CN112022141B - 一种心电信号类别检测方法、装置及存储介质 - Google Patents
一种心电信号类别检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112022141B CN112022141B CN202010790478.4A CN202010790478A CN112022141B CN 112022141 B CN112022141 B CN 112022141B CN 202010790478 A CN202010790478 A CN 202010790478A CN 112022141 B CN112022141 B CN 112022141B
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- class
- detection
- identified
- category
- 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.)
- Active
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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种心电信号类别检测方法、装置及存储介质,所述方法包括:获取待识别心电信号;将待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测,确定心电信号类别初检测结果;将心电信号类别初检测结果作为心电信号类别检测融合模型的输入,基于心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果。利用本申请提供的技术方案能够更加精确的提取判别该类别所需的波形特征,且能够融合各类别的心电信号单类检测模型的优势,得到最优的最终识别结果,提升心电信号类别检测的准确性。
Description
技术领域
本申请涉及信号分析技术领域,尤其涉及一种心电信号类别检测方法、装置及存储介质。
背景技术
在实际应用中,需要判别的心电信号种类很多,且各类别的心电特征差异较大,在判别时需要关注的特征也不相同。例如有些类别在判别时既需要关注QRS波群(正常只有几十毫秒),也需要关注RR间期信息(正常为0.6秒~1秒);对于另外一些类别,在判别时需要关注PR间期延长是否大于或等于0.2秒;此外还有些类别在判别时则主要需要关注P波的形态方向振幅。
随着计算机技术的发展和计算机视觉原理的广泛应用,利用人工智能技术辅助医生进行判断能够大大提升医生的诊断效率,减轻医生的负担,现有技术中在进行心电信号类别检测时主要利用单个深度学习模型来进行多类心电信号类别检测,但由于不同的类别会有不同的心电特征,因此无法同时在多种类别的检测上都取得较好的效果,导致心电信号类别检测的准确性较低,因此需要提供更加可靠的方案。
发明内容
为了解决现有技术的问题,本发明提供了一种心电信号类别检测方法、装置、计算机设备及存储介质。所述技术方案如下:
本申请一方面提供了一种心电信号类别检测方法,所述方法包括:
获取待识别心电信号;
将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测,确定心电信号类别初检测结果;
将所述心电信号类别初检测结果作为心电信号类别检测融合模型的输入,基于所述心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果;
其中,所述心电信号单类检测模型是基于样本待识别心电信号及对应类别的心电信号标注结果进行心电信号类别初检测训练得到的。
本申请另一方面提供了一种心电信号类别检测装置,所述装置包括:
待识别信号获取模块,用于获取待识别心电信号;
心电信号单类检测模块,用于将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测,确定心电信号类别初检测结果;
心电信号融合检测模块,用于将所述心电信号类别初检测结果作为心电信号类别检测融合模型的输入,基于所述心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果;
其中,所述心电信号单类检测模型是基于样本待识别心电信号及对应类别的心电信号标注结果进行心电信号类别初检测训练得到的。本申请另一方面提供了一种设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现上述的心电信号类别检测方法。
本申请另一方面提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现上述的心电信号类别检测方法。
本申请实施例提供的心电信号类别检测方法、装置、设备及存储介质,具有如下技术效果:
本申请实施例通过获取待识别心电信号,将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测,确定心电信号类别初检测结果,能够利用对应类别的心电信号单类检测模型对待识别心电信号进行特定类别的心电信号类别初检测,更加精确的提取判别该类别所需的波形特征,有利于提升心电信号类别检测的准确性。且通过将所述心电信号类别初检测结果作为心电信号类别检测融合模型的输入,基于所述心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果,能够利用心电信号类别检测融合模型融合各类别的心电信号单类检测模型的优势,得到最优的最终识别结果,提升心电信号类别检测的准确性;避免了利用单模型进行多类心电信号类别检测时准确性不高的问题,有利于提升心电信号类别检测结果的可靠性。
本申请实施例的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
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和优点,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的介绍,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它附图。
图1是本申请实施例提供的一种心电信号类别检测方法的流程图;
图2是本申请实施例提供的另一种心电信号类别检测方法的流程图;
图3是本申请实施例提供的另一种心电信号类别检测方法的流程图;
图4是本申请实施例提供的一种获取样本心电信号类别初检测结果的流程图;
图5是本申请实施例提供的另一种心电信号类别检测方法的流程图;
图6是本申请实施例提供的一种对待识别心电信号进行信号切片的示意图;
图7是本申请实施例提供的另一种心电信号类别检测方法的流程图;
图8是本申请实施例提供的一种心电信号类别检测装置示意图;
图9是本申请实施例提供的心电信号类别检测方法的服务器的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术等几大方向,且这些方向是基于机器学习/深度学习技术而发展起来的。
近年来,随着人工智能技术研究和进步,人工智能技术在多个领域得到广泛应用,本申请实施例提供的方案涉及人工智能的机器学习/深度学习等技术,具体通过如下实施例进行说明:
图1是本申请实施例提供的一种心电信号类别检测方法的流程图,请参照图1,本实施例提供的心电信号类别检测方法包括如下步骤:
S101,获取待识别心电信号。
在本说明书实施例中,如图2所示,所述获取待识别心电信号可以包括:
S201:获取原始心电信号;
在实际应用中,所述原始心电信号可以包括利用心电信号采集仪器获取的一维的心电信号。
S202:对所述原始心电信号进行数据增强,得到增强后的原始心电信号;
具体地,所述对所述原始心电信号进行数据增强可以包括但不限于对所述原始心电信号添加高斯加性噪声或高斯乘性噪声。
S203:对所述增强后的原始心电信号进行降采样,得到降采样心电信号;
