21 2020-07-21 一种心电数据异常检测方法、装置、设备及存储介质 Active CN111839502B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010706277.1A CN111839502B (zh) 2020-07-21 2020-07-21 一种心电数据异常检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010706277.1A CN111839502B (zh) 2020-07-21 2020-07-21 一种心电数据异常检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111839502A true CN111839502A (zh) 2020-10-30
CN111839502B CN111839502B (zh) 2024-02-09

Family

ID=73002435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010706277.1A Active CN111839502B (zh) 2020-07-21 2020-07-21 一种心电数据异常检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111839502B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113261975A (zh) * 2021-04-19 2021-08-17 南京邮电大学 一种基于深度学习的心电分类方法
CN115736937A (zh) * 2021-09-02 2023-03-07 广州视源电子科技股份有限公司 一种心电信号去噪方法、装置、电子设备及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070219454A1 (en) * 2006-03-02 2007-09-20 Guzzetta J J ECG method and system for optimal cardiac disease detection
US20140095425A1 (en) * 2012-09-28 2014-04-03 Sphere Of Influence, Inc. System and method for predicting events
US20180232883A1 (en) * 2017-02-13 2018-08-16 Amit Sethi Systems & Methods for Computational Pathology using Points-of-interest
CN109077719A (zh) * 2018-07-05 2018-12-25 广州视源电子科技股份有限公司 信号识别方法、装置、设备和存储介质
CN109214456A (zh) * 2018-09-06 2019-01-15 深圳先进技术研究院 一种网络异常检测方法、系统及电子设备
CN109998532A (zh) * 2019-06-04 2019-07-12 广州视源电子科技股份有限公司 基于多导联多结构聚合网络的心电信号识别方法和装置
CN110226920A (zh) * 2019-06-26 2019-09-13 广州视源电子科技股份有限公司 心电信号识别方法、装置、计算机设备和存储介质
CN110347544A (zh) * 2018-04-08 2019-10-18 微软技术许可有限责任公司 异常智能监测处理技术
CN110680278A (zh) * 2019-09-10 2020-01-14 广州视源电子科技股份有限公司 基于卷积神经网络的心电信号识别装置
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
CN111358459A (zh) * 2020-02-11 2020-07-03 广州视源电子科技股份有限公司 一种心律失常识别方法、装置、设备和存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070219454A1 (en) * 2006-03-02 2007-09-20 Guzzetta J J ECG method and system for optimal cardiac disease detection
US20140095425A1 (en) * 2012-09-28 2014-04-03 Sphere Of Influence, Inc. System and method for predicting events
US20180232883A1 (en) * 2017-02-13 2018-08-16 Amit Sethi Systems & Methods for Computational Pathology using Points-of-interest
CN110347544A (zh) * 2018-04-08 2019-10-18 微软技术许可有限责任公司 异常智能监测处理技术
CN109077719A (zh) * 2018-07-05 2018-12-25 广州视源电子科技股份有限公司 信号识别方法、装置、设备和存储介质
CN109214456A (zh) * 2018-09-06 2019-01-15 深圳先进技术研究院 一种网络异常检测方法、系统及电子设备
CN109998532A (zh) * 2019-06-04 2019-07-12 广州视源电子科技股份有限公司 基于多导联多结构聚合网络的心电信号识别方法和装置
CN110226920A (zh) * 2019-06-26 2019-09-13 广州视源电子科技股份有限公司 心电信号识别方法、装置、计算机设备和存储介质
CN110680278A (zh) * 2019-09-10 2020-01-14 广州视源电子科技股份有限公司 基于卷积神经网络的心电信号识别装置
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
CN111358459A (zh) * 2020-02-11 2020-07-03 广州视源电子科技股份有限公司 一种心律失常识别方法、装置、设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
樊敏 等: "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, pages 292 - 297 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113261975A (zh) * 2021-04-19 2021-08-17 南京邮电大学 一种基于深度学习的心电分类方法
CN113261975B (zh) * 2021-04-19 2022-12-20 南京邮电大学 一种基于深度学习的心电分类方法
CN115736937A (zh) * 2021-09-02 2023-03-07 广州视源电子科技股份有限公司 一种心电信号去噪方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111839502B (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
Zhou et al. Electrocardiogram soft computing using hybrid deep learning CNN-ELM
CN111631705B (zh) 心电异常检测方法、模型训练方法、装置、设备及介质
US20230143594A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
Diker et al. A novel application based on spectrogram and convolutional neural network for ECG classification
CN110720894B (zh) 一种心房扑动的检测方法、装置、设备及存储介质
CN108968941B (zh) 一种心律失常检测方法、装置及终端
CN106725426A (zh) 一种心电信号分类的方法及系统
CN111956203B (zh) 心电信号参数化方法、模型训练方法、装置、设备及介质
CN109077714B (zh) 信号识别方法、装置、设备和存储介质
CN111956208B (zh) 一种基于超轻量级卷积神经网络的ecg信号分类方法
CN109077720B (zh) 信号处理方法、装置、设备和存储介质
Roopaei et al. Chaotic based reconstructed phase space features for detecting ventricular fibrillation
CN110367968B (zh) 一种右束支阻滞检测方法、装置、设备及存储介质
CN110367936B (zh) 心电信号检测方法及装置
CN111839502B (zh) 一种心电数据异常检测方法、装置、设备及存储介质
EP4041073A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
Hussain et al. Efficient ECG signal classification using sparsely connected radial basis function neural network
Jaiswal et al. Artificial neural network for ECG classification
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
CN115067967B (zh) 心拍信号基准点确定方法、心拍类型识别方法及装置
Rodrigues et al. The issue of automatic classification of heartbeats
CN115607167A (zh) 一种轻量化的模型训练方法、房颤检测方法、装置及系统
CN115670473A (zh) 一种心室纤颤检测装置及设备

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