CN112137613B - 异常位置的确定方法、装置、存储介质及电子设备 - Google Patents
异常位置的确定方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112137613B CN112137613B CN202010906502.6A CN202010906502A CN112137613B CN 112137613 B CN112137613 B CN 112137613B CN 202010906502 A CN202010906502 A CN 202010906502A CN 112137613 B CN112137613 B CN 112137613B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- lead
- detection position
- sub
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 142
- 230000005856 abnormality Effects 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002708 enhancing effect Effects 0.000 claims description 12
- 230000000747 cardiac effect Effects 0.000 claims description 11
- 230000009977 dual effect Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 238000005192 partition Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本公开涉及一种异常位置的确定方法、装置、存储介质及电子设备，所述方法包括：基于心电数据，提取预设的检测位置对应的检测点的导联数据；将所述导联数据进行拼接，获得与所述检测位置对应的心电导联特征数据；根据所述心电导联特征数据和定位模型，确定所述心电数据对应的异常位置，其中，所述定位模型中包括与每一所述检测位置一一对应的定位子模型，每一所述定位子模型用于根据与所述检测位置对应的心电导联特征数据确定所述检测位置是否异常。由此，可以根据不同的检测位置从心电数据中确定出不同的心电导联特征数据，从而可以针对每一检测位置采用与该检测位置对应的数据进行异常判断，从而可以有效保证确定出的异常检测结果的准确性。
Description
技术领域
本公开涉及计算机技术领域，具体地，涉及一种异常位置的确定方法、装置、存储介质及电子设备。
背景技术
心电数据是指对心脏进行监测后得到的心电信号，通过对心电数据的分析，能够获知对应的心脏跳动规律，能够作为诊断各种心脑血管疾病的辅助信息。
目前，在心电数据的处理方法中，通常需要专业人员对该心电数据进行查看，从而确定该心电数据中的异常位置，对使用人员的专业要求较高，且所需时间长，需要的工作量较大，并且普通用户难以使用。
发明内容
本公开的目的是提供一种可以自动且准确的用于心电数据的异常位置的确定方法、装置、存储介质及电子设备。
为了实现上述目的，根据本公开的第一方面，提供一种异常位置的确定方法，所述方法包括：
基于心电数据，提取预设的检测位置对应的检测点的导联数据；
将所述导联数据进行拼接，获得与所述检测位置对应的心电导联特征数据；
根据所述心电导联特征数据和定位模型，确定所述心电数据对应的异常位置，其中，所述定位模型中包括与每一所述检测位置一一对应的定位子模型，每一所述定位子模型用于根据与所述检测位置对应的心电导联特征数据确定所述检测位置是否异常。
可选地，所述定位子模型包括双重注意力网络模块；
其中，所述双重注意力网络模块包括位置注意力部分和通道注意力部分，所述位置注意力部分用于对所述心电导联特征数据的位置特征进行增强，以获得第一目标特征数据，所述通道注意力部分用于对所述心电导联特征数据的通道特征进行增强，以获得第二目标特征数据；所述定位子模型用于根据所述第一目标特征数据和所述第二目标特征数据进行特征融合后所得的融合特征数据确定所述检测位置是否异常。
可选地，所述通道注意力部分对应的通道特征的维度与所述心电导联特征数据的通道的数量相同。
可选地，所述定位子模型还包括残差网络子模型，其中，所述残差网络子模型的输出与所述双重注意力网络模块的输入耦合；
所述根据所述心电导联特征数据和定位模型，确定所述心电数据对应的异常位置，包括：
将所述心电导联特征数据输入与所述检测位置对应的残差网络子模型，获得目标特征数据；
将所述目标特征数据输入与所述检测位置对应的双重注意力网络模块，获得所述定位子模型输出的分类结果，其中所述分类结果用于指示所述检测位置是否异常；
根据每一所述定位子模型输出的分类结果，将分类结果指示异常的检测位置确定为所述心电数据对应的异常位置。
可选地，所述基于心电数据，提取预设的检测位置对应的检测点的导联数据，包括：
对接收到的心电数据进行高斯滤波，获得去噪心电数据；
根据所述去噪心电数据，提取预设的检测位置对应的检测点的导联数据。
根据本公开的第二方面，本公开提供一种异常位置的确定装置，所述装置包括：