在实际应用中,由于原始心电信号的采样频率较高,可以对所述增强后的原始心电信号进行降采样处理,得到降采样心电信号。
S204:对所述降采样心电信号进行归一化处理,将归一化处理后的所述降采样心电信号作为所述待识别心电信号。
通过获取原始心电信号,且对所述原始心电信号进行数据增强,得到增强后的原始心电信号,对所述增强后的原始心电信号进行降采样,得到降采样心电信号,对所述降采样心电信号进行归一化处理,将归一化处理后的所述降采样心电信号作为所述待识别心电信号,能够消除一些不利因素,获取更多样本数据,提升后续心电信号类别检测的效率及准确性,使得心电信号类别检测的结果更加可靠。
S102:将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测,确定心电信号类别初检测结果。
在本说明书实施例中,如图3所示,所述将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测,确定心电信号类别初检测结果可以包括:
S301:将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测。
具体地,所述心电信号单类检测模型是基于样本待识别心电信号及对应类别的心电信号标注结果进行心电信号类别初检测训练得到的。
在本说明书实施例中,所述心电信号单类检测模型可以包括针对单个特定心电信号类别的二分类模型,在一个具体的实施例中,所述心电信号单类检测模型可以包括但不限于:类别A的二分类模型、类别B的二分类模型和类别C的二分类模型,具体类别及个数可以根据实际应用需求进行设定。其中,以所述心电信号单类检测模型包括类别A的二分类模型为例,将所述待识别心电信号作为类别A的二分类模型的输入,基于所述类别A的二分类模型对所述待识别心电信号进行类别A的检测之后,最终输出结果可以包括一个二维向量,所述二维向量可以包括所述待识别心电信号的类别是类别A的概率和不是类别A的概率。
在实际应用中,后续若需要单独应用该模型还可以继续输出单个分类结果,“是”或“否”,(即所述待识别心电信号的类别是类别A,或,所述待识别心电信号的类别不是类别A),不同类别的心电信号单类检测模型之间耦合性较低,可扩展性强。
S302:提取每个心电信号单类检测模型中预设层数的概率特征。
具体地,所述预设层数可以根据实际应用需求进行设定。在一个具体的实施例中,所述预设层数可以包括最后一层和倒数第二层,其中,最后一层可以包括2个概率特征值,倒数第二层可以包括n个概率特征值(n为大于或者等于1的整数,且n可以根据实际应用需求和/或心电信号单类检测模型的模型特征进行确定)。在实际应用中,以上述类别A的二分类模型为例,最后一层的概率特征可以包括一个二维向量,且所述二维向量包括所述待识别心电信号的类别是类别A的概率和不是类别A的概率(共2个概率特征值);倒数第二层的概率特征可以包括一个多维向量,所述多维向量包括预设个数的概率特征值,其中,所述预设个数可以根据实际应用需求和/或心电信号单类检测模型的模型特征进行确定。
S303:对所述至少两个不同类别的心电信号单类检测模型中预设层数的概率特征进行特征拼接,将拼接后的概率特征作为所述心电信号类别初检测结果。
在一个实施例中,当一共包括m个不同类别的心电信号单类检测模型(m为大于1的整数,且m可以根据实际应用需求进行设定),且所述预设层数包括最后一层和倒数第二层,其中,最后一层包括2个概率特征值,倒数第二层包括n个概率特征值(n为大于或者等于1的整数)时,所述对所述至少两个不同类别的心电信号单类检测模型中预设层数的概率特征进行特征拼接可以包括:将所述最后一层的2个概率特征值和所述倒数第二层的n个概率特征值拼接为一个m*(n+2)维的向量,此时可以将这个m*(n+2)维的向量作为所述心电信号类别初检测结果。
通过将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测,确定心电信号类别初检测结果,由于心电信号的类别较多,在判别各类别时需要关注的心电特征差异较大,因此通过针对每一种类别建立一个具有针对性的心电信号单类检测模型(二分类模型),能够更加精确的提取判别该类别所需的波形特征,通过利用对应类别的心电信号单类检测模型对待识别心电信号进行特定类别的检测,有利于提升心电信号类别检测的准确性,使得心电信号类别检测的结果更加可靠。
在本说明书实施例中,所述心电信号单类检测模型可以包括针对单个特定类别的二分类模型,且所述不同类别的心电信号单类检测模型的训练方法可以包括:
(1)获取第一样本训练集;
具体地,所述第一样本训练集可以包括样本待识别心电信号及对应类别的心电信号标注结果。在实际应用中,当所述心电信号单类检测模型包括类别A的二分类模型时,所述对应类别的心电信号标注结果包括类别A的标注结果;当所述心电信号单类检测模型包括类别B的二分类模型时,所述对应类别的心电信号标注结果包括类别B的标注结果;当所述心电信号单类检测模型包括类别C的二分类模型时,所述对应类别的心电信号标注结果包括类别C的标注结果。
在一个实施例中,对于每个类别的心电信号单类检测模型,可以将属于该类别的信号样本作为正样本,其他类别的信号样本作为负样本,将所述正样本及负样本作为所述第一样本训练集,通过这种方式能够减少需要获取的样本数量,节省时间,提升模型训练的效率。
(2)基于所述第一样本训练集对第一神经网络模型进行对应类别的心电信号类别初检测的训练;
在本说明书实施例中,所述对第一神经网络模型进行对应类别的心电信号类别初检测的训练可以包括,对第一神经网络模型进行对应类别的心电信号二分类的训练。
在一个实施例中,当所述心电信号单类检测模型包括类别A的二分类模型时,所述基于所述第一样本训练集对第一神经网络模型进行对应类别的心电信号类别初检测的训练可以包括基于所述样本待识别心电信号及对应的类别A的标注结果对第一神经网络模型进行类别A检测的训练。
(3)基于第一损失函数计算所述第一神经网络模型输出的样本待识别心电信号及对应类别的心电信号标注结果之间的误差值;
(4)判断所述误差值是否满足第一预设条件;
(5)当判断的结果为否时,基于网络优化函数调整所述第一神经网络模型中的模型参数,重复上述对应类别的心电信号类别初检测至判断的步骤;
(6)当判断的结果为是时,将当前的第一神经网络模型作为对应类别的心电信号单类检测模型。
在一个具体的实施例中,为了抑制样本不平衡问题,所述第一损失函数可以包括Focal损失函数,在其他实施例中,所述第一损失函数还可以包括但不限于Dice损失函数或联合损失函数,本发明实施例并不以此为限。
在实际应用中,所述心电信号单类检测模型使用的神经网络可以包括但不限于VGGNet、ResNet(Residual Network)、DenseNet、LSTM(Long Short-Term Memory)网络和上述网络中至少两种的组合。
通过基于样本待识别心电信号及对应类别的心电信号标注结果进行心电信号类别初检测的训练得到对应类别的心电信号单类检测模型,能够对于每种类别训练出有针对性的检测模型,各模型可以具有针对性的对其对应的单个类别进行特征提取,且在本说明书实施例中,所述心电信号单类检测模型可以包括二分类模型,由于不同类别的模型侧重识别对应的心电信号类别,各模型间的耦合性较低,后续可扩展性较强。
S103:将所述心电信号类别初检测结果作为心电信号类别检测融合模型的输入,基于所述心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果。
具体地,所述心电信号类别检测融合模型是基于样本心电信号类别初检测结果及对应的心电信号类别标注结果进行训练得到的。
在本说明书实施例中,根据S102所述可以对所述至少两个不同类别的心电信号单类检测模型中预设层数的概率特征进行特征拼接,将拼接后的概率特征作为心电信号类别检测融合模型的输入,基于所述心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果,且最终输出的心电信号类别检测结果可以包括但不限于,例如,类别A、类别B或类别C。
