CN112022144A - 心电异常检测网络训练方法、心电异常预警方法及装置 - Google Patents

心电异常检测网络训练方法、心电异常预警方法及装置 Download PDF

Info

Publication number
CN112022144A
CN112022144A CN202010942309.8A CN202010942309A CN112022144A CN 112022144 A CN112022144 A CN 112022144A CN 202010942309 A CN202010942309 A CN 202010942309A CN 112022144 A CN112022144 A CN 112022144A
Authority
CN
China
Prior art keywords
network
electrocardio
network layer
training
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
CN202010942309.8A
Other languages
English (en)
Other versions
CN112022144B (zh
Inventor
王景峰
黄凯
陈样新
张玉玲
郭思璐
宋日辉
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.)
Sun Yat Sen Memorial Hospital Sun Yat Sen University
Bioisland Laboratory
Original Assignee
Sun Yat Sen Memorial Hospital Sun Yat Sen University
Bioisland Laboratory
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 Sun Yat Sen Memorial Hospital Sun Yat Sen University, Bioisland Laboratory filed Critical Sun Yat Sen Memorial Hospital Sun Yat Sen University
Priority to CN202010942309.8A priority Critical patent/CN112022144B/zh
Publication of CN112022144A publication Critical patent/CN112022144A/zh
Priority to JP2020206216A priority patent/JP2022045870A/ja
Priority to PCT/CN2020/137332 priority patent/WO2022052358A1/zh
Application granted granted Critical
Publication of CN112022144B publication Critical patent/CN112022144B/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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Cardiology (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Emergency Management (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

本发明实施例公开了一种心电异常检测网络训练方法、心电异常预警方法及装置，心电异常检测网络训练方法包括：获取心电异常患者的心电图信号和正常人的心电图信号；从获取到的心电图信号中提取训练数据；采用训练数据训练二值神经网络作为心电异常检测网络，其中，网络层的节点的值和权值为二值数据，通过网络层的节点的值和权值进行二值运算来得到下一网络层的节点值。由于二值数据占1bit数据，大幅度降低了内存的占用，二值数据还可以做与门、异或门运算代替乘法，在快速运算的同时可以降低运行环境的硬件开销，从而使得训练好的心电异常检测网络可嵌入存储容量和运算能力有限的移动设备中，以通过移动设备直接有效地对各种心电异常进行预警。