提取模块，用于基于心电数据，提取预设的检测位置对应的检测点的导联数据；
拼接模块，用于将所述导联数据进行拼接，获得与所述检测位置对应的心电导联特征数据；
确定模块，用于根据所述心电导联特征数据和定位模型，确定所述心电数据对应的异常位置，其中，所述定位模型中包括与每一所述检测位置一一对应的定位子模型，每一所述定位子模型用于根据与所述检测位置对应的心电导联特征数据确定所述检测位置是否异常。
可选地，所述定位子模型包括双重注意力网络模块；
其中，所述双重注意力网络模块包括位置注意力部分和通道注意力部分，所述位置注意力部分用于对所述心电导联特征数据的位置特征进行增强，以获得第一目标特征数据，所述通道注意力部分用于对所述心电导联特征数据的通道特征进行增强，以获得第二目标特征数据；所述定位子模型用于根据所述第一目标特征数据和所述第二目标特征数据进行特征融合后所得的融合特征数据确定所述检测位置是否异常。
可选地，所述通道注意力部分对应的通道特征的维度与所述心电导联特征数据的通道的数量相同。
可选地，所述定位子模型还包括残差网络子模型，其中，所述残差网络子模型的输出与所述双重注意力网络模块的输入耦合；
所述确定模块包括：
第一输入子模块，用于将所述心电导联特征数据输入与所述检测位置对应的残差网络子模型，获得目标特征数据；
第二输入子模块，用于将所述目标特征数据输入与所述检测位置对应的双重注意力网络模块，获得所述定位子模型输出的分类结果，其中所述分类结果用于指示所述检测位置是否异常；
确定子模块，用于根据每一所述定位子模型输出的分类结果，将分类结果指示异常的检测位置确定为所述心电数据对应的异常位置。
可选地，所述提取模块包括：
滤波子模块，用于对接收到的心电数据进行高斯滤波，获得去噪心电数据；
提取子模块，用于根据所述去噪心电数据，提取预设的检测位置对应的检测点的导联数据。
根据本公开的第三方面，提供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上述第一方面任一所述方法的步骤。
根据本公开的第四方面，提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现上述第一方面任一所述方法的步骤。
在上述技术方案中，基于心电数据，提取预设的检测位置对应的检测点的导联数据，从而可以将所述导联数据进行拼接，获得与所述检测位置对应的心电导联特征数据，之后则可以根据所述心电导联特征数据和定位模型，确定所述心电数据对应的异常位置。由此，通过上述技术方案，可以根据不同的检测位置从心电数据中确定出不同的心电导联特征数据，从而可以针对每一检测位置采用与该检测位置对应的数据进行异常判断，从而可以有效保证确定出的异常检测结果的准确性。并且，定位模型中包括与每一所述检测位置一一对应的定位子模型，每一所述定位子模型用于根据与所述检测位置对应的心电导联特征数据确定所述检测位置是否异常，由此，也可以快速且准确地的确定出异常位置，提高异常位置确定的准确性和效率。同时，可以基于心电数据自动化确定其对应的异常位置，可以有效降低人工工作量以及心电监测对用户的高要求，从而可以有效拓宽该方法的适用范围，提升用户使用体验。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开的一种实施方式提供的异常位置的确定方法的流程图；
图2是根据本公开的一种实施方式提供的双重注意力网络模块的结构示意图；
图3是根据心电导联特征数据和定位模型，确定心电数据对应的异常位置的示例性实现方式的流程图；
图4是根据本公开的一种实施方式提供的异常位置的确定装置的框图；
图5是根据一示例性实施例示出的一种电子设备的框图；
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1所示，为根据本公开的一种实施方式提供的异常位置的确定方法的流程图，如图1所示，所述方法可以包括：
在步骤11中，基于心电数据，提取预设的检测位置对应的检测点的导联数据。
其中，作为示例，该心电数据可以是常规的十二导联心电数据，即国际通用导联体系中十二导联，即I、II、III、avL、avF、avR、v1、v2、v3、v4、v5、v6，该十二导联对应的具体设置位置为通用标准，在此不再赘述。作为另一示例，该心电数据也可以是十八导联心电数据，即在上述常规的十二导联的基础上，以心脏横面胸导联的延伸作为理论根据，扩展出向左、向右各三个导联，从而形成有六个肢体导联、十二个胸前导联共同组成的同步十八导联心电数据。其中，心电数据可以通过心电仪等设备进行获取，本公开对此不进行限定。
示例地，该检测位置可以根据实际使用场景进行设置，例如该检测位置是心脏中的位置，如前间壁、前壁、前侧壁、下壁、高侧壁等位置，本公开对此不进行限定，用户可以根据其使用场景中需要检测的位置进行预先设置。其中，每一检测位置对应的检测点可以有部分重合，如检测位置为前间壁时，其对应于V1-V3导联；检测位置为前壁时，其对应于V2-V4导联；检测位置为下壁时，其对应于II、III、aVF导联。其中，每一检测位置与检测点的对应关系可以预先进行设置，从而可以基于该对应关系直接确定与该检测位置对应的检测点，从而可以从获得的心电数据中直接获取与该检测位置对应的导联数据。
在步骤12中，将导联数据进行拼接，获得与检测位置对应的心电导联特征数据。