通过将所述心电信号类别初检测结果作为心电信号类别检测融合模型的输入,基于所述心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果,由于各心电信号单类检测模型(二分类模型)偏重于一种心电信号类别的特征挖掘,即对于每种的心电信号类别建立具有针对性的特定的检测模型,能够更加精确的提取判别该类别所需的波形特征,再利用心电信号类别检测融合模型融合各类别的心电信号单类检测模型的优势,得到最优的最终识别结果,提升心电信号类别检测的准确性;避免了利用单模型进行多种心电信号类别检测时准确性不高的问题,有利于提升心电信号类别检测结果的可靠性。
在本说明书实施例中,所述心电信号类别检测融合模型是基于样本心电信号类别初检测结果及对应的心电信号类别标注结果进行心电信号类别检测训练得到的,具体地,所述心电信号类别检测融合模型的训练方法可以包括:
(1)获取第二样本训练集;
具体地,所述第二训练样本集可以包括样本心电信号类别初检测结果及对应的心电信号类别标注结果。
如图4所示,在本说明书实施例中,所述获取样本心电信号类别初检测结果可以包括:
S401:获取第三样本训练集;
具体地,所述第三样本训练集可以包括新获取的样本训练集,具体地,所述第三样本训练集包括多个样本待识别心电信号及对应类别的心电信号类别标注结果,在一些实施例中,所述第三样本训练集也可以直接使用在进行心电信号类别初检测的训练时获取的第一样本训练集,以减少需要获取的样本数量,节省时间,提升模型训练的效率,本说明书实施例并不以此为限。
S402:基于所述至少两个不同类别的心电信号单类检测模型对所述第三样本训练集进行对应类别的心电信号类别初检测;
具体地,所述基于所述至少两个不同类别的心电信号单类检测模型对所述第三样本训练集进行对应类别的心电信号类别检测的具体过程与S301类似,但此时是将所述第三样本训练集作为所述至少两个不同类别的心电信号单类检测模型的输入,具体过程可以参见S301的相关描述,在此不再赘述。
S403:提取每个心电信号单类检测模型中预设层数的概率特征;
具体地,所述提取每个心电信号单类检测模型中预设层数的概率特征的具体过程与S302类似,可以参见S302的相关描述,在此不再赘述。
S404:对所述至少两个不同类别的心电信号单类检测模型中预设层数的概率特征进行特征拼接,将拼接后的概率特征作为所述样本心电信号类别初检测结果。
具体地,所述对所述至少两个不同类别的心电信号单类检测模型中预设层数的概率特征进行特征拼接,将拼接后的概率特征作为所述样本心电信号类别初检测结果的具体过程与S303类似,可以参见S303的相关描述,在此不再赘述。
通过获取第三样本训练集,利用训练好的所述至少两个不同类别的心电信号单类检测模型对所述第三样本训练集进行对应类别的心电信号类别检测,提取每个心电信号单类检测模型中预设层数的概率特征,对所述至少两个不同类别的心电信号单类检测模型中预设层数的概率特征进行特征拼接,将拼接后的概率特征作为所述样本心电信号类别初检测结果,相当于利用最优的各类别的心电信号单类检测模型对所述第三样本训练集进行对应类别的心电信号类别初检测来获取样本心电信号类别初检测结果,从而利用样本心电信号类别初检测结果及对应的心电信号类别标注结果训练心电信号类别检测融合模型,有利于得到最优的训练样本,提升心电信号类别检测融合模型的性能。
在本发明实施例中,所述获取第二样本训练集之后还包括:
(2)基于所述第二样本训练集对第二神经网络模型进行心电信号类别检测的训练;
(3)基于第二损失函数计算所述第二神经网络模型输出的心电信号类别检测结果与对应的心电信号类别标注结果之间的误差值;
(4)判断所述误差值是否满足第二预设条件;
(5)当判断的结果为否时,基于网络优化函数调整所述第二神经网络模型中的模型参数,重复上述心电信号类别检测至判断的步骤;
(6)当判断的结果为是时,将当前的第二神经网络模型作为所述心电信号类别检测融合模型。
具体地,所述第二损失函数可以包括但不限于Dice损失函数、Focal损失函数或联合损失函数;使用的网络优化函数可以采用Adam自适应优化器,可随训练状态自动调整参数更新幅度。
在实际应用中,所述心电信号类别检测融合模型使用的神经网络可以包括但不限于VGGNet、ResNet(Residual Network)、DenseNet、LSTM(Long Short-Term Memory)网络和上述网络中至少两种的组合。
通过训练心电信号类别检测融合模型,能够利用心电信号类别检测融合模型融合各类别的心电信号单类检测模型的优势,得到最优的最终识别结果,提升心电信号类别检测的准确性;避免了利用单模型进行多种心电信号类别检测时准确性不高的问题,有利于提升心电信号类别检测结果的可靠性。
如图5所示,在本说明书实施例中,在获取待识别心电信号之后,所述方法还可以包括:
S501:对所述待识别心电信号进行信号切片处理,得到所述待识别心电信号的多个信号片段。
在实际应用中,由于所述待识别心电信号可能长度较长,且不同的待识别心电信号可能不等长,在一个实施例中,所述待识别心电信号的长度可能为60秒;在另一个实施例中,所述待识别心电信号的长度可能为20秒;为了保证输入各心电信号单类检测模型的信号等长且能够包含识别某一种心电信号类别的所有特征,可对所述待识别心电信号进行信号切片处理,得到预设长度的多个信号片段,具体的,所述预设长度可以根据实际应用需求和/或模型测试结果进行确定。作为优选的,所述预设长度可以包括3~5个心跳周期的长度,且切片后各信号片段的预设长度相等。
此外,在本说明书实施例中,请参照图6,在对所述待识别心电信号进行信号切片处理时,相邻片段需包括预设长度的重叠部分(即对相邻片段重叠切片),有利于对所述待识别心电信号进行充分采样,避免信号切片时存在遗漏,有利于提升心电信号类别检测结果的可靠性。
如图7所示,在本说明书实施例中,当在获取待识别心电信号之后,所述方法还包括对所述待识别心电信号进行信号切片处理,得到所述待识别心电信号的多个信号片段时,所述心电信号类别检测结果包括所述待识别心电信号的每个信号片段对应的心电信号类别检测结果,且所述方法还可以包括:
S701:基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果。
具体地,所述基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果可以包括:
(1)基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票并对投票结果进行排序;
(2)确定出票数最多的心电信号类别,并判断所述票数最多的心电信号类别是否属于第一预设类别;
(3)当所述票数最多的心电信号类别属于第一预设类别时,确定出票数次多的心电信号类别,并判断所述票数次多的心电信号类别的票数是否大于或等于预设阈值;
具体地,所述预设阈值可以结合实际应用需求进行设定。
(4)当所述票数次多的心电信号类别的票数大于或等于预设阈值时,将所述票数次多的心电信号类别作为所述待识别心电信号的类别检测结果;
(5)当所述票数次多的心电信号类别的票数小于预设阈值时,将所述票数最多的心电信号类别作为所述待识别心电信号的类别检测结果;
在实际应用中,所述第一预设类别可以包括类别“正常”,由于实际应用中存在待识别心电信号中类别“正常”的信号片段较多,其他类别的信号片段较少的情况,为了得到更加可靠的类别检测结果,可以在所述票数最多的心电信号类别为“正常”时,可以确定出票数次多的心电信号类别继续判断所述票数次多的心电信号类别的票数大于或等于预设阈值,有利于提升心电信号类别检测的可靠性。
在一个实施例中,所述基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果还可以包括:
当所述票数最多的心电信号类别不属于第一预设类别时,将所述票数最多的心电信号类别作为所述待识别心电信号的类别检测结果。
在实际应用中,当所述票数最多的心电信号类别不是类别“正常”时,可以将所述票数最多的心电信号类别作为所述待识别心电信号的类别检测结果。
