CN112603327B - 一种心电信号的检测方法、装置、终端以及存储介质 - Google Patents

一种心电信号的检测方法、装置、终端以及存储介质 Download PDF

Info

Publication number
CN112603327B
CN112603327B CN202011539571.4A CN202011539571A CN112603327B CN 112603327 B CN112603327 B CN 112603327B CN 202011539571 A CN202011539571 A CN 202011539571A CN 112603327 B CN112603327 B CN 112603327B
Authority
CN
China
Prior art keywords
signal
atrial fibrillation
classification model
training
signals
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
Application number
CN202011539571.4A
Other languages
English (en)
Other versions
CN112603327A (zh
Inventor
李露平
陈茂林
韩羽佳
贾淼
郭光明
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202011539571.4A priority Critical patent/CN112603327B/zh
Publication of CN112603327A publication Critical patent/CN112603327A/zh
Application granted granted Critical
Publication of CN112603327B publication Critical patent/CN112603327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/361—Detecting fibrillation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1101—Detecting tremor
    • 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]
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Abstract

本申请适用于生命特征识别技术领域，提供了一种基于人工智能(Artificial Intelligence，AI)心电信号的检测方法、装置、终端以及存储介质，该方法包括：获取目标用户的心电信号；将所述心电信号导入预设的房颤信号分类模型，获得所述房颤信号分类模型输出的心电信号的信号类别，其中，所述房颤信号分类模型是以房颤患者作为模型训练样本训练得到的；根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率。本申请提供的技术方案能够实现对房颤事件的预测，方便了用户确定自身的身体状况，提高了检测效果以及用户的使用体验。