示例地，在提取出检测位置前间壁对应的V1-V3的导联数据后，可以通过多通道数据拼接的方式对导联数据进行拼接，示例地，可以将V1、V2和V3的导联数据分别作为一通道数据，则确定出的心电导联特征数据则为三通道数据，其中每一通道分别对应于一个导联数据。其他检测位置对应的心电导联特征数据也可以通过如上方式进行获得，在此不再赘述。
在步骤13中，根据心电导联特征数据和定位模型，确定心电数据对应的异常位置，其中，所述定位模型中包括与每一所述检测位置一一对应的定位子模型，每一所述定位子模型用于根据与所述检测位置对应的心电导联特征数据确定所述检测位置是否异常。
在上述技术方案中，基于心电数据，提取预设的检测位置对应的检测点的导联数据，从而可以将所述导联数据进行拼接，获得与所述检测位置对应的心电导联特征数据，之后则可以根据所述心电导联特征数据和定位模型，确定所述心电数据对应的异常位置。由此，通过上述技术方案，可以根据不同的检测位置从心电数据中确定出不同的心电导联特征数据，从而可以针对每一检测位置采用与该检测位置对应的数据进行异常判断，从而可以有效保证确定出的异常检测结果的准确性。并且，定位模型中包括与每一所述检测位置一一对应的定位子模型，每一所述定位子模型用于根据与所述检测位置对应的心电导联特征数据确定所述检测位置是否异常，由此，也可以快速且准确地的确定出异常位置，提高异常位置确定的准确性和效率。同时，可以基于心电数据自动化确定其对应的异常位置，可以有效降低人工工作量以及心电监测对用户的高要求，从而可以有效拓宽该方法的适用范围，提升用户使用体验。
可选地，所述定位子模型包括双重注意力网络模块。其中，注意力机制是模仿了生物观察行为的内部过程，视觉注意力机制是人类视觉所特有的大脑信号处理机制。人类视觉通过快速扫描全局图像，获得需要重点关注的目标区域，也就是一般所说的注意力焦点，而后对这一区域投入更多注意力资源，以获取更多所需要关注目标的细节信息，而抑制其他无用信息。该实施例中，该双重注意力网络模块用于对心电导联特征数据进行特征注意力增强，从而可以确定出对当前异常判断更关键的特征信息，从而可以提高后续进行异常判断的结果的准确性。
其中，所述双重注意力网络模块包括位置注意力(position attention)部分和通道注意力(channel attention)部分，所述位置注意力部分用于对所述心电导联特征数据的位置特征进行增强，以获得第一目标特征数据，所述通道注意力部分用于对所述心电导联特征数据的通道特征进行增强，以获得第二目标特征数据；所述定位子模型用于根据所述第一目标特征数据和所述第二目标特征数据进行特征融合后所得的融合特征数据确定所述检测位置是否异常。
在该实施例中，如图2所示，为所述双重注意力网络模块的结构示意图，其中P部分为位置注意力部分，其中特征A为该双重注意力网络模块的输入特征，该特征A为C×H×W的特征图，其中，C是通道，表示特征的数量，H和W表示高度和宽度，之后可以通过对输入特征A进行卷积降维获得特征B和C。针对特征B进行矩阵变换reshape操作和转置transpose操作，获得特征B’。其中，reshape是MATLAB中将指定的矩阵变换成特定维数的矩阵一种函数，且矩阵中元素个数不变。
将特征B’的矩阵与特征C进行reshape操作后所得的矩阵进行矩阵乘法计算，从而消去通道特征。之后经过归一化运算获得每个位置对其他位置的位置attention注意力图S((H×W)×(H×W))。示例地，归一化运算可以是softmax运算。将位置attention注意力图S与特征D进行reshape操作后所得的矩阵进行矩阵乘法，并将所得结果与输入特征A进行元素相加，以获得第一目标特征数据E1。其中，在将所得结果与输入特征A进行元素相加时，可以将该所得结果按照预设权重进行处理，将处理之后的结果与输入特征A进行元素相加。
由此，通过上述过程可以对心电导联特征数据中的位置特征进行增强，以使得该第一目标特征数据E1中更加关注该心电导联特征数据中的位置特征。
如图2中所示，Q部分是通道注意力部分，将输入特征A中的一个通道进行reshape操作和transpose转置操作，再与另一通道进行reshape操作后所得的矩阵进行矩阵乘法计算。之后经过归一化运算获得通道特征C×C，即通道attention注意力图X，将该通道attention注意力图X与另一通道reshape操作后所得的矩阵进行矩阵乘法，并将所得结果与输入特征A进行元素相加，以获得第二目标特征数据E2。由此，通过该过程可以对心电导联特征数据中的通道特征进行增强，以使得该第二目标特征数据E2中更加关注该心电导联特征数据中的通道特征。
之后，则可以将该第一目标特征数据E1和第二目标特征数据E2进行特征融合，其中，第一目标特征数据和第二目标特征数据的维度相同，可以将该第一目标特征数据E1和第二目标特征数据E2进行sum fusion相加，即通过对第一目标特征数据和第二目标特征数据求和融合，从而获得融合特征数据E。
其中，通过上述方式可以获得该心电导联特征数据对应的融合特征数据，其中，在双重注意力网络模块中对特征数据的处理中可以更加关注位置特征和通道特征，从而可以为后续基于融合特征数据进行异常判定时，提高更加准确、全面的特征信息，为提高异常判定结果的准确性提供准确的数据支持，从而可以提高该异常位置的确定方法的准确性。