在另一个实施例中,所述基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果还可以包括:
当所述待识别心电信号的每个信号片段对应的心电信号类别检测结果均为相同类别时,将该种类别作为所述待识别心电信号的类别检测结果。
在另一个实施例中,所述基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果还可以包括:
当所述待识别心电信号的全部信号片段对应的心电信号类别检测结果中包括第二预设类别时,将所述待识别心电信号的全部信号片段对应的心电信号类别检测结果中包括的第二预设类别作为所述待识别心电信号的类别检测结果。
具体地,所述第二预设类别可以结合实际应用需求进行设定。由于有些心电信号类别较为特殊或需要提醒医生注意,无需票数超过预设阈值,只要存在信号片段对应的心电信号类别检测结果包括第二预设类别时,即将其作为所述待识别心电信号的类别检测结果,有利于提升心电信号类别检测的可靠性。
在另一个实施例中,当票数最多的心电信号类别多于一个时(例如,类别A和类别B的票数相同且多于其他类别的票数),可以优先选取其中除类别“正常”之外的结果作为最终结果,当所述多于一个的票数最多的心电信号类别均不是类别“正常”时,可以随机选取其中一个类别作为最终结果,或,将所述多于一个的票数最多的心电信号类别都进行输出,且可以结合先前的所述至少两个不同类别的心电信号单类检测模型的输出结果进行分析,有利于提升心电信号识别的可靠性。
通过基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果,相当于做了多次验证,有利于提升心电信号类别检测的准确性,使得心电信号类别检测结果更加可靠。
本发明实施例通过获取待识别心电信号,将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测,确定心电信号类别初检测结果,能够利用对应类别的心电信号单类检测模型对待识别心电信号进行特定类别的心电信号类别初检测,更加精确的提取判别该类别所需的波形特征,有利于提升心电信号类别检测的准确性。且通过将所述心电信号类别初检测结果作为心电信号类别检测融合模型的输入,基于所述心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果,能够利用心电信号类别检测融合模型融合各类别的心电信号单类检测模型的优势,得到最优的最终识别结果,提升心电信号类别检测的准确性;避免了利用单模型进行多种心电信号类别检测时准确性不高的问题,有利于提升心电信号类别检测结果的可靠性。通过对所述待识别心电信号进行信号切片处理,得到所述待识别心电信号的多个信号片段,后续基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果,相当于做了多次验证,有利于提升心电信号类别检测的准确性,使得心电信号类别检测结果更加可靠。
本申请实施例还提供了一种心电信号类别检测装置,如图8所示,所述装置包括:
待识别信号获取模块810,用于获取待识别心电信号;
心电信号单类检测模块820,用于将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测,确定心电信号类别初检测结果;
心电信号融合检测模块830,用于将所述心电信号类别初检测结果作为心电信号类别检测融合模型的输入,基于所述心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果;
其中,所述心电信号单类检测模型是基于样本待识别心电信号及对应类别的心电信号标注结果进行心电信号类别初检测训练得到的。
在一个具体的实施例中,所述心电信号类别可以包括但不限于:心动过速、心房颤动、I度房室阻滞、房性早搏及室性早搏;此时最终输出的心电信号类别检测结果可以包括但不限于,例如,心动过速、心房颤动或房性早搏。
通过将所述心电信号类别初检测结果作为心电信号类别检测融合模型的输入,基于所述心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果,由于各心电信号单类检测模型(二分类模型)偏重于一种类别的特征挖掘,即对于不同的心电信号类别建立具有针对性的特定的检测模型,能够更加精确的提取判别该类别所需的波形特征,再利用心电信号类别检测融合模型融合各类别的心电信号单类检测模型的优势,得到最优的最终识别结果,提升心电信号类别检测的准确性;避免了利用单模型进行多种心电信号类别检测时准确性不高的问题,有利于提升心电信号类别检测结果的可靠性。
在本说明书实施例中,所述待识别信号获取模块810可以包括:
原始信号获取单元,用于获取原始心电信号;
在实际应用中,所述原始心电信号可以包括利用心电信号采集仪器获取的一维的心电信号。
数据增强单元,用于对所述原始心电信号进行数据增强,得到增强后的原始心电信号;
具体地,所述对所述原始心电信号进行数据增强可以包括但不限于对所述原始心电信号添加高斯加性噪声或高斯乘性噪声。
降采样单元,用于对所述增强后的原始心电信号进行降采样,得到降采样心电信号;
在实际应用中,由于原始心电信号的采样频率较高,可以对所述增强后的原始心电信号进行降采样处理,得到降采样心电信号。
归一化处理单元,用于对所述降采样心电信号进行归一化处理;
将归一化处理后的所述降采样心电信号作为所述待识别心电信号。
具体地,所述对所述降采样心电信号进行归一化处理可以包括对所述降采样心电信号做最大最小归一化,将所述降采样心电信号的像素值归一化到预设像素范围之间,其中,所述预设像素范围可以根据实际应用需求进行设定。
通过获取原始心电信号,且对所述原始心电信号进行数据增强,得到增强后的原始心电信号,对所述增强后的原始心电信号进行降采样,得到降采样心电信号,对所述降采样心电信号进行归一化处理,将归一化处理后的所述降采样心电信号作为所述待识别心电信号,能够消除一些不利因素,获取更多样本数据,提升后续心电信号类别检测的效率及准确性,使得心电信号类别检测的结果更加可靠。
在本说明书实施例中,所述心电信号单类检测模块820可以包括:
单类检测单元,用于将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测;
具体地,所述心电信号单类检测模型是基于样本待识别心电信号及对应类别的心电信号标注结果进行心电信号类别初检测训练得到的。
在本说明书实施例中,所述心电信号单类检测模型可以包括针对单个特定类别的二分类模型,例如,所述心电信号单类检测模型可以包括但不限于:类别A的二分类模型、类别B的二分类模型和类别C的二分类模型,具体类别及个数可以根据实际应用需求进行设定。其中,以所述心电信号单类检测模型包括类别A的二分类模型为例,将所述待识别心电信号作为类别A的二分类模型的输入,基于所述类别A的二分类模型对所述待识别心电信号进行类别A的检测之后,最终输出结果可以包括一个二维向量,所述二维向量包括所述待识别心电信号的类别是类别A的概率和不是类别A的概率。
在实际应用中,后续若需要单独应用该模型还可以继续输出单个分类结果,“是”或“否”,(即所述待识别心电信号的类别是类别A,或,所述待识别心电信号的类别不是类别A),不同类别的心电信号单类检测模型之间耦合性较低,可扩展性强。
在一个具体的实施例中,当心电信号类别可以包括但不限于:心动过速、心房颤动、I度房室阻滞、房性早搏及室性早搏时;此时所述心电信号单类检测模型可以包括但不限于:心动过速的二分类模型、心房颤动的二分类模型、I度房室阻滞的二分类模型、房性早搏的二分类模型和室性早搏的二分类模型。具体类别及个数可以根据实际应用需求进行设定。其中,以所述心电信号单类检测模型包括心房颤动的二分类模型为例,将所述待识别心电信号作为心房颤动的二分类模型的输入,基于所述心房颤动的二分类模型对所述待识别心电信号进行心房颤动的检测之后,最终输出结果可以包括一个二维向量,所述二维向量包括所述待识别心电信号的类别是心房颤动的概率和不是心房颤动的概率;后续若需要单独应用该模型还可以继续输出单个分类结果,“是”或“否”,(即所述待识别心电信号的类别是心房颤动,或,所述待识别心电信号的类别不是心房颤动),从而辅助医生判别心律失常的类别,减轻医生的负担。概率特征提取单元,用于提取每个心电信号单类检测模型中预设层数的概率特征;