Description

一种心电信号的检测方法、装置、终端以及存储介质
技术领域
本申请属于生命特征识别技术领域，尤其涉及一种心电信号的检测方法、装置、终端以及存储介质。
背景技术
心房颤动，简称房颤，是最常见的持续性慢性心律失常，常源于无序的心房活动和不规则的心房压缩。随着人们对健康重视程度的不断提高，以及房颤的发病率逐渐上升，如何识别用户是否存在房颤事件则显得尤为重要。现有的房颤检测技术，只能在用户发生房颤事件时，才能够判定该用户为房颤患者，但房颤事件发生时有可能会危急到用户的生命安全，影响用户的健康。由此可见，现有的房颤检测技术，只能告知用户是否发生房颤事件，无法对用户的房颤事件进行预测，检测效果差。
发明内容
本申请实施例提供了一种心电信号的检测方法、装置、终端以及存储介质，可以解决现有的房颤检测技术，无法对用户的房颤事件进行预测，检测效果差的问题。
第一方面，本申请实施例提供了一种心电信号的检测方法，包括：
获取目标用户的心电信号；
将所述心电信号导入预设的房颤信号分类模型，获得所述房颤信号分类模型输出的心电信号的信号类别，其中，所述房颤信号分类模型是以房颤患者作为模型训练样本训练得到的；
根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率。
在第一方面的一种可能的实现方式中，在所述将所述心电信号导入预设的房颤信号分类模型，获得所述房颤信号分类模型输出的心电信号的信号类别，其中，所述房颤信号分类模型是以房颤患者作为模型训练样本训练得到的之前，还包括：
获取由多个采集次序连续的历史信号组成的训练信号集；所述训练信号集至少包含一个房颤信号；
从所述训练信号集中提取除所述房颤信号外的风险信号；
通过所述训练信号集的所述风险信号，对预设的原生分类模型进行训练，得到所述房颤信号分类模型。
在第一方面的一种可能的实现方式中，所述通过所述训练信号集的所述风险信号，对预设的原生分类模型进行训练，得到所述房颤信号分类模型，包括：
根据所述风险信号的采集时间与关联的房颤信号的触发时间之间的时间差值，确定每个所述风险信号对应的信号类别；
计算所述风险信号在各个预设的信号特征维度的特征值，得到所述风险信号的信号特征参量；
根据所述信号特征参量以及所述信号类别，对所述原生分类模型进行训练，得到所述房颤信号分类模型。
在第一方面的一种可能的实现方式中，所述获取由多个采集次序连续的心电信号组成的训练信号集，包括：
获取采集所述历史信号时所述训练用户的运动参量；
确定所述历史信号的抖动时长；
根据所述抖动时长以及所述运动参量，判断所述历史信号是否为有效信号；
根据各个所述有效信号的采集时间的先后次序，对所有所述有效信息进行封装，得到所述训练信号集。
在第一方面的一种可能的实现方式中，所述将所述心电信号导入预设的房颤信号分类模型，获得所述房颤信号分类模型输出的心电信号的信号类别，其中，所述房颤信号分类模型是以房颤患者作为模型训练样本训练得到的，包括：
根据所述心电信号，确定所述目标用户的生命体征参数；
基于所述生命体征参数调整所述房颤信号分类模型的分类阈值；
通过调整后的所述房颤信号分类模型，识别所述心电信号的信号类别。
在第一方面的一种可能的实现方式中，所述根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率，包括：
统计所述目标用户在预设的时间段内存在所述信号类别为风险类别的所述心电信号的信号个数；
根据所述信号个数计算所述房颤发生概率。
在第一方面的一种可能的实现方式中，若所述房颤发生概率大于预设的概率阈值，在所述根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率之后，还包括：
确定所述目标用户预设的关联用户，并向所述关联用户的终端发送告警信息；和/或
根据所述目标用户当前的位置信息，获取与所述位置信息距离最近的医院地址；
根据所述位置信息以及所述医院地址，生成就诊路径。
在第一方面的一种可能的实现方式中，在所述根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率之后，还包括：若接收到新增心电信号，则通过所述房颤信号分类模型识别所述新增心电信号的新增信号类别；
基于所述新增信号类别，重新计算所述目标用户的所述房颤发生概率；
根据已识别的所有所述房颤发生概率，生成房颤概率曲线。
第二方面，本申请实施例提供了一种心电信号的检测装置，包括：
心电信号获取单元，用于获取目标用户的心电信号；
信号类别识别单元，用于将所述心电信号导入预设的房颤信号分类模型，获得所述房颤信号分类模型输出的心电信号的信号类别，其中，所述房颤信号分类模型是以房颤患者作为模型训练样本训练得到的；
房颤发送概率计算单元，用于根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率。
第三方面，本申请实施例提供了一种终端设备，存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述第一方面中任一项所述心电信号的检测方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述第一方面中任一项所述心电信号的检测方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述心电信号的检测方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例通过将采集得到的心电信号导入到预设的房颤信号分类模型，分别确定每一个心电信号的信号类别，并在获取了该用户在多个采集周期内的心电信号的信号类别，通过多个心电信号的信号类别，计算目标用户的房颤发生概率，并根据该房颤发生概率的数值大小，能够实现对房颤事件的预测，方便了用户确定自身的身体状况，提高了检测效果以及用户的使用体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的手机的部分结构的框图；
图2是本申请一实施例提供的心电信号的检测系统的结构框图；
图3是本申请另一实施例提供的心电信号的检测系统的结构框图；
图4是本申请第一实施例提供的一种心电信号的检测方法的实现流程图；
图5是本申请一实施例提供的房颤发生概率的输出示意图；
图6是本申请一实施例提供的房颤患者与正常患者的相关标志物的比对示意图；
图7是本申请第二实施例提供的一种心电信号的检测方法具体实现流程图；
图8是本申请一实施例提供的训练信号集的示意图；
图9是本申请第三实施例提供的一种心电信号的检测方法S703具体实现流程图；
图10是本申请一实施例提供的信号类别的标记示意图；
图11是本申请第四实施例提供的一种心电信号的检测方法S4022具体实现流程图；
图12是本申请第五实施例提供的一种心电信号的检测方法S402具体实现流程图；
图13是本申请第六实施例提供的一种心电信号的检测方法S403的具体实现流程图；
图14是本申请第七实施例提供的一种心电信号的检测方法具体实现流程图；
图15是本申请一实施例提供的告警信息的输出示意图；
图16是本申请一实施例提供的就诊路径的输出示意图；
图17是本申请第八实施例提供的一种心电信号的检测方法具体实现流程图；
图18是本申请一实施例提供的房颤概率曲线的输出示意图；
图19是本申请一实施例提供的一种心电信号的检测设备的结构框图；
图20是本申请另一实施例提供的一种终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的心电信号的检测方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备上，还可以应用于数据库、服务器以及基于终端人工智能的服务响应系统，本申请实施例对终端设备的具体类型不作任何限制。