可选地，所述通道注意力部分对应的通道特征的维度与所述心电导联特征数据的通道的数量相同。示例地，如上文所述示例，针对于检测位置前间壁，可以将V1、V2和V3的导联数据分别作为一通道数据，则确定出的心电导联特征数据则为三通道数据，即该心电导联特征数据的通道的数量为3。由此，在该检测位置对应的定位子模型的双重注意力部分中该通道注意力部分对应的通道特征的维度为3。
又如，针对于检测位置高侧壁，可以将I和avL的导联数据分别作为一通道数据，则高侧壁对应的心电导联特征数据的通道的数据即为2，则在检测位置高侧壁对应的定位子模型的双重注意力部分中通道注意力部分对应的通道特征的维度为2。
由此，通过上述技术方案，可以保证该通道注意力部分进行数据处理的准确性以及与前置模型的匹配适应性，同时可以保证基于该通道注意力部分进行数据处理后与原始数据的维度一致，便于后续进行特征融合，提高该通道注意力部分输出的数据的可用性和准确性，无需进行冗余的数据转换，从而可以一定程度上降低数据处理量。
可选地，所述定位子模型还包括残差网络子模型，其中，所述残差网络子模型的输出与所述双重注意力网络模块的输入耦合；
相应地，在步骤13中，根据心电导联特征数据和定位模型，确定心电数据对应的异常位置的示例性实现方式如下，如图3所示，该步骤可以包括：
在步骤31中，将心电导联特征数据输入与检测位置对应的残差网络子模型，获得目标特征数据。
示例地，该残差网络子模型可以为标准34层ResNet网络，每两层设置一个跳层进行跳层连接，从而既可以增加网络深度，提高目标特征数据中包含特征信息的丰富性，又可以有效由于深度增加而导致的防止梯度爆炸和梯度消失现象。
其中，残差网络用于实现对定位子模型的训练，每一检测位置对应的定位子模型可以通过如下方式进行训练：
获取训练样本，示例地，可以获取由人工标注出的异常的心电数据作为训练数据。根据标注的异常的位置，从该训练数据中提取出异常的位置对应的检测点的导联数据，对该导联数据进行拼接作为训练特征数据，以获得该训练样本，即该训练样本中包括异常的位置，以及该异常对应的训练特征数据。
之后，将该训练特征数据输入与该异常的位置对应的定位子模型，经过其中的残差网络子模型进行卷积特征提取，获得目标训练特征数据。将该目标训练特征数据输入该定位子模型中的双重注意力网络模块，从而可以通过位置注意力部分获得对位置特征增强的特征数据W1，以及通过通道注意力部分获得对通道特征增强的特征数据W2。进一步地，可以对特征数据W1和特征数据W2进行特征融合，从而获得融合特征数据，以基于该融合特征数据进行异常判断，并输出判定结果。根据该判定结果和异常的位置计算损失值，从而可以根据损失值调整定位子模型中的模型参数，以在损失值小于目标阈值时，获得训练完成的定位子模型。其中，可以选择现有的损失函数和学习速率进行模型训练，本公开对此不进行限定。
由此，通过上述技术方案，可以针对需要进行检测的每一检测位置，训练一对应的定位子模型，从而可以基于该定位子模型对该检测位置进行准确的监测。
在步骤32中，将目标特征数据输入与检测位置对应的双重注意力网络模块，获得定位子模型输出的分类结果，其中所述分类结果用于指示所述检测位置是否异常。
由上文所述，则可以直接将检测位置前间壁对应的目标特征数据输入该前间壁对应的定位子模型中的双重注意力网络模型，从而可以获得其输出的分类结果。其他位置的确定方式相同，在此不再赘述。
在步骤33中，根据每一定位子模型输出的分类结果，将分类结果指示异常的检测位置确定为心电数据对应的异常位置。
示例地，在步骤11中，基于心电数据，分别提取出了心脏的前间壁、前壁、前侧壁、下壁等4个检测位置的导联数据，并基于步骤12获得了该4个检测位置对应的心电导联特征数据。则在对心电数据进行检测时，可以将该4个检测位置对应的心电导联特征数据分别输入至与该检测位置对应的定位子模型中进行异常判定。其中，定位子模型中具体的判定过程已在上文进行详细说明。
示例地，前间壁对应的定位子模型输出的分类结果指示前间壁异常，前壁对应的定位子模型输出的分类结果指示前壁无异常，前侧壁对应的定位子模型输出的分类结果指示前侧壁异常，下壁对应的定位子模型输出的分类结果指示下壁无异常，则可以确定该心电数据对应的异常位置为前间壁和前侧壁。
由此，通过上述技术方案，可以对心电数据进行检测，既可以快速且准确地确定出心电数据是否存在异常，又可以直接确定出心电数据中的异常位置，从而可以便于用户及时知晓该异常位置，为用户及时制定解决方案提供准确的数据支持，提升用户使用体验。
在实际使用场景中，体表检测到的心电数据中可能会包含较强的噪声和随机性，则会对心电数据的准确性产生较大影响，从而影响基于该心电数据进行异常判定的结果的准确性。基于此，本公开还提供以下实施例。
在步骤11中，基于心电数据，提取预设的检测位置对应的检测点的导联数据的示例性实现方式如下，该步骤可以包括：
对接收到的心电数据进行高斯滤波，获得去噪心电数据；
根据所述去噪心电数据，提取预设的检测位置对应的检测点的导联数据。
示例地，在该实施例中，对该心电数据通过一维高斯滤波进行去噪，其中，一维高斯滤波的公式如下：
其中，σ是高斯函数的标准差，也可以称为模糊系数。通过上述公式计算高斯核函数，可分别取模糊半径r＝r1,r2…ri，各自求出不同模糊半径下的高斯核G1,G2…Gi，再依预设权值对不同尺度下的高斯滤波进行中心对齐整合，例如可以通过G＝w1×G1+w2×G2+…+wi×Gi进行滤波，其中之后则可以基于上述过程中确定出的不同尺度下的高斯滤波对心电数据进行滤波，从而实现对心电数据的整体去噪，获得该去噪心电数据。