具体地,所述预设层数可以根据实际应用需求进行设定。在一个具体的实施例中,所述预设层数可以包括最后一层和倒数第二层,其中,最后一层可以包括2个概率特征值,倒数第二层可以包括n个概率特征值(n为大于或者等于1的整数,且n可以根据实际应用需求和/或心电信号单类检测模型的模型特征进行确定)。在实际应用中,以上述心房颤动的二分类模型为例,最后一层的概率特征可以包括一个二维向量,且所述二维向量包括所述待识别心电信号的类别是心房颤动的概率和不是心房颤动的概率(共2个概率特征值);倒数第二层的概率特征可以包括一个多维向量,所述多维向量包括预设个数的概率特征值,其中,所述预设个数可以根据实际应用需求和/或心电信号单类检测模型的模型特征进行确定。
概率特征拼接单元,用于对所述至少两个不同类别的心电信号单类检测模型中预设层数的概率特征进行特征拼接,将拼接后的概率特征作为所述心电信号类别初检测结果。
在一个实施例中,当一共包括m个不同类别的心电信号单类检测模型(m为大于1的整数,且类别数量可以根据实际应用需求进行设定),且所述预设层数包括最后一层和倒数第二层,其中,最后一层包括2个概率特征值,倒数第二层包括n个概率特征值(n为大于或者等于1的整数)时,所述对所述至少两个不同类别的心电信号单类检测模型中预设层数的概率特征进行特征拼接可以包括:将所述最后一层的2个概率特征值和所述倒数第二层的n个概率特征值拼接为一个m*(n+2)维的向量,此时可以将这个m*(n+2)维的向量作为所述心电信号类别初检测结果。
通过将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测,确定心电信号类别初检测结果,由于心电信号的类别较多,在判别各类别时需要关注的心电特征差异较大,因此通过针对每一种类别,建立具有针对性的心电信号单类检测模型(二分类模型),能够更加精确的提取判别该类别所需的波形特征,通过利用对应类别的心电信号单类检测模型对待识别心电信号进行特定类别的检测,有利于提升心电信号类别检测的准确性,使得心电信号类别检测的结果更加可靠。
在本说明书实施例中,所述装置还可以包括:
第一训练样本获取模块,用于获取样本待识别心电信号及对应类别的心电信号标注结果;
在实际应用中,当所述心电信号单类检测模型包括类别A的二分类模型时,所述对应类别的心电信号标注结果包括类别A的标注结果;当所述心电信号单类检测模型包括类别B的二分类模型时,所述对应类别的心电信号标注结果包括类别B的标注结果;当所述心电信号单类检测模型包括类别C的二分类模型时,所述对应类别的心电信号标注结果包括类别C的标注结果。
在一个具体的实施例中,当所述心电信号单类检测模型包括心动过速的二分类模型时,所述对应类别的心电信号标注结果包括心动过速的标注结果;当所述心电信号单类检测模型包括心房颤动的二分类模型时,所述对应类别的心电信号标注结果包括心房颤动的标注结果;当所述心电信号单类检测模型包括I度房室阻滞的二分类模型时,所述对应类别的心电信号标注结果包括I度房室阻滞的标注结果;当所述心电信号单类检测模型包括房性早搏的二分类模型时,所述对应类别的心电信号标注结果包括房性早搏的标注结果。
在一个实施例中,对于每个类别的心电信号单类检测模型,可以将属于该类别的信号样本作为正样本,其他类别的信号样本作为负样本,将所述正样本及负样本作为所述第一样本训练集,通过这种方式能够减少需要获取的样本数量,节省时间,提升模型训练的效率。
第一模型训练模块,用于基于所述样本待识别心电信号及对应类别的心电信号标注结果对第一神经网络模型进行对应类别的心电信号类别初检测的训练,在心电信号类别初检测的训练中调整所述第一神经网络模型的模型参数至所述第一神经网络模型的第一损失函数满足第一收敛条件;
第一模型确定模块,用于将当前的第一神经网络模型作为对应类别的心电信号单类检测模型。
具体地,所述第一模型训练模块可以包括:
第一误差值确定单元,用于基于第一损失函数计算所述第一神经网络模型输出的样本待识别心电信号及对应类别的心电信号标注结果之间的误差值;
第一判断单元,用于判断所述误差值是否满足第一预设条件;
第一参数调整单元,用于当判断的结果为否时,基于网络优化函数调整所述第一神经网络模型中的模型参数,重复上述对应类别的心电信号类别初检测至判断的步骤;
具体地,所述第一模型确定模块可以包括:
第一模型确定单元,用于当判断的结果为是时,将当前的第一神经网络模型作为对应类别的心电信号单类检测模型。
在一个具体的实施例中,为了抑制样本不平衡问题,所述第一损失函数可以包括Focal损失函数,在其他实施例中,所述第一损失函数还可以包括但不限于Dice损失函数或联合损失函数,本发明实施例并不以此为限。
在实际应用中,所述心电信号单类检测模型使用的神经网络可以包括但不限于VGGNet、ResNet(Residual Network)、DenseNet、LSTM(Long Short-Term Memory)网络和上述网络中至少两种的组合。
通过基于样本待识别心电信号及对应类别的心电信号标注结果进行心电信号类别初检测的训练得到对应类别的心电信号单类检测模型,能够对于每种类别训练出有针对性的检测模型,各模型可以具有针对性的对其对应的单个类别进行特征提取,且在本说明书实施例中,所述心电信号单类检测模型可以包括二分类模型,由于不同类别的模型侧重识别对应的心电信号类别,各模型间的耦合性较低,后续可扩展性较强。
在本说明书实施例中,所述装置还可以包括:
第二训练样本获取模块,用于获取样本心电信号类别初检测结果及对应的心电信号类别标注结果;
第二模型训练模块,用于基于所述样本心电信号类别初检测结果及对应的心电信号类别标注结果对第二神经网络模型进行心电信号类别检测的训练,在心电信号类别检测的训练中调整所述第二神经网络模型的模型参数至所述第二神经网络模型的第二损失函数满足第二收敛条件;
第二模型确定模块,用于将当前的第二神经网络模型作为所述心电信号类别检测融合模型。
具体地,所述第二模型训练模块可以包括:
第二误差值确定单元,用于基于第二损失函数计算所述第二神经网络模型输出的心电信号类别检测结果与对应的心电信号类别标注结果之间的误差值;
第二判断单元,用于判断所述误差值是否满足第二预设条件;
第二参数调整单元,用于当判断的结果为否时,基于网络优化函数调整所述第二神经网络模型中的模型参数,重复上述心电信号类别检测至判断的步骤;
具体地,所述第二模型确定模块可以包括:
第二模型确定单元,用于当判断的结果为是时,将当前的第二神经网络模型作为所述心电信号类别检测融合模型。
具体地,所述第二训练样本获取模块包括:
训练集获取单元,用于获取训练集;
样本单类识别单元,用于基于所述至少两个不同类别的心电信号单类检测模型对所述第三样本训练集进行对应类别的心电信号类别初检测;
样本概率特征确定单元,用于提取每个心电信号单类检测模型中预设层数的概率特征;
样本概率特征拼接单元,用于对所述至少两个不同类别的心电信号单类检测模型中预设层数的概率特征进行特征拼接,将拼接后的概率特征作为所述样本心电信号类别初检测结果。
在本说明书实施例中,所述装置还可以包括:
信号切片模块,用于在获取待识别心电信号之后,对所述待识别心电信号进行信号切片处理,得到所述待识别心电信号的多个信号片段;
在实际应用中,由于所述待识别心电信号可能长度较长,且不同的待识别心电信号可能不等长,在一个实施例中,所述待识别心电信号的长度可能为60秒;在另一个实施例中,所述待识别心电信号的长度可能为20秒;为了保证输入各心电信号单类检测模型的信号等长且能够包含识别某一种心电信号类别的所有特征,可对所述待识别心电信号进行信号切片处理,得到预设长度的多个信号片段,具体的,所述预设长度可以根据实际应用需求和/或模型测试结果进行确定。作为优选的,所述预设长度可以包括3~5个心跳周期的长度,且切片后各信号片段的预设长度相等。