Description

心电异常检测网络训练方法、心电异常预警方法及装置
技术领域
本发明实施例涉及心电图处理技术领域，尤其涉及一种心电异常检测网络训练方法、心电异常预警方法、心电异常检测网络训练装置、心电异常预警装置、电子设备和存储介质。
背景技术
心源性猝死(sudden cardiac death，SCD)是心血管疾病中最主要的死亡原因之一，由于其隐蔽性和突发性等特点，一旦发生心源性猝死，病人的存活几率极低，这严重威胁着人类的健康，因此早期诊断和预警是预防SCD的关键所在。
在现有技术的一种方案中，选择一种或多种方法组合对比选择效果最好的波形检测算法来对心电信号进行检测和特征提取，最后输出心电信号的波形检测结果，该方案主要目的是辅助猝死预警研究，提高研究数据的准确性，无法直接对心源性猝死进行有效预警。
另一种方案中是针对运动心源性猝死预警，采集运动时的心电图提取实时特征参数输入到多层神经网络中来对运动心源性猝死进行预警，不适用于普遍性的心源性猝死预警，且多层神经网络的模型参数过多，不适合应用到手机等移动设备上。
在另一个方案中，首先构建人工神经网络，初始化各个网络层的权值，然后对猝死数据样本和正常心律数据样本进行处理，提取出特征并构建成特征向量，将特征向量作为网络输入到初始化的人工神经网络中进行训练，通过训练好的人工神经网络来预测心源性异常，然而，人工神经网络中采用浮点型参数进行计算，网络参数过多，在网络运行过程中占据大量的内存，人工神经网络需求运行速度快和存储容量大的计算环境，难以应用到手机等移动设备上。
综上所述，现有技术中无法直接对普遍性的心源性猝死进行有效预警，并且预警用的神经网络对硬件要求高，无法应用于移动设备上。
发明内容
本发明实施例提供一种心电异常检测网络训练方法、心电异常预警方法、心电异常检测网络训练装置、心电异常预警装置、电子设备和存储介质，以解决现有技术中无法直接对普遍性的心源性猝死进行有效预警，以及预警用的神经网络对硬件要求高，无法应用于移动设备上的问题。
第一方面，本发明实施例提供了一种心电异常检测网络训练方法，包括：
获取心电异常患者的心电图信号和正常人的心电图信号；
从获取到的所述心电图信号中提取训练数据；
采用所述训练数据训练二值神经网络，将训练好的二值神经网络作为心电异常检测网络，其中，对于所述心电异常检测网络中的每一个网络层，所述网络层的节点的值和权值为二值数据，通过所述网络层的节点的值和权值进行二值运算来得到下一网络层的节点值。
第二方面，本发明实施例提供了一种心电异常预警方法，包括：
获取被监测人员的心电图信号；
从所述心电图信号中提取心拍信号；
对所述心拍信号采样获得采样数据；
将所述采样数据输入预先训练好的心电异常检测网络中获得所述被监测人员心电异常的概率；
根据所述心电异常的概率生成预警信息；
其中，心电异常检测网络通过本发明实施例第一方面所述的心电异常检测网络训练方法所训练。
第三方面，本发明实施例提供了一种心电异常检测网络训练装置，包括：
心电图信号获取模块，用于获取心电异常患者的心电图信号和正常人的心电图信号；
训练数据提取模块，用于从获取到的所述心电图信号中提取训练数据；
训练模块，用于采用所述训练数据训练二值神经网络，将训练好的二值神经网络作为心电异常检测网络，其中，对于所述心电异常检测网络中的每一个网络层，所述网络层的节点的值和权值为二值数据，通过所述网络层的节点的值和权值进行二值运算来得到下一网络层的节点。
第四方面，本发明实施例提供了一种心电异常预警装置，用于移动设备，包括：
心电图信号获取模块，用于获取被监测人员的心电图信号；
心拍信号提取模块，用于从所述心电图信号中提取心拍信号；
采样模块，用于对所述心拍信号采样获得采样数据；
网络预测模块，用于将所述采样数据输入预先训练好的心电异常检测网络中获得所述被监测人员心电异常的概率；
预警模块，用于根据所述心电异常的概率生成预警信息；
其中，心电异常检测网络通过本发明实施例第一方面所述的心电异常检测网络训练方法所训练。
第五方面，本发明实施例提供了一种电子设备，所述电子设备包括：
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本发明任一实施例所述的心电异常检测网络训练方法，和/或，心电异常预警方法。
第六方面，本发明实施例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本发明任一实施例所述的心电异常检测网络训练方法，和/或，心电异常预警方法。
本发明实施例在获取心电异常患者的心电图信号和正常人的心电图信号，从获取到的心电图信号中提取训练数据来训练二值神经网络，将训练好的二值神经网络作为心电异常检测网络，一方面，由于在心电异常检测网络中，每一个网络层的节点的值和权值为二值数据，通过网络层的节点的值和权值进行二值运算来得到下一网络层的节点值，二值数据占1bit数据，相比32-bit的实数型数据，二值神经网络所需要的内存小，权值文件可以从1GB降低到32M，大幅度降低了内存的占用，再者，二值数据可以做与门、异或门等运算来代替乘法，用1-bit的异或门代替了原本的32-bit浮点数乘法，在实现快速运算的同时可以降低运行环境的硬件开销，从而使得训练好的心电异常检测网络可嵌入存储容量和运算能力有限的移动设备中，另一方面，心电异常患者可以包括各种心电异常，可以获得各种心电异常的心电图信号来训练心电异常检测网络，该心电异常检测网络可以直接有效地预测各种心电异常的概率。
附图说明
图1是本发明实施例一提供的一种心电异常检测网络训练方法的步骤流程图；
图2A是本发明实施例二提供的一种心电异常检测网络训练方法的步骤流程图；
图2B是本发明实施例中心拍信号的示意图；
图3是本发明实施例三提供的一种心电异常预警方法的步骤流程图；
图4是本发明实施例四提供的一种心电异常检测网络训练装置的结构框图；
图5是本发明实施例五提供的一种心电异常预警装置的结构框图；
图6是本发明实施例六提供的一种电子设备的结构示意图。
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。在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。
实施例一
图1为本发明实施例一提供的一种心电异常检测网络训练方法的步骤流程图，本发明实施例可适用于训练心电异常检测网络来检测心电异常的情况，该方法可以由本发明实施例的心电异常检测网络训练装置来执行，该心电异常检测网络训练装置可以由硬件或软件来实现，并集成在本发明实施例所提供的电子设备中，如集成在计算机设备或者服务器上，具体地，如图1所示，本发明实施例的心电异常检测网络训练方法可以包括如下步骤：
S101、获取心电异常患者的心电图信号和正常人的心电图信号。
在本发明实施例中，在训练前可以通过心电图信号采集设备对心电异常患者和正常人的采集心电图信号，从而获得心电异常患者的心电图信号和正常人的心电图信号，其中，心电异常患者可以是各种心源性猝死患者，还可以是其他心电异常患者，心电图信号可以单导联心电图信号、三导联心电图信号、十二导联心电图信号等，本发明实施例对获取心电图信号的方式以及心电图信号的导联数均不加以限制。
S102、从获取到的所述心电图信号中提取训练数据。
在一个可选实施例中，可以先对心电图信号(包括心电异常患者和正常人的心电图信号)进行去噪处理，如可以通过带陷滤波器去除心电图信号中的工频干扰噪声、通过低通滤波器消除肌电干扰噪声、通过IIR零相移数字滤波器纠正基线漂移等，本发明实施例对去除噪声的方式不加以限制。
在去噪处理后，可以对去噪处理后的心电图信号分割心拍得到每个心电图信号的多个心拍信号，对心拍信号采样获得的采样数据作为训练样本，心拍信号所属的心电图信号属于心电异常患者还是正常人作为训练样本的样本标签，训练样本和样本标签即构成训练数据。
S103、采用所述训练数据训练二值神经网络，将训练好的二值神经网络作为心电异常检测网络，其中，对于所述心电异常检测网络中的每一个网络层，所述网络层的节点的值和权值为二值数据，通过所述网络层的节点的值和权值进行二值运算来得到下一网络层的节点值。
本发明实施例的心电异常检测网络为二值神经网络，在二值神经网络中，每个网络层的节点的值和权值为二值数据，即节点和权值的值为1或-1，只占1bit大小，每个网络层的节点的值和权值进行二值运算后作为下一网络层的节点值。
在实际应用中，在初始化二值神经网络的输入层、隐藏层、输出层后，随机提取一个心拍信号的采样数据输入到二值神经网络中进行前向传播，在前向传播过程中将数值二值化进行二值化运算得到预测值，通过预测值和样本标签来计算损失率，当损失率大于预设值时，根据损失率来计算梯度，通过梯度反向传播来更新二值神经网络的各个层的权值，然后重新迭代训练直到损失率小于预设值时得到训练好的二值神经网络即为心电异常检测网络。将被监测人员的心电图信号输入训练好的心电异常检测网络后即可以得到被监测人员是否是心电异常的概率，在概率大于阈值是可以生成告警信息。