之后则可以根据该去噪心电数据，提取每一检测位置对应的检测点的导联数据。由此，通过对心电数据进行滤波，可以有效去除心电数据中的噪声影响，从而可以保证用于进行异常判定的心电数据的准确性和稳定性，进一步保证确定出的异常位置的准确性，提升用户使用体验。
本公开还提供一种异常位置的确定装置，如图4所示，所述装置10包括：
提取模块100，用于基于心电数据，提取预设的检测位置对应的检测点的导联数据；
拼接模块200，用于将所述导联数据进行拼接，获得与所述检测位置对应的心电导联特征数据；
确定模块300，用于根据所述心电导联特征数据和定位模型，确定所述心电数据对应的异常位置，其中，所述定位模型中包括与每一所述检测位置一一对应的定位子模型，每一所述定位子模型用于根据与所述检测位置对应的心电导联特征数据确定所述检测位置是否异常。
可选地，所述定位子模型包括双重注意力网络模块；
其中，所述双重注意力网络模块包括位置注意力部分和通道注意力部分，所述位置注意力部分用于对所述心电导联特征数据的位置特征进行增强，以获得第一目标特征数据，所述通道注意力部分用于对所述心电导联特征数据的通道特征进行增强，以获得第二目标特征数据；所述定位子模型用于根据所述第一目标特征数据和所述第二目标特征数据进行特征融合后所得的融合特征数据确定所述检测位置是否异常。
可选地，所述通道注意力部分对应的通道特征的维度与所述心电导联特征数据的通道的数量相同。
可选地，所述定位子模型还包括残差网络子模型，其中，所述残差网络子模型的输出与所述双重注意力网络模块的输入耦合；
所述确定模块包括：
第一输入子模块，用于将所述心电导联特征数据输入与所述检测位置对应的残差网络子模型，获得目标特征数据；
第二输入子模块，用于将所述目标特征数据输入与所述检测位置对应的双重注意力网络模块，获得所述定位子模型输出的分类结果，其中所述分类结果用于指示所述检测位置是否异常；
确定子模块，用于根据每一所述定位子模型输出的分类结果，将分类结果指示异常的检测位置确定为所述心电数据对应的异常位置。
可选地，所述提取模块包括：
滤波子模块，用于对接收到的心电数据进行高斯滤波，获得去噪心电数据；
提取子模块，用于根据所述去噪心电数据，提取预设的检测位置对应的检测点的导联数据。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种电子设备700的框图。如图5所示，该电子设备700可以包括：处理器701，存储器702。该电子设备700还可以包括多媒体组件703，输入/输出(I/O)接口704，以及通信组件705中的一者或多者。
其中，处理器701用于控制该电子设备700的整体操作，以完成上述的异常位置的确定方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作，这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件705可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的异常位置的确定方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的异常位置的确定方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器702，上述程序指令可由电子设备700的处理器701执行以完成上述的异常位置的确定方法。
图6是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1922可以被配置为执行该计算机程序，以执行上述的异常位置的确定方法。
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM，LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的异常位置的确定方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的异常位置的确定方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的异常位置的确定方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (8)
1.一种异常位置的确定方法，其特征在于，所述方法包括：
基于心电数据，提取预设的检测位置对应的检测点的导联数据；
将所述导联数据进行拼接，获得与所述检测位置对应的心电导联特征数据；
根据所述心电导联特征数据和定位模型，确定所述心电数据对应的异常位置，其中，所述定位模型中包括与每一所述检测位置一一对应的定位子模型，每一所述定位子模型用于根据与所述检测位置对应的心电导联特征数据确定所述检测位置是否异常；
所述定位子模型包括双重注意力网络模块；
其中，所述双重注意力网络模块包括位置注意力部分和通道注意力部分，所述位置注意力部分用于对所述心电导联特征数据的位置特征进行增强，以获得第一目标特征数据，所述通道注意力部分用于对所述心电导联特征数据的通道特征进行增强，以获得第二目标特征数据；所述定位子模型用于根据所述第一目标特征数据和所述第二目标特征数据进行特征融合后所得的融合特征数据确定所述检测位置是否异常；