此外,在本说明书实施例中,请参照图6,在对所述待识别心电信号进行信号切片处理时,相邻片段需包括预设长度的重叠部分(即对相邻片段重叠切片),有利于对所述待识别心电信号进行充分采样,避免信号切片时存在遗漏,有利于提升心电信号类别检测结果的可靠性。
所述心电信号单类检测模块820包括:
心电信号片段单类检测单元,用于将所述待识别心电信号的多个信号片段作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号的多个信号片段进行对应类别的心电信号类别初检测,确定心电信号类别初检测结果。
在本说明书实施例中,当所述装置还包括信号切片模块时,所述心电信号类别检测结果包括所述待识别心电信号的每个信号片段对应的心电信号类别检测结果,所述装置还包括:
类别投票模块,用于在基于所述心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果之后,基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果。
具体地,所述基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果可以包括:
(1)基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票并对投票结果进行排序;
(2)确定出票数最多的心电信号类别,并判断所述票数最多的心电信号类别是否属于第一预设类别;
(3)当所述票数最多的心电信号类别属于第一预设类别时,确定出票数次多的心电信号类别,并判断所述票数次多的心电信号类别的票数是否大于或等于预设阈值;
具体地,所述预设阈值可以结合实际应用需求进行设定。
(4)当所述票数次多的心电信号类别的票数大于或等于预设阈值时,将所述票数次多的心电信号类别作为所述待识别心电信号的类别检测结果;
(5)当所述票数次多的心电信号类别的票数小于预设阈值时,将所述票数最多的心电信号类别作为所述待识别心电信号的类别检测结果;
在实际应用中,所述第一预设类别可以包括类别“正常”(即心律正常,未存在任一心律失常情况),由于实际应用中存在待识别心电信号中类别“正常”的信号片段较多,其他类别(例如心动过速、心房颤动、I度房室阻滞、房性早搏及室性早搏等异常类别)的信号片段较少的情况,为了得到更加可靠的类别检测结果,可以在所述票数最多的心电信号类别为“正常”时,确定出票数次多的心电信号类别继续判断所述票数次多的心电信号类别的票数大于或等于预设阈值。
在一个实施例中,所述基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果还可以包括:
当所述票数最多的心电信号类别不属于第一预设类别时,将所述票数最多的心电信号类别作为所述待识别心电信号的类别检测结果。
在另一个实施例中,所述基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果还可以包括:
当所述待识别心电信号的每个信号片段对应的心电信号类别检测结果均为相同类别时,将该种类别作为所述待识别心电信号的类别检测结果。
在另一个实施例中,所述基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果还可以包括:
当所述待识别心电信号的全部信号片段对应的心电信号类别检测结果中包括第二预设类别时,将所述待识别心电信号的全部信号片段对应的心电信号类别检测结果中包括的第二预设类别作为所述待识别心电信号的类别检测结果。
具体地,所述第二预设类别可以结合实际应用需求进行设定。由于有些心电信号类别较为特殊或需要提醒医生注意,无需票数超过预设阈值,只要存在信号片段对应的心电信号类别检测结果包括第二预设类别时,即将其作为所述待识别心电信号的类别检测结果,有利于提升心电信号类别检测的可靠性。
在另一个实施例中,当票数最多的心电信号类别多于一个时(例如,类别A和类别B的票数相同且多于其他类别的票数),可以优先选取其中的不是类别“正常”的结果作为最终结果,当所述多于一个的票数最多的心电信号类别均不是类别“正常”时,可以随机选取其中一个类别作为最终结果,或,将所述多于一个的票数最多的心电信号类别都进行输出,且可以结合先前的所述至少两个不同类别的心电信号单类检测模型的输出结果进行分析。
在一个具体的实施例中,当所述心电信号类别包括心动过速、心房颤动、I度房室阻滞、房性早搏及室性早搏时,当票数最多的心电信号类别多于一个时(例如,心房颤动和心动过速的票数相同且多于其他类别的票数),可以随机选取其中一个类别作为最终结果,或,将心房颤动和心动过速都进行输出以供医生或研究者进行分析,且可以结合先前的所述至少两个不同类别的心电信号单类检测模型的输出结果进行分析;当例如正常和心动过速的票数相同且多于其他类别的票数时,优先选取心动过速作为最终结果,有利于提升心电信号识别的可靠性。
通过基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果,相当于做了多次验证,有利于提升心电信号类别检测的准确性,使得心电信号类别检测结果更加可靠。
具体地,心电信号类别检测装置的上述各模块可通过总线进行耦合及通信。
所述的装置实施例中的装置与所述心电信号类别检测方法实施例基于同样的申请构思。
本发明实施例通过获取待识别心电信号,将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测,确定心电信号类别初检测结果,能够利用对应类别的心电信号单类检测模型对待识别心电信号进行特定类别的心电信号类别初检测,更加精确的提取判别该类别所需的波形特征,有利于提升心电信号类别检测的准确性。且通过将所述心电信号类别初检测结果作为心电信号类别检测融合模型的输入,基于所述心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果,能够利用心电信号类别检测融合模型融合各类别的心电信号单类检测模型的优势,得到最优的最终识别结果,提升心电信号类别检测的准确性;避免了利用单模型进行多种心电信号类别检测时准确性不高的问题,有利于提升心电信号类别检测结果的可靠性。通过对所述待识别心电信号进行信号切片处理,得到所述待识别心电信号的多个信号片段,后续基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果,相当于做了多次验证,有利于提升心电信号类别检测的准确性,使得心电信号类别检测结果更加可靠。
本申请实施例提供了一种心电信号类别检测设备,该心电信号类别检测设备包括处理器和存储器,该存储器中存储有至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的一种心电信号类别检测方法。
存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器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、功能所需的应用程序等;存储数据区可存储根据所述设备的使用所创建的数据等。此外,存储器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,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图9是本申请实施例提供的一种心电信号类别检测方法的服务器的硬件结构框图。如图9所示,该服务器900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,CPU)910(处理器910可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器930,一个或一个以上存储应用程序923或数据922的存储介质920(例如一个或一个以上海量存储设备)。其中,存储器930和存储介质920可以是短暂存储或持久存储。存储在存储介质920的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器910可以设置为与存储介质920通信,在服务器900上执行存储介质920中的一系列指令操作。服务器900还可以包括一个或一个以上电源960,一个或一个以上有线或无线网络接口950,一个或一个以上输入输出接口940,和/或,一个或一个以上操作系统921,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