本发明实施例训练二值神经网络来作为心电异常检测网络，一方面，在心电异常检测网络中，每一个网络层的节点的值和权值为二值数据，通过网络层的节点的值和权值进行二值运算来得到下一网络层的节点值，二值数据只占1bit数据，相比32-bit的实数型数据，二值神经网络所需要的内存小，权值文件可以从1GB降低到32M，大幅度降低了内存的占用，再者，二值数据可以做与门、异或门等运算来代替乘法，用1-bit的异或门代替了原本的32-bit浮点数乘法，在实现快速运算的同时可以降低运行环境的硬件开销，从而使得训练好的心电异常检测网络可嵌入存储容量和运算能力有限的移动设备中，另一方面，心电异常患者可以包括各种心电异常，可以获得各种心电异常的心电图信号来训练心电异常检测网络，该心电异常检测网络可以直接有效地预测各种心电异常的概率。
实施例二
图2A为本发明实施例二提供的一种心电异常检测网络训练方法的步骤流程图，本发明实施例在前述实施例一的基础上进行优化，具体地，如图2A所示，本发明实施例的心电异常检测网络训练方法可以包括如下步骤：
S201、获取心电异常患者的心电图信号和正常人的心电图信号。
S202、对获取到的所述心电图信号进行去噪处理，得到去噪后的心电图信号。
在实际应用中，采集到的心电图信号可能存在肌电干扰噪声、基线漂移噪声、工频干扰噪声中的至少一种噪声，可以对获取到的心电图信号进行消除肌电干扰噪声、消除基线漂移噪声、消除工频干扰噪声处理得到去噪后的心电图信号。当然，在实际应用中，本领域技术人员还可以去除心电图信号中的其他噪声，本发明实施例对此不加以限制。
具体地，对于工频干扰噪声，可以采用带陷滤波器去除心电图信号中的工频干扰噪声，带陷波滤波器可以是由一个截止频率49HZ的低通滤波器和一个截止频率为51HZ的高通滤波器组成，其中，高通滤波器可以由一个全通滤波器减去一个低通滤波器构成。
对于肌电干扰噪声，可以采用低通滤波器消除肌电干扰噪声，优选地，可以使用归一化巴特沃兹模拟低通滤波器来去除肌电干扰噪声。
对于基线漂移噪声，可以采用IIR零相移数字滤波器纠正，由于基线漂移噪声是低频噪声，通过IIR零相移数字滤波器可以用较低的阶数获得较高的频率选择性。IIR零相移数字滤波器的输入和输出可以用以下方程表示：
Figure BDA0002674048070000091
上述公式中，x()是输入的原始心电图信号，y()是基线校正后(去除基线漂移噪声)的心电图信号，n为滤波阶数，ak、bm为滤波系数，是常数，m表示前m个输入。
本发明实施例通过对心电图信号进行去噪处理，可以去除心电图信号中的噪声，从去噪处理后的心电图信号中提取到的训练数据更为准确，从而可以提高训练得到的二值神经网络的精度。
S203、从所述去噪处理后的心电图信号中提取心拍信号。
如图2B所示为一段心电图信号，一个完整的心拍信号包括P波，QRS波群以及T波组成，图2B中的心电图信号包含了2个心拍信号，通过定位心拍信号中的QRS波群便可以相应的定位一个心拍信号中的其他波段，从而截取整个心拍信号，即获得一个心拍信号的背景、P波、PQ段、QR段、RS段、ST段共6个波形，当然，在实际应用中还可以获取其他波段，本发明实施例对此不加以限制。
在本发明的优选实施例中，可以将去噪处理后的心电图信号输入预先训练好的心拍分割模型中提取出多个心拍信号，示例性地，可以预先训练LSTM(Long Short-TermMemory，长短期记忆网络)，将心电图信号输入LSTM后，通过LSTM对心电图信号进行波形分割得到多个心拍信号。当然，还可以训练RNN、DNN、CNN等模型而不仅仅限于LSTM。
S204、对所述心拍信号采样获得训练样本。
可选地，可以按照预设采样频率对心拍信号采样获得多个采样数据，判断采样数据的数量是否小于预设数量，若是，对采样数据进行扩充，使得采样数据的数量等于预设数量，将采样数据确定为训练数据。
示例性地，一个心拍信号的周期在0.8s～1.2s之间，心电图信号的采样频率为1000HZ，由于二值神经网络的输入层输入的数据的维度是固定，假设为1200个维度，即1200个采样点，对于周期小于1.2s的心拍信号按照1000HZ的采样频率采样后采样数据的数量小于1200个，可以在两端进行0填充，使得对心拍信号采样后得到的采样数据的统一长度为1200个，例如，对于时长为1s的心拍，两端分别填充100个0值采样点，从而变成长度为1200个的数据样本。
S205、对所述心拍信号标注得到样本标签，所述样本标签表示所述心拍信号为异常心电信号或者正常心电信号。
示例性地，对于每个心拍信号，确定该心拍信号是来源于心电异常患者的心电图信号还是正常人的心电图信号，从而可以标注相应的标签作为样本标签，在一个具体示例中，可以将来正常人的心拍信号的标签设置为0，心电异常患者的心拍信号的标签设置为1，从而使得每个训练样本均对应有样本标签。
S206、将所述训练样本和所述样本标签确定为训练数据。
在本发明实施例中，训练数据包括样本和标签，样本可以是对心拍信号采样后得到的采样数据，标签可以是对心拍信号标注的标签。
S207、初始化二值神经网络。
具体地，初始化可以是构建二值神经网络的输入层、隐藏层和输出层，在一个示例中，当心电图信号的导联数为1时，即心电图信号为单导联心电图信号时，可以构建包含1个输入层、4个输入层和1个输出层的二值神经网络，当然，输入层的宽度与心电图信号的导联数相等，比如，心电图信号为12导联时，输入层的的宽度为12。
S208、随机提取一个心拍信号的采样数据输入所述二值神经网络中进行前向传播得到各个网络层的二值化激活值和实数型激活值。
在本发明的可选实施例中，针对二值神经网络的每层网络层，将当前网络层的实数型权值二值化得到二值化权值，将当前网络层的二值化权值和上一层网络层的二值化激活值作乘法得到当前网络层的实数型中间向量，根据当前网络层的标准化处理参数对实数型中间向量做标准化处理得到实数型激活值，判断当前网络层是否为输出层；若是，实数型激活值作为预测值，若否，对实数型中间向量做二值化处理得到当前网络层的二值化激活值，将下一网络层作为当前网络层，返回将当前网络层的实数型权值二值化得到二值化权值的步骤。
具体地，在前向传播过程中，对于二值神经网络中的各个网络层，每个网络层的权值和激活值做乘法后作为下一网络层的激活值，在实际应用中，心拍信号的采样数据为实数型的数据，二值神经网络的第一层网络的权值为实数型权值，从第二层网络开始通过二值化函数将权值和激活值量化量化为1bit的二值数据，即权值和激活值为+1或-1，其中，二值化函数为：
Figure BDA0002674048070000111
上述公式中，xb为实数型数值x二值化之后的值。通过Sign函数可以将实数型的权值和激活值二值化，可以成倍的减小参数的内存占用量。在二值网络的输出层不再对激活值进行二值化处理，在输出层使用logistics激活函数，输出0,1之间的实数作为预测值，预测值越接近1，说明被监测人员心电异常的风险越高。
在一个示例中，对于当前网络层k，通过以下公式将权值二值化：
Figure BDA0002674048070000121
Wk为当前网络层k的实数型权值，Binarize为二值化函数，
Figure BDA0002674048070000122
为当前网络层k的二值化权值，则当前网络层k的实数型中间向量为：
Figure BDA0002674048070000123
其中，sk为当前网络层k的实数型中间向量，
Figure BDA0002674048070000124
为上一网络层k-1的二值化激活值。
得到当前网络层k的实数型中间向量sk后，对实数型中间向量sk做以下处理得到输出层的实数型激活值：
ak＝BatchNorm(sk,θk)
上述公式中BatchNorm为批标准化函数，θk为当前网络层k的批标准化参数，ak为当前网络层k的实数型激活值。
如果当前网络层k不是二值神经网络的输出层，对实数型激活值ak做二值化处理：
Figure BDA0002674048070000125
然后将下一网络层作为当前网络层直到当前网络层为输出层。
S209、将所述二值神经网络的输出层的实数型激活值和所述样本标签代入预设损失函数中计算损失率。
具体地，损失函数可以是计算样本标签与输出之间的差异的函数，在一个示例中，损失函数可以是计算L1、L2距离，还可以是均方差函数等，在本发明实施例中对损失函数不做限制。
对于二值神经网络，可以将样本标签与二值神经网络的输出层输出的实数型激活值代入损失函数中得到损失率。
S210、判断所述损失率是否小于预设阈值。
在本发明实施例中，由于输出层为二值神经网络的最终输出结果，如果损失率小于预设阈值，说明二值神经网络的预测结果已经接近真实值(样本标签)，该二值神经网络已经能够准确预测心拍信号是否为异常心电信号的能力，可以执行S211，否则执行S212和S213。
S211、停止对所述二值神经网络进行训练，将训练好的二值神经网络作为心电异常检测网络。
当损失率小于预设阈值后，可以停止对二值神经网络进行训练，训练好的二值神经网络即为心电异常检测网络，可以将心电异常检测网络的网络参数打包保存以便移植到移动设备上。