所述定位子模型还包括残差网络子模型，其中，所述残差网络子模型的输出与所述双重注意力网络模块的输入耦合；
所述根据所述心电导联特征数据和定位模型，确定所述心电数据对应的异常位置，包括：
将所述心电导联特征数据输入与所述检测位置对应的残差网络子模型，获得目标特征数据；
将所述目标特征数据输入与所述检测位置对应的双重注意力网络模块，获得所述定位子模型输出的分类结果，其中所述分类结果用于指示所述检测位置是否异常；
根据每一所述定位子模型输出的分类结果，将分类结果指示异常的检测位置确定为所述心电数据对应的异常位置。
2.根据权利要求1所述的方法，其特征在于，所述通道注意力部分对应的通道特征的维度与所述心电导联特征数据的通道的数量相同。
3.根据权利要求1所述的方法，其特征在于，所述基于心电数据，提取预设的检测位置对应的检测点的导联数据，包括：
对接收到的心电数据进行高斯滤波，获得去噪心电数据；
根据所述去噪心电数据，提取预设的检测位置对应的检测点的导联数据。
4.一种异常位置的确定装置，其特征在于，所述装置包括：
提取模块，用于基于心电数据，提取预设的检测位置对应的检测点的导联数据；
拼接模块，用于将所述导联数据进行拼接，获得与所述检测位置对应的心电导联特征数据；
确定模块，用于根据所述心电导联特征数据和定位模型，确定所述心电数据对应的异常位置，其中，所述定位模型中包括与每一所述检测位置一一对应的定位子模型，每一所述定位子模型用于根据与所述检测位置对应的心电导联特征数据确定所述检测位置是否异常；
所述定位子模型包括双重注意力网络模块；
其中，所述双重注意力网络模块包括位置注意力部分和通道注意力部分，所述位置注意力部分用于对所述心电导联特征数据的位置特征进行增强，以获得第一目标特征数据，所述通道注意力部分用于对所述心电导联特征数据的通道特征进行增强，以获得第二目标特征数据；所述定位子模型用于根据所述第一目标特征数据和所述第二目标特征数据进行特征融合后所得的融合特征数据确定所述检测位置是否异常；
所述定位子模型还包括残差网络子模型，其中，所述残差网络子模型的输出与所述双重注意力网络模块的输入耦合；
所述确定模块包括：
第一输入子模块，用于将所述心电导联特征数据输入与所述检测位置对应的残差网络子模型，获得目标特征数据；
第二输入子模块，用于将所述目标特征数据输入与所述检测位置对应的双重注意力网络模块，获得所述定位子模型输出的分类结果，其中所述分类结果用于指示所述检测位置是否异常；
确定子模块，用于根据每一所述定位子模型输出的分类结果，将分类结果指示异常的检测位置确定为所述心电数据对应的异常位置。
5.根据权利要求4所述的装置，其特征在于，所述通道注意力部分对应的通道特征的维度与所述心电导联特征数据的通道的数量相同。
6.根据权利要求4所述的装置，其特征在于，所述提取模块包括：
滤波子模块，用于对接收到的心电数据进行高斯滤波，获得去噪心电数据；
提取子模块，用于根据所述去噪心电数据，提取预设的检测位置对应的检测点的导联数据。
7.一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权利要求1-3中任一项所述方法的步骤。
8.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-3中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010906502.6A CN112137613B (zh) | 2020-09-01 | 2020-09-01 | 异常位置的确定方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010906502.6A CN112137613B (zh) | 2020-09-01 | 2020-09-01 | 异常位置的确定方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112137613A CN112137613A (zh) | 2020-12-29 |
| CN112137613B true CN112137613B (zh) | 2024-02-02 |
Family
ID=73890175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010906502.6A Active CN112137613B (zh) | 2020-09-01 | 2020-09-01 | 异常位置的确定方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112137613B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113378888A (zh) * | 2021-05-17 | 2021-09-10 | 上海大学 | 一种基于深度学习的dbt微钙化簇良恶性分类方法和装置 |