输入输出接口940可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器900的通信供应商提供的无线网络。在一个实例中,输入输出接口940包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口940可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图9所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器900还可包括比图9中所示更多或者更少的组件,或者具有与图9所示不同的配置。
本申请的实施例还提供了一种存储介质,所述存储介质可设置于服务器之中以保存用于实现方法实施例中一种心电信号类别检测方法相关的至少一条指令或至少一段程序,该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的心电信号类别检测方法。
可选地,在本实施例中,上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
由上述本申请提供的心电信号类别检测方法、装置、服务器或存储介质的实施例可见,本申请中心电信号类别检测方法可以通过获取待识别心电信号,将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测,确定心电信号类别初检测结果,能够利用对应类别的心电信号单类检测模型对待识别心电信号进行特定类别的心电信号类别初检测,更加精确的提取判别该类别所需的波形特征,有利于提升心电信号类别检测的准确性。且通过将所述心电信号类别初检测结果作为心电信号类别检测融合模型的输入,基于所述心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果,能够利用心电信号类别检测融合模型融合各类别的心电信号单类检测模型的优势,得到最优的最终识别结果,提升心电信号类别检测的准确性;避免了利用单模型进行多种心电信号类别检测时准确性不高的问题,有利于提升心电信号类别检测结果的可靠性。通过对所述待识别心电信号进行信号切片处理,得到所述待识别心电信号的多个信号片段,后续基于待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定待识别心电信号的类别检测结果,相当于做了多次验证,有利于提升心电信号类别检测的准确性,使得心电信号类别检测结果更加可靠。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备和存储介质实施例而言,由于其基本相似于方法实施例,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。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指示相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,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 (9)
1.一种心电信号类别检测方法,其特征在于,所述方法包括:
获取待识别心电信号;
将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测;
提取每个心电信号单类检测模型中预设层数的概率特征,所述预设层数包括最后一层和倒数第二层;
对所述至少两个不同类别的心电信号单类检测模型中预设层数的概率特征进行特征拼接,将拼接后的概率特征作为心电信号类别初检测结果;
将所述心电信号类别初检测结果作为心电信号类别检测融合模型的输入,基于所述心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果;
其中,所述心电信号单类检测模型是基于样本待识别心电信号及对应类别的心电信号标注结果进行心电信号类别初检测训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在获取待识别心电信号之后,对所述待识别心电信号进行信号切片处理,得到所述待识别心电信号的多个信号片段。
3.根据权利要求2所述的方法,其特征在于,所述心电信号类别检测结果包括所述待识别心电信号的每个信号片段对应的心电信号类别检测结果,所述方法还包括:
基于所述待识别心电信号的每个信号片段对应的心电信号类别检测结果进行类别投票,确定所述待识别心电信号的类别检测结果。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取样本待识别心电信号及对应类别的心电信号标注结果;
基于所述样本待识别心电信号及对应类别的心电信号标注结果对第一神经网络模型进行对应类别的心电信号类别初检测的训练,在心电信号类别初检测的训练中调整所述第一神经网络模型的模型参数至所述第一神经网络模型的第一损失函数满足第一收敛条件;
将当前的第一神经网络模型作为对应类别的心电信号单类检测模型。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取样本心电信号类别初检测结果及对应的心电信号类别标注结果;
基于所述样本心电信号类别初检测结果及对应的心电信号类别标注结果对第二神经网络模型进行心电信号类别检测的训练,在心电信号类别检测的训练中调整所述第二神经网络模型的模型参数至所述第二神经网络模型的第二损失函数满足第二收敛条件;
将当前的第二神经网络模型作为所述心电信号类别检测融合模型。
6.根据权利要求5所述的方法,其特征在于,所述获取样本心电信号类别初检测结果包括:
获取训练集;
基于所述至少两个不同类别的心电信号单类检测模型对所述训练集进行对应类别的心电信号类别初检测;
提取每个心电信号单类检测模型中预设层数的概率特征;
对所述至少两个不同类别的心电信号单类检测模型中预设层数的概率特征进行特征拼接,将拼接后的概率特征作为所述样本心电信号类别初检测结果。
7.根据权利要求1所述的方法,其特征在于,所述获取待识别心电信号包括:
获取原始心电信号;
对所述原始心电信号进行数据增强,得到增强后的原始心电信号;
对所述增强后的原始心电信号进行降采样,得到降采样心电信号;
对所述降采样心电信号进行归一化处理,将归一化处理后的所述降采样心电信号作为所述待识别心电信号。
8.一种心电信号类别检测装置,其特征在于,所述装置包括:
待识别信号获取模块,用于获取待识别心电信号;
心电信号单类检测模块,用于将所述待识别心电信号作为至少两个不同类别的心电信号单类检测模型的输入,基于所述至少两个不同类别的心电信号单类检测模型分别对所述待识别心电信号进行对应类别的心电信号类别初检测;
概率特征提取模块,用于提取每个心电信号单类检测模型中预设层数的概率特征,所述预设层数包括最后一层和倒数第二层;
特征拼接模块,用于对所述至少两个不同类别的心电信号单类检测模型中预设层数的概率特征进行特征拼接,将拼接后的概率特征作为心电信号类别初检测结果;
心电信号融合检测模块,用于将所述心电信号类别初检测结果作为心电信号类别检测融合模型的输入,基于所述心电信号类别检测融合模型进行心电信号类别检测,得到心电信号类别检测结果;
其中,所述心电信号单类检测模型是基于样本待识别心电信号及对应类别的心电信号标注结果进行心电信号类别初检测训练得到的。