S212、采用所述损失率计算各个网络层的二值化权值的梯度。
在本发明的可选实施例中，针对每个网络层，计算损失率对网络层的二值化激活值的梯度，然后计算损失率对网络层的实数型激活值的梯度，并对实数型激活值的梯度、实数型中间向量和标准处理参数进行标准化处理得到实数型中间向量的梯度和标准处理参数的梯度，计算实数型中间向量的置换矩阵与上一网络层的二值化权值的乘积作为网络层的二值化权值的梯度。
在实际应用中，对于二值化函数：
q＝Sign(r)
由于符号函数Sign的导数为零，无法进行反向传播，在反向传播计算梯度的过程中对符号函数Sign进行宽松。
假设二值化q的梯度gq如下：
Figure BDA0002674048070000131
上式中C为损失函数，则已知损失函数对二值化值q的梯度gq，损失函数对实数型数值r的梯度如下：
g(r)＝gq 1|r|≤1
具体地到本发明实施例中，计算损失函数对二值化激活值
Figure BDA0002674048070000141
的梯度
Figure BDA0002674048070000142
后，损失函数对实数型激活值的梯度
Figure BDA0002674048070000143
如下：
Figure BDA0002674048070000144
其中，
Figure BDA0002674048070000145
为损失率对二值化激活值的梯度，
Figure BDA0002674048070000146
为Sign函数松弛后的梯度，当实数型激活值ak的绝对值小于或等于1时，损失率对实数型激活值的梯度
Figure BDA0002674048070000147
否则
Figure BDA0002674048070000148
如前述S208，实数型激活值是通过
Figure BDA0002674048070000149
在得到实数型激活值的梯度
Figure BDA00026740480700001410
后，可以基于链式法则计算批标准化前的实数型中间向量sk的梯度
Figure BDA00026740480700001411
以及批标准化参数θk的梯度
Figure BDA00026740480700001412
链式法则(chain rule)是微积分中求导法则，用于求复合函数的导数，链式法则为：对于两个函数组合而成的复合函数，复合函数的导数等于里面函数代入外函数值的导数乘以里面函数之导数，具体地到本发明实施例中，
Figure BDA00026740480700001413
即已知
Figure BDA00026740480700001414
S208中又知实数型中间向量sk和批标准化参数θk，通过链式法则可以计算实数型中间向量sk的梯度
Figure BDA00026740480700001415
以及批标准化参数θk的梯度
Figure BDA00026740480700001416
则二值化权值的梯度为：
Figure BDA00026740480700001417
S213、根据所述二值化权值的梯度和预设学习率调整所述二值神经网络的各个网络层的权值。
在得到各个网络层的梯度后，可以反向传播对各个网络层的参数进行调整，在一个示例中，对于每个网络层的权值，可以计算预设学习率与二值化权值的梯度的乘积；计算二值化权值与乘积的差值作为新的权值，该新的权值大于等于-1，小于等于1，权值限制在[-1,1]范围内，在调整完各个网络层的权值后，返回S208中继续对二值神经网络迭代训练。
本发明实施例在获取心电图信号后进行去噪处理得到去噪后心电图信号，并提取出心拍信号，对心拍信号采样获得训练数据，初始化二值神经网络后，随机提取一个心拍信号的采样数据输入二值神经网络中进行前向传播得到各个网络层的二值化激活值和实数型激活值，并通过二值神经网络的输出层的激活值来计算损失率，在损失率小于预设阈值时，根据损失率来计算网络层中二值化权值的梯度，通过梯度和预设学习率来对网络层的权值进行调整并重新迭代训练二值神经网络。由于在心电异常检测网络中，每一个网络层的节点的值和权值为二值数据，通过网络层的节点的值和权值进行二值运算来得到下一网络层的节点值，二值数据占1bit数据，相比32-bit的实数型数据，二值神经网络所需要的内存小，权值文件可以从1GB降低到32M，大幅度降低了内存的占用，再者，二值数据可以做与门、异或门等运算来代替乘法，用1-bit的异或门代替了原本的32-bit浮点数乘法，在实现快速运算的同时可以降低运行环境的硬件开销，从而使得训练好的心电异常检测网络可嵌入存储容量和运算能力有限的移动设备中，另外，心电异常患者可以包括各种心电异常，可以获得各种心电异常的心电图信号来训练心电异常检测网络，该心电异常检测网络可以直接有效地预测各种心电异常的概率。
实施例三
图3为本发明实施例三提供的一种心电异常预警方法的步骤流程图，本发明实施例可适用于对心电异常进行预警的情况，该方法可以由本发明实施例的心电异常预警装置来执行，该心电异常预警装置可以由硬件或软件来实现，并集成在本发明实施例所提供的电子设备中，如集成在移动设备上，具体地，如图3所示，本发明实施例的心电异常预警方法可以包括如下步骤：
S301、获取被监测人员的心电图信号。
在本发明实施例中，被监测人员可以是心电异常高危人员，可以通过心电图信号采集装置采集被监测人员的心电图信号，在一个示例中，心电图信号采集装置可以是简易型体积较小的心电图信号采集装置，该心电图信号采集装置与移动设备有线或者无线连接，心电图信号采集装置实时采集被监测人员的心电图信号并发送到移动设备上，移动设备可以实时获得被监测人员的、动态的实时心电图信号。
S302、从所述心电图信号中提取心拍信号。
在一个示例中，可以将心电图信号去噪处理后输入预先训练好的心拍分割模型中提取出多个心拍信号，详情可参考实施例二的S203。
S303、对所述心拍信号采样获得采样数据。
在实际应用中，可以按照预设采样率对心拍信号进行采样获得采样数据，具体详情可参考实施例二的S204。
S304、将所述采样数据输入预先训练好的心电异常检测网络中获得所述被监测人员心电异常的概率。
本发明实施例的心电异常检测网络通过实施例一或实施例二的心电异常检测网络训练方法所训练，在此对训练方法不再详述。
在获得采样数据后，可以将采样数据输入心电异常检测网络得到被监测人员心电异常的概率，该概率的值在0-1之间。
S305、根据所述心电异常的概率生成预警信息。
具体地，当心电异常检测网络输出的概率大于预设阈值，如0.6或0.8时，生成心电异常预警信息，该心电预警信息可以是文本信息、语音信息等，在一个示例中，可以在移动设备(如手机)的显示屏上显示心电异常预警信息，在另一个示例中，移动设备还可以是可移动式心电监测设备，当心电异常检测网络输出的概率大于预设阈值，可以在心电监测设备播放预警语音。
本发明实施例的心电异常检测网络为二值神经网络，每一个网络层的节点的值和权值为二值数据，通过网络层的节点的值和权值进行二值运算来得到下一网络层的节点值，二值数据占1bit数据，相比32-bit的实数型数据，二值神经网络所需要的内存小，权值文件可以从1GB降低到32M，大幅度降低了内存的占用，再者，二值数据可以做与门、异或门等运算来代替乘法，用1-bit的异或门代替了原本的32-bit浮点数乘法，在实现快速运算的同时可以降低运行环境的硬件开销，从而使得训练好的心电异常检测网络可嵌入存储容量和运算能力有限的移动设备中，从而可以通过移动设备实现心电异常预警，另外，心电异常患者可以包括各种心电异常，可以获得各种心电异常的心电图信号来训练心电异常检测网络，从而可以采用移植了该心电异常检测网络的移动设备直接有效地对各种心电异常进行预警。
进一步度，可以动态获取被监测人员的心电图信号，并自动提取心拍信号和采样数据输入心电异常检测网络中，避免了短时心电图容易漏掉阵发性心率失常的缺陷，以及医务人员在分析心电图时受主观影响而导致的错检或漏检，识别过程简便、快速、成本较低、准确率较高，可以采用移动设备对心电异常及时、有效预警。
实施例四
图4是本发明实施例四提供的一种心电异常检测网络训练装置的结构框图，如图4所示，本发明实施例的心电异常检测网络训练装置具体可以包括如下模块：
心电图信号获取模块401，用于获取心电异常患者的心电图信号和正常人的心电图信号；
训练数据提取模块402，用于从获取到的所述心电图信号中提取训练数据；
训练模块403，用于采用所述训练数据训练二值神经网络，将训练好的二值神经网络作为心电异常检测网络，其中，对于所述心电异常检测网络中的每一个网络层，所述网络层的节点的值和权值为二值数据，通过所述网络层的节点的值和权值进行二值运算来得到下一网络层的节点。
可选地，训练数据提取模块402包括：
去噪处理子模块，用于对获取到的所述心电图信号进行去噪处理，得到去噪后的心电图信号；
心拍信号提取子模块，用于从所述去噪处理后的心电图信号中提取心拍信号；
训练样本采样子模块，用于对所述心拍信号采样获得训练样本；
标注子模块，用于对所述心拍信号标注得到样本标签，所述样本标签表示所述心拍信号为异常心电信号或者正常心电信号；