| CN114711780A (zh) * | 2022-03-04 | 2022-07-08 | 平安科技（深圳）有限公司 | 多导联心电图信号处理方法、装置、设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014089549A1 (en) * | 2012-12-07 | 2014-06-12 | Indiana University Research & Technology Corporation | System and method for non-invasive autonomic nerve activity monitoring |
| CN104127180A (zh) * | 2014-08-18 | 2014-11-05 | 南京大学 | 一种基于多导联脑电的生物反馈技术 |
| WO2017223560A1 (en) * | 2016-06-24 | 2017-12-28 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
| WO2018026842A1 (en) * | 2016-08-01 | 2018-02-08 | University Of Utah Research Foundation | Signal processing for decoding intended movements from electromyographic signals |
| CN208447783U (zh) * | 2017-09-18 | 2019-02-01 | 奥美医疗用品股份有限公司 | 一种神经手术片包 |
| CN109846477A (zh) * | 2019-01-29 | 2019-06-07 | 北京工业大学 | 一种基于频带注意力残差网络的脑电分类方法 |
| 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 |
| CN110929759A (zh) * | 2019-10-24 | 2020-03-27 | 东软集团股份有限公司 | 检测模型的训练装置、方法及心电数据处理方法、装置 |
| CN111184508A (zh) * | 2020-01-19 | 2020-05-22 | 武汉大学 | 一种基于联合神经网络的心电信号检测装置及分析方法 |
| US10743809B1 (en) * | 2019-09-20 | 2020-08-18 | CeriBell, Inc. | Systems and methods for seizure prediction and detection |
| CN111563513A (zh) * | 2020-05-15 | 2020-08-21 | 电子科技大学 | 基于注意力机制的散焦模糊检测方法 |
-
2020
- 2020-09-01 CN CN202010906502.6A patent/CN112137613B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014089549A1 (en) * | 2012-12-07 | 2014-06-12 | Indiana University Research & Technology Corporation | System and method for non-invasive autonomic nerve activity monitoring |
| CN104127180A (zh) * | 2014-08-18 | 2014-11-05 | 南京大学 | 一种基于多导联脑电的生物反馈技术 |
| WO2017223560A1 (en) * | 2016-06-24 | 2017-12-28 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
| WO2018026842A1 (en) * | 2016-08-01 | 2018-02-08 | University Of Utah Research Foundation | Signal processing for decoding intended movements from electromyographic signals |
| CN208447783U (zh) * | 2017-09-18 | 2019-02-01 | 奥美医疗用品股份有限公司 | 一种神经手术片包 |
| CN109846477A (zh) * | 2019-01-29 | 2019-06-07 | 北京工业大学 | 一种基于频带注意力残差网络的脑电分类方法 |
| 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 |
| US10743809B1 (en) * | 2019-09-20 | 2020-08-18 | CeriBell, Inc. | Systems and methods for seizure prediction and detection |
| CN110929759A (zh) * | 2019-10-24 | 2020-03-27 | 东软集团股份有限公司 | 检测模型的训练装置、方法及心电数据处理方法、装置 |