9.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1至7任一所述的心电信号类别检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790478.4A CN112022141B (zh) | 2020-08-07 | 2020-08-07 | 一种心电信号类别检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790478.4A CN112022141B (zh) | 2020-08-07 | 2020-08-07 | 一种心电信号类别检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112022141A CN112022141A (zh) | 2020-12-04 |
CN112022141B true CN112022141B (zh) | 2023-06-20 |
Family
ID=73582825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010790478.4A Active CN112022141B (zh) | 2020-08-07 | 2020-08-07 | 一种心电信号类别检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112022141B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112617850B (zh) * | 2021-01-04 | 2022-08-30 | 苏州大学 | 心电信号的早搏心拍检测系统 |
CN113647959B (zh) * | 2021-07-27 | 2024-01-12 | 东软集团股份有限公司 | 一种心电波形信号的波形识别方法、装置及设备 |
CN114098749B (zh) * | 2021-12-30 | 2024-04-05 | 清华大学 | 基于深度学习与诊断规则的心拍形态识别方法及系统 |
CN117598711B (zh) * | 2024-01-24 | 2024-04-26 | 中南大学 | 一种心电信号的qrs波群检测方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104783782A (zh) * | 2015-04-13 | 2015-07-22 | 深圳市飞马与星月科技研究有限公司 | 心电信号自动检测方法及装置 |
CN106377247A (zh) * | 2016-09-10 | 2017-02-08 | 天津大学 | 基于特征选择的心律失常分类方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019205067A1 (en) * | 2018-04-27 | 2019-10-31 | Vita-Course Technologies Co., Ltd. | Systems and methods for determining an arrhythmia type |
CN108968951B (zh) * | 2018-08-15 | 2021-06-22 | 武汉中旗生物医疗电子有限公司 | 心电图检测方法、装置及系统 |
CN109620152B (zh) * | 2018-12-16 | 2021-09-14 | 北京工业大学 | 一种基于MutiFacolLoss-Densenet的心电信号分类方法 |
CN109497990B (zh) * | 2018-12-27 | 2020-06-02 | 山东大学 | 一种基于典型相关分析的心电信号身份识别方法及系统 |
CN110037684A (zh) * | 2019-04-01 | 2019-07-23 | 上海数创医疗科技有限公司 | 基于改进卷积神经网络的识别心律类型的装置 |
-
2020
- 2020-08-07 CN CN202010790478.4A patent/CN112022141B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104783782A (zh) * | 2015-04-13 | 2015-07-22 | 深圳市飞马与星月科技研究有限公司 | 心电信号自动检测方法及装置 |
CN106377247A (zh) * | 2016-09-10 | 2017-02-08 | 天津大学 | 基于特征选择的心律失常分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112022141A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112022141B (zh) | 一种心电信号类别检测方法、装置及存储介质 | |
US11564612B2 (en) | Automatic recognition and classification method for electrocardiogram heartbeat based on artificial intelligence | |
US20200155024A1 (en) | Detection of electrocardiographic signal | |
CN109276242A (zh) | 心电信号类型识别的方法和装置 | |
WO2021071688A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
CN110558975B (zh) | 一种心电信号分类方法及系统 | |
CN106725420A (zh) | 室性早搏识别方法及室性早搏识别系统 | |
CN106108880B (zh) | 一种心拍自动识别方法及系统 | |
CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
CN112690802B (zh) | 一种检测心电信号的方法、装置、终端及存储介质 | |
CN110432895B (zh) | 训练数据处理、心电波形检测方法及电子设备 | |
CN115081486A (zh) | 一种癫痫发作前期颅内脑电网络定位癫痫灶系统及方法 | |
CN111067505A (zh) | 心律失常检测的方法、装置以及存储介质 | |
CN113128585B (zh) | 一种基于多尺寸卷积核的深度神经网络实现心电异常检测分类方法 | |
Guanglong et al. | Ecg signal classification algorithm based on fusion features | |
CN113171102B (zh) | 基于持续深度学习的ecg数据分类方法 | |
CN113229798A (zh) | 模型迁移训练方法、装置、计算机设备及可读存储介质 | |
Li et al. | ECG Classification with Dual Models: XGBoost Voting and Deep Learning with Attention | |
CN114469126B (zh) | 心电数据的分类处理方法、装置、存储介质及计算机设备 | |
CN112587146B (zh) | 基于改进损失函数的神经网络的心律类型识别方法和装置 | |
CN113349790B (zh) | 基于s型重构的2d卷积神经网络的心拍分类方法及系统 | |
CN113052229B (zh) | 一种基于心电数据的心脏病症分类方法及装置 | |
CN116211315B (zh) | 一种单导联心电信号辅助诊断方法及诊断终端 | |
WO2022238200A1 (en) | System and method for assessing a cardiac arrhythmia |
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 |