训练数据确定子模块，用于将所述训练样本和所述样本标签确定为训练数据。
可选地，所述去噪处理子模块包括：
去噪处理单元，用于对获取到的所述心电图信号进行消除肌电干扰噪声、消除基线漂移噪声、消除工频干扰噪声处理得到去噪后的心电图信号。
可选地，所述心拍信号提取子模块包括：
心拍信号提取子单元，用于将所述去噪处理后的心电图信号输入预先训练好的心拍分割模型中提取出多个心拍信号。
可选地，所述训练样本采样子模块包括：
采样单元，用于按照预设采样频率对所述心拍信号采样获得多个采样数据；
数量判断单元，用于判断所述采样数据的数量是否小于预设数量；
扩充单元，用于对所述采样数据进行扩充，使得所述采样数据的数量等于所述预设数量；
训练数据确定单元，用于将所述采样数据确定为训练数据。
可选地，所述训练数据包括一个心拍信号的采样数据和所述心拍信号的样本标签，所述训练模块403包括：
初始化子模块，用于初始化二值神经网络；
前向传播子模块，用于随机提取一个心拍信号的采样数据输入所述二值神经网络中进行前向传播得到各个网络层的二值化激活值和实数型激活值；
损失率计算子模块，用于根据所述实数型激活值和所述样本标签代入预设损失函数中计算损失率；
损失率判断子模块，用于判断所述损失率是否小于预设阈值；
停止训练子模块，用于停止对所述二值神经网络进行训练，将训练好的二值神经网络作为心电异常检测网络；
梯度计算子模块，用于采用所述损失率计算各个网络层的二值化权值的梯度；
反向传播子模块，用于根据所述二值化权值的梯度和预设学习率调整所述二值神经网络的各个网络层的权值，返回前向传播子模块。
可选地，所述初始化子模块包括：
输入层初始单元，用于初始化所述二值神经网络的输入层，所述输入层的宽度等于所述心电图信号的导联数。
可选地，所述前向传播子模块包括：
权值二值化单元，用于针对所述二值神经网络的每层网络层，将当前网络层的实数型权值二值化得到二值化权值；
二值计算单元，用于将所述当前网络层的二值化权值和上一层网络层的二值化激活值作乘法得到所述当前网络层的实数型中间向量；
标准化处理单元，用于根据所述当前网络层的标准化处理参数对所述实数型中间向量做标准化处理得到实数型激活值；
判断单元，用于判断所述当前网络层是否为输出层；
预测值确定单元，用于将所述实数型激活值作为预测值；
激活值二值化单元，用于对所述实数型中间向量做二值化处理得到所述当前网络层的二值化激活值；
前向传播单元，用于将下一网络层作为当前网络层，返回将当前网络层的实数型权值二值化得到二值化权值的步骤。
可选地，所述梯度计算子模块包括：
二值化激活值梯度计算单元，用于针对每个网络层，计算所述网络层的损失率对所述网络层的二值化激活值的梯度；
实数型激活值梯度计算单元，用于根据以下公式计算所述网络层的损失率对所述网络层的实数型激活值的梯度：
Figure BDA0002674048070000211
其中，
Figure BDA0002674048070000212
为损失率对二值化激活值的梯度，
Figure BDA0002674048070000213
表示实数型激活值ak的绝对值小于或等于1时，损失率对实数型激活值的梯度
Figure BDA0002674048070000214
否则
Figure BDA0002674048070000215
中间向量和标准处理参数梯度计算单元，用于根据链式法则和所述实数型激活值的梯度计算所述实数型中间向量的梯度和所述标准处理参数的梯度；
二值化权值梯度计算单元，用于计算所述实数型中间向量的置换矩阵与上一网络层的二值化权值的乘积作为所述网络层的二值化权值的梯度。
可选地，所述反向传播子模块包括：
乘积计算单元，用于计算所述预设学习率与所述二值化权值的梯度的乘积；
新权值计算单元，用于计算所述二值化权值与所述乘积的差值作为新的权值，所述新的权值大于等于-1，小于等于1。
本发明实施例所提供的心电异常检测网络训练装置可执行本发明实施例一、实施例二所提供的心电异常检测网络训练方法，具备执行方法相应的功能和有益效果。
实施例五
图5是本发明实施例五提供的一种心电异常预警装置的结构框图，如图5所示，本发明实施例的心电异常预警装置具体可以包括如下模块：
心电图信号获取模块501，用于获取被监测人员的心电图信号；
心拍信号提取模块502，用于从所述心电图信号中提取心拍信号；
采样模块503，用于对所述心拍信号采样获得采样数据；
网络预测模块504，用于将所述采样数据输入预先训练好的心电异常检测网络中获得所述被监测人员心电异常的概率；
预警模块505，用于根据所述心电异常的概率生成预警信息；
其中，心电异常检测网络通过实施例一或实施例二所述的心电异常检测网络训练方法所训练。
本发明实施例所提供的心电异常预警装置可执行本发明实施例三所提供的心电异常预警方法，具备执行方法相应的功能和有益效果。
实施例六
参照图6，示出了本发明一个示例中的一种电子设备的结构示意图。如图6所示，该电子设备具体可以包括：处理器601、存储器602、具有触摸功能的显示屏603、输入装置604、输出装置605以及通信装置606。该电子设备中处理器601的数量可以是一个或者多个，图6中以一个处理器601为例。该电子设备中存储器602的数量可以是一个或者多个，图6中以一个存储器602为例。该设备的处理器601、存储器602、显示屏603、输入装置604、输出装置605以及通信装置606可以通过总线或者其他方式连接，图6中以通过总线连接为例。
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，如本发明任意实施例所述的心电异常检测网络训练方法对应的程序指令/模块(例如，上述心电异常检测网络训练装置中的心电图信号获取模块401、训练数据提取模块402和训练模块403)，或如本发明任意实施例所述的心电异常预警方法对应的程序指令/模块(例如，上述心电异常检测装置中的心电图信号获取模块501、心拍信号提取模块502、采样模块503、网络预测模块504和预警模块505)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装置、至少一个功能所需的应用程序；存储数据区可存储根据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。
显示屏603为具有触摸功能的显示屏603，其可以是电容屏、电磁屏或者红外屏。一般而言，显示屏603用于根据处理器601的指示显示数据，还用于接收作用于显示屏603的触摸操作，并将相应的信号发送至处理器601或其他装置。可选的，当显示屏603为红外屏时，其还包括红外触摸框，该红外触摸框设置在显示屏603的四周，其还可以用于接收红外信号，并将该红外信号发送至处理器601或者其他设备。
通信装置606，用于与其他设备建立通信连接，其可以是有线通信装置和/或无线通信装置。
输入装置604可用于接收输入的数字或者字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置605可以包括扬声器等音频设备。需要说明的是，输入装置604和输出装置605的具体组成可以根据实际情况设定。
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，从而执行设备的各种功能应用以及数据处理，即实现上述心电异常检测网络训练方法，和/或，心电异常预警方法。
具体地，实施例中，处理器601执行存储器602中存储的一个或多个程序时，具体实现本发明实施例提供的心电异常检测网络训练方法，和/或，心电异常预警方法。
实施例七
本发明实施例七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可实现本发明任意实施例中的心电异常检测网络训练方法，和/或，心电异常预警方法。
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，还可以执行本发明应用于设备上任意实施例所提供的心电异常检测网络训练方法，和/或，心电异常预警方法中的相关操作。
需要说明的是，对于装置、电子设备、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(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述心电异常检测网络训练方法，和/或，心电异常预警方法。
值得注意的是，上述心电异常检测网络训练装置和心电异常预警装置的实施例中，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。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域技术人员而言，本发明可以有各种改动和变化。凡在本发明的精神和原理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 (15)