| CN111184508A (zh) * | 2020-01-19 | 2020-05-22 | 武汉大学 | 一种基于联合神经网络的心电信号检测装置及分析方法 |
| CN111563513A (zh) * | 2020-05-15 | 2020-08-21 | 电子科技大学 | 基于注意力机制的散焦模糊检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| Anomaly Detection in Time Series using Generative Adversarial Networks;Fiete Lüer等;《2019 International Conference on Data Mining Workshops (ICDMW)》;全文 * |
| 一种与N-Back诱发脑力疲劳相关的特异性脑电网络结构;孟桂芳等;《中国生物医学工程学报》;第36卷(第2期);第143-149页 * |
| 基于函数型数据分析的疲劳驾驶状态识别;刘卓等;《南昌大学学报(工科版)》;第42卷(第2期);第194-198页 * |
| 基于残差神经网络的充血性心力衰竭识别方法;王露笛等;《科研信息化技术与应用》;第9卷(第6期);第3-9页 * |
| 太极拳的文化内涵及其对大学生身心健康的影响;朱宝峰等;《哈尔滨体育学院学报》;第32卷(第4期);第49-52页 * |
| 残差神经网络及其在医学图像处理中的应用研究;周涛等;《电子学报》;第48卷(第7期);第1436-1447页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112137613A (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3992851A1 (en) | Image classification method, apparatus and device, storage medium, and medical electronic device | |
| CN110141219B (zh) | 基于导联融合深度神经网络的心肌梗死自动检测方法 | |
| CN110141220B (zh) | 基于多模态融合神经网络的心肌梗死自动检测系统 | |
| CN112137613B (zh) | 异常位置的确定方法、装置、存储介质及电子设备 | |
| CN111951280B (zh) | 图像分割方法、装置、设备及存储介质 | |
| CN111738302B (zh) | 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统 | |
| CN110517759A (zh) | 一种待标注图像确定的方法、模型训练的方法及装置 | |
| CN111091536B (zh) | 医学图像处理方法、装置、设备、介质以及内窥镜 | |
| CN110752028A (zh) | 一种图像处理方法、装置、设备以及存储介质 | |
| US20200320701A1 (en) | Image processing method and apparatus and neural network model training method | |
| CN109146891B (zh) | 一种应用于mri的海马体分割方法、装置及电子设备 | |
| CN110728673A (zh) | 一种目标部位分析方法、装置、计算机设备及存储介质 | |
| CN111695616A (zh) | 基于多模态数据的病灶分类方法及相关产品 | |
| CN111631704B (zh) | 基于心电与脑电信息结合的糖尿病前期检测系统和方法 | |
| US20170235913A1 (en) | Image data ingestion applciation of a medical imaging data processing and retrieval system | |
| CN114219754A (zh) | 基于眼部ct图像的甲状腺相关眼疾识别方法和装置 | |
| CN109102509B (zh) | 分割模型训练方法、装置及计算机可读存储介质 | |
| CN107067420A (zh) | 图像处理方法、装置及设备 | |
| CN112801940A (zh) | 模型评测方法、装置、设备及介质 | |
| CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
| CN113724188A (zh) | 一种病灶图像的处理方法以及相关装置 | |
| CN113705361A (zh) | 活体检测模型的方法、装置及电子设备 | |
| CN115690544B (zh) | 多任务学习方法及装置、电子设备和介质 | |
| CN116993812A (zh) | 冠脉血管中心线的提取方法、装置、设备及存储介质 | |
| WO2021097595A1 (zh) | 图像的病变区域分割方法、装置及服务器 |
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 |