1.一种心电异常检测网络训练方法，其特征在于，包括：
获取心电异常患者的心电图信号和正常人的心电图信号；
从获取到的所述心电图信号中提取训练数据；
采用所述训练数据训练二值神经网络，将训练好的二值神经网络作为心电异常检测网络，其中，对于所述心电异常检测网络中的每一个网络层，所述网络层的节点的值和权值为二值数据，通过所述网络层的节点的值和权值进行二值运算来得到下一网络层的节点值。
2.根据权利要求1所述的心电异常检测网络训练方法，其特征在于，所述从获取到的所述心电图数据中提取训练数据，包括：
对获取到的所述心电图信号进行去噪处理，得到去噪后的心电图信号；
从所述去噪处理后的心电图信号中提取心拍信号；
对所述心拍信号采样获得训练样本；
对所述心拍信号标注得到样本标签，所述样本标签表示所述心拍信号为异常心电信号或者正常心电信号；
将所述训练样本和所述样本标签确定为训练数据。
3.根据权利要求2所述的心电异常检测网络训练方法，其特征在于，所述对获取到的心电图信号进行去噪处理，得到去噪后的心电图信号，包括：
对获取到的所述心电图信号进行消除肌电干扰噪声、消除基线漂移噪声、消除工频干扰噪声处理得到去噪后的心电图信号。
4.根据权利要求2所述的心电异常检测网络训练方法，其特征在于，所述从所述去噪处理后的心电图信号中提取心拍信号，包括：
将所述去噪处理后的心电图信号输入预先训练好的心拍分割模型中提取出多个心拍信号。
5.根据权利要求2所述的心电异常检测网络训练方法，其特征在于，所述对所述心拍信号采样获得训练样本，包括：
按照预设采样频率对所述心拍信号采样获得多个采样数据；
判断所述采样数据的数量是否小于预设数量；
若是，对所述采样数据进行扩充，使得所述采样数据的数量等于所述预设数量；
将所述采样数据确定为训练数据。
6.根据权利要求1-5任一项所述的心电异常检测网络训练方法，其特征在于，所述训练数据包括一个心拍信号的采样数据和所述心拍信号的样本标签，所述采用所述训练数据训练二值神经网络，将训练好的二值神经网络作为心电异常检测网络，包括：
初始化二值神经网络；
随机提取一个心拍信号的采样数据输入所述二值神经网络中进行前向传播得到各个网络层的二值化激活值和实数型激活值；
根据所述实数型激活值和所述样本标签代入预设损失函数中计算损失率；
判断所述损失率是否小于预设阈值；
若是，停止对所述二值神经网络进行训练，将训练好的二值神经网络作为心电异常检测网络；
若否，采用所述损失率计算各个网络层的二值化权值的梯度；
根据所述二值化权值的梯度和预设学习率调整所述二值神经网络的各个网络层的权值，返回随机提取一个心拍信号的采样数据输入所述二值神经网络中进行前向传播得到所述心拍信号的预测值的步骤。
7.根据权利要求6所述的心电异常检测网络训练方法，其特征在于，所述初始化二值神经网络，包括：
初始化所述二值神经网络的输入层，所述输入层的宽度等于所述心电图信号的导联数。
8.根据权利要求6所述的心电异常检测网络训练方法，其特征在于，所述随机提取一个心拍信号的采样数据输入所述二值神经网络中进行前向传播得到所述心拍信号的预测值，包括：
针对所述二值神经网络的每层网络层，将当前网络层的实数型权值二值化得到二值化权值；
将所述当前网络层的二值化权值和上一层网络层的二值化激活值作乘法得到所述当前网络层的实数型中间向量；
根据所述当前网络层的标准化处理参数对所述实数型中间向量做标准化处理得到实数型激活值；
判断所述当前网络层是否为输出层；
若是，将所述实数型激活值作为预测值；
若否，对所述实数型中间向量做二值化处理得到所述当前网络层的二值化激活值；
将下一网络层作为当前网络层，返回将当前网络层的实数型权值二值化得到二值化权值的步骤。
9.根据权利要求8所述的心电异常检测网络训练方法，其特征在于，所述采用各个网络层的损失率计算各个网络层的梯度，包括：
针对每个网络层，计算所述网络层的损失率对所述网络层的二值化激活值的梯度；
根据以下公式计算所述网络层的损失率对所述网络层的实数型激活值的梯度：
Figure FDA0002674048060000041
其中，
Figure FDA0002674048060000042
为损失率对二值化激活值的梯度，
Figure FDA0002674048060000043
表示实数型激活值ak的绝对值小于或等于1时，损失率对实数型激活值的梯度
Figure FDA0002674048060000044
否则
Figure FDA0002674048060000045
根据链式法则和所述实数型激活值的梯度计算所述实数型中间向量的梯度和所述标准处理参数的梯度；
计算所述实数型中间向量的置换矩阵与上一网络层的二值化权值的乘积作为所述网络层的二值化权值的梯度。
10.根据权利要求9所述的心电异常检测网络训练方法，其特征在于，所述根据所述二值化权值的梯度和预设学习率调整所述二值神经网络的各个网络层的权值，包括：
计算所述预设学习率与所述二值化权值的梯度的乘积；
计算所述二值化权值与所述乘积的差值作为新的权值，所述新的权值大于或等于-1，且小于或等于1。
11.一种心电异常预警方法，其特征在于，包括：
获取被监测人员的心电图信号；
从所述心电图信号中提取心拍信号；
对所述心拍信号采样获得采样数据；
将所述采样数据输入预先训练好的心电异常检测网络中获得所述被监测人员心电异常的概率；
根据所述心电异常的概率生成预警信息；
其中，心电异常检测网络通过权利要求1-10任一项所述的心电异常检测网络训练方法所训练。
12.一种心电异常检测网络训练装置，其特征在于，包括：
心电图信号获取模块，用于获取心电异常患者的心电图信号和正常人的心电图信号；
训练数据提取模块，用于从获取到的所述心电图信号中提取训练数据；
训练模块，用于采用所述训练数据训练二值神经网络，将训练好的二值神经网络作为心电异常检测网络，其中，对于所述心电异常检测网络中的每一个网络层，所述网络层的节点的值和权值为二值数据，通过所述网络层的节点的值和权值进行二值运算来得到下一网络层的节点。
13.一种心电异常预警装置，其特征在于，包括：
心电图信号获取模块，用于获取被监测人员的心电图信号；
心拍信号提取模块，用于从所述心电图信号中提取心拍信号；
采样模块，用于对所述心拍信号采样获得采样数据；
网络预测模块，用于将所述采样数据输入预先训练好的心电异常检测网络中获得所述被监测人员心电异常的概率；
预警模块，用于根据所述心电异常的概率生成预警信息。
14.一种电子设备，其特征在于，所述电子设备包括：
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权利要求1-10中任一项所述的心电异常检测网络训练方法，和/或，权利要求11所述的心电异常预警方法。
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1-10中任一项所述的心电异常检测网络训练方法，和/或，权利要求11所述的心电异常预警方法。
CN202010942309.8A 2020-09-09 2020-09-09 心电异常检测网络训练方法、心电异常预警方法及装置 Active CN112022144B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010942309.8A CN112022144B (zh) 2020-09-09 2020-09-09 心电异常检测网络训练方法、心电异常预警方法及装置
JP2020206216A JP2022045870A (ja) 2020-09-09 2020-12-11 心電異常検出ネットワーク訓練方法、心電異常早期警報方法及び装置
PCT/CN2020/137332 WO2022052358A1 (zh) 2020-09-09 2020-12-17 心电异常检测网络训练方法、心电异常预警方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010942309.8A CN112022144B (zh) 2020-09-09 2020-09-09 心电异常检测网络训练方法、心电异常预警方法及装置

Publications (2)

Publication Number Publication Date
CN112022144A true CN112022144A (zh) 2020-12-04
CN112022144B CN112022144B (zh) 2022-05-24

Family

ID=73583933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010942309.8A Active CN112022144B (zh) 2020-09-09 2020-09-09 心电异常检测网络训练方法、心电异常预警方法及装置

Country Status (3)

Country Link
JP (1) JP2022045870A (zh)
CN (1) CN112022144B (zh)
WO (1) WO2022052358A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113768516A (zh) * 2021-09-27 2021-12-10 牛海成 一种基于人工智能的心电图异常程度检测方法及系统
WO2022052358A1 (zh) * 2020-09-09 2022-03-17 生物岛实验室 心电异常检测网络训练方法、心电异常预警方法及装置
CN114219028A (zh) * 2021-12-15 2022-03-22 东软集团股份有限公司 心电st段抬高识别模型的训练、st段抬高识别方法及装置
CN114881929A (zh) * 2022-04-07 2022-08-09 北京医准智能科技有限公司 一种针对乳腺x线图像整体性质量异常的检测方法及装置

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764572A (zh) * 2022-04-01 2022-07-19 江苏航运职业技术学院 设备运行工况变化具有强鲁棒性的稳定智能故障诊断方法
WO2024019575A1 (ko) * 2022-07-22 2024-01-25 주식회사 메디컬에이아이 심전도를 이용한 건강 상태의 예측 방법, 프로그램 및 장치
CN115607166B (zh) * 2022-10-08 2023-08-22 中国医学科学院阜外医院 一种心电信号智能分析方法及系统、智能心电辅助系统
CN115316985B (zh) * 2022-10-13 2023-04-18 华南师范大学 基于生理信号的心脏信息检测方法、装置以及设备
CN115935249A (zh) * 2022-10-28 2023-04-07 华北理工大学 一种心跳异常监测方法、电子设备及存储介质
CN116211316B (zh) * 2023-04-14 2023-07-28 中国医学科学院阜外医院 多导联心电信号的类型识别方法、系统及辅助系统
CN116302897B (zh) * 2023-05-15 2023-10-17 合肥联宝信息技术有限公司 一种数据集的建立方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110224565A1 (en) * 2010-03-15 2011-09-15 Singapore Health Services Pte Ltd. Method of predicting acute cardiopulmonary events and survivability of a patient
CN108030494A (zh) * 2017-11-08 2018-05-15 华南理工大学 基于交叉验证的心电信号错误标记训练样本识别方法
WO2018106146A2 (ru) * 2016-11-24 2018-06-14 Александр Викторович Ежков Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий
CN110379506A (zh) * 2019-06-14 2019-10-25 杭州电子科技大学 针对心电图数据使用二值化神经网络的心律不齐检测方法
CN110393519A (zh) * 2019-08-19 2019-11-01 广州视源电子科技股份有限公司 心电信号的分析方法、装置、存储介质和处理器

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654176B (zh) * 2014-11-14 2018-03-27 富士通株式会社 神经网络系统及神经网络系统的训练装置和方法
US10831444B2 (en) * 2016-04-04 2020-11-10 Technion Research & Development Foundation Limited Quantized neural network training and inference
US10307072B1 (en) * 2017-11-15 2019-06-04 Biosense Webster (Israel) Ltd. Reducing noise levels associated with sensed ECG signals
CN107837082B (zh) * 2017-11-27 2020-04-24 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的心电图自动分析方法和装置
CN108403111A (zh) * 2018-02-01 2018-08-17 华中科技大学 一种基于卷积神经网络的癫痫脑电识别方法和系统
WO2020004369A1 (ja) * 2018-06-29 2020-01-02 学校法人東京女子医科大学 心電図画像を用いた機械学習による心電図診断装置
CN109036573A (zh) * 2018-07-06 2018-12-18 苏州大学 基于生成式对抗网络技术的心电图生成及分类方法
US20200167655A1 (en) * 2018-11-28 2020-05-28 Electronics And Telecommunications Research Institute Method and apparatus for re-configuring neural network
KR102226875B1 (ko) * 2018-12-04 2021-03-11 건양대학교산학협력단 기계학습 모델을 이용한 심장질환예측 시스템, 및 방법
JP7297464B2 (ja) * 2019-02-22 2023-06-26 フクダ電子株式会社 生体信号処理装置および自動解析用データ生成方法
CN110956263A (zh) * 2019-11-14 2020-04-03 深圳华侨城文化旅游科技集团有限公司 一种二值化神经网络的构建方法、存储介质及终端设备
CN112022144B (zh) * 2020-09-09 2022-05-24 生物岛实验室 心电异常检测网络训练方法、心电异常预警方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110224565A1 (en) * 2010-03-15 2011-09-15 Singapore Health Services Pte Ltd. Method of predicting acute cardiopulmonary events and survivability of a patient
WO2018106146A2 (ru) * 2016-11-24 2018-06-14 Александр Викторович Ежков Способ и система неинвазивной скрининговой оценки физиологических параметров и патологий
CN108030494A (zh) * 2017-11-08 2018-05-15 华南理工大学 基于交叉验证的心电信号错误标记训练样本识别方法
CN110379506A (zh) * 2019-06-14 2019-10-25 杭州电子科技大学 针对心电图数据使用二值化神经网络的心律不齐检测方法
CN110393519A (zh) * 2019-08-19 2019-11-01 广州视源电子科技股份有限公司 心电信号的分析方法、装置、存储介质和处理器

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MATTHIEU COURBARIAUX等: "Binarized Neural Networks: Training Deep Neural Networks with Weights and Activations Constrained to +1 or -1", 《HTTPS://WWW.RESEARCHGATE.NET/PUBLICATION/301848151》 *
RODRIGO等: "ECG Signal Analysis Through Hidden Markov Models", 《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》 *
张家佳: "基于稀疏编码的心电信号分类研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022052358A1 (zh) * 2020-09-09 2022-03-17 生物岛实验室 心电异常检测网络训练方法、心电异常预警方法及装置
CN113768516A (zh) * 2021-09-27 2021-12-10 牛海成 一种基于人工智能的心电图异常程度检测方法及系统
CN113768516B (zh) * 2021-09-27 2024-05-14 吉林省辰一科技有限公司 一种基于人工智能的心电图异常程度检测方法及系统
CN114219028A (zh) * 2021-12-15 2022-03-22 东软集团股份有限公司 心电st段抬高识别模型的训练、st段抬高识别方法及装置
CN114219028B (zh) * 2021-12-15 2024-04-12 东软集团股份有限公司 心电st段抬高识别模型的训练、st段抬高识别方法及装置
CN114881929A (zh) * 2022-04-07 2022-08-09 北京医准智能科技有限公司 一种针对乳腺x线图像整体性质量异常的检测方法及装置

Also Published As

Publication number Publication date
WO2022052358A1 (zh) 2022-03-17
JP2022045870A (ja) 2022-03-22
CN112022144B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN112022144B (zh) 心电异常检测网络训练方法、心电异常预警方法及装置
KR102451795B1 (ko) 심전도 신호의 검출 방법
Kumari et al. An automated detection of heart arrhythmias using machine learning technique: SVM
Çınar et al. Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks
Zhang et al. Heart sound classification based on scaled spectrogram and partial least squares regression
Yang et al. Using PPG signals and wearable devices for atrial fibrillation screening
Raeiatibanadkooki et al. Compression and encryption of ECG signal using wavelet and chaotically Huffman code in telemedicine application
CN111772619B (zh) 一种基于深度学习的心搏识别方法、终端设备及存储介质
US20210106240A1 (en) Fetal Heart Rate Prediction from Electrocardiogram
Panigrahy et al. Detection of ventricular fibrillation rhythm by using boosted support vector machine with an optimal variable combination
US20070179393A1 (en) Method and apparatus for synthetically detecting ventricular fibrillation
CN111358459A (zh) 一种心律失常识别方法、装置、设备和存储介质
CN115337018B (zh) 基于整体动态特征的心电信号分类方法及系统
CN111832537B (zh) 异常心电信号识别方法及异常心电信号识别装置
Shukla et al. An efficient heart sound segmentation approach using kurtosis and zero frequency filter features
CN111839494A (zh) 一种心率监测方法及系统
CN109077721A (zh) 房颤检测装置及存储介质
CN109674474B (zh) 睡眠呼吸暂停识别方法、设备及计算机可读介质
Raeiatibanadkooki et al. Real time processing and transferring ECG signal by a mobile phone
Thomas et al. Heart sound segmentation using fractal decomposition
Zairi et al. Intelligent system for detecting cardiac arrhythmia on FPGA
Manikandan et al. Automatic SWT based QRS detection using weighted subbands and Shannon energy peak amplification for ECG signal analysis devices
Liu et al. Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks
CN109199361B (zh) 心电信号数据中r峰时刻的提取方法、存储介质和装置
Jusak et al. A semi-automatic heart sounds identification model and its implementation in internet of things devices

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