例如，所述终端设备可以是WLAN中的站点(STAION，ST)，可以是蜂窝电话、无绳电话、会话启动协议(Session InitiationProtocol，SIP)电话、无线本地环路(WirelessLocal Loop，WLL)站、个人数字处理(Personal Digital Assistant，PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、电脑、膝上型计算机、手持式通信设备、手持式计算设备、和/或用于在无线系统上进行通信的其它设备以及下一代通信系统，例如，5G网络中的移动终端或者未来演进的公共陆地移动网络(PublicLand Mobile Network，PLMN)网络中的移动终端等。
作为示例而非限定，当所述终端设备为可穿戴设备时，该可穿戴设备还可以是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称，如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上，或是整合到用户的衣服或配件的一种便携式设备，通过附着与用户身上，采集用户的房颤信号。可穿戴设备不仅仅是一种硬件设备，更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能，如智能手表或智能眼镜等，以及只专注于某一类应用功能，需要和其它设备如智能手机配合使用，如各类进行体征监测的智能手环、智能首饰等。
以所述终端设备为手机为例。图1示出的是与本申请实施例提供的手机的部分结构的框图。参考图1，手机包括：射频(Radio Frequency，RF)电路110、存储器120、输入单元130、显示单元140、传感器150、音频电路160、近场通信模块170、处理器180、以及电源190等部件。本领域技术人员可以理解，图1中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
下面结合图1对手机的各个构成部件进行具体的介绍：
RF电路110可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器180处理；另外，将设计上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，LNA)、双工器等。此外，RF电路110还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(GlobalSystem of Mobile communication，GSM)、通用分组无线服务(General Packet RadioService，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long Term Evolution,LTE))、电子邮件、短消息服务(Short Messaging Service，SMS)等，通过RF电路110接收其他终端反馈的关于用户的房颤信号。
存储器120可用于存储软件程序以及模块，处理器180通过运行存储在存储器120的软件程序以及模块，从而执行手机的各种功能应用以及数据处理，例如将接收到的房颤信号存储于存储器120内。存储器120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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器120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。
输入单元130可用于接收输入的数字或字符信息，以及产生与手机100的用户设置以及功能控制有关的键信号输入。具体地，输入单元130可包括触控面板131以及其他输入设备132。触控面板131，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板131上或在触控面板131附近的操作)，并根据预先设定的程式驱动相应的连接装置。
显示单元140可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单，例如输出接收到的用户的房颤信号，以及确定了房颤信号的类别后，输出的识别结果。显示单元140可包括显示面板141，可选的，可以采用液晶显示器(Liquid CrystalDisplay，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板141。进一步的，触控面板131可覆盖显示面板141，当触控面板131检测到在其上或附近的触摸操作后，传送给处理器180以确定触摸事件的类型，随后处理器180根据触摸事件的类型在显示面板141上提供相应的视觉输出。虽然在图1中，触控面板131与显示面板141是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板131与显示面板141集成而实现手机的输入和输出功能。
手机100还可包括至少一种传感器150，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板141的亮度，接近传感器可在手机移动到耳边时，关闭显示面板141和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。进一步地，若终端设备可以用于采集用户的房颤信号，则终端设备上还可以配置有心电传感器，通过心电传感器获取用户的心电信号。
音频电路160、扬声器161，传声器162可提供用户与手机之间的音频接口。音频电路160可将接收到的音频数据转换后的电信号，传输到扬声器161，由扬声器161转换为声音信号输出；另一方面，传声器162将收集的声音信号转换为电信号，由音频电路160接收后转换为音频数据，再将音频数据输出处理器180处理后，经RF电路110以发送给比如另一手机，或者将音频数据输出至存储器120以便进一步处理。例如，终端设备可以通过音频电路160，播放心电信号的检测结果，通过语音信号的方式通知用户。
终端设备可以通过近场通信模块170可以接收其他设备发送的房颤信号，例如该近场通信模块170集成有蓝牙通信模块，通过蓝牙通信模块与可佩戴设备建立通信连接，并接收可佩戴设备反馈的房颤信号。虽然图1示出了近场通信模块170，但是可以理解的是，其并不属于手机100的必须构成，完全可以根据需要在不改变申请的本质的范围内而省略。
处理器180是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器120内的软件程序和/或模块，以及调用存储在存储器120内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器180可包括一个或多个处理单元；优选的，处理器180可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器180中。
手机100还包括给各个部件供电的电源190(比如电池)，优选的，电源可以通过电源管理系统与处理器180逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
图2示出了本申请一实施例提供的心电信号的检测系统的结构框图。参见图2所示，该心电信号的检测系统包括移动终端210以及可穿戴设备220。其中，移动终端210与可穿戴设备220可以通过近场通信方式建立通信连接。
其中，本申请提供的心电信号的检测装置具体为用户使用的移动终端210。移动终端210可以接收可穿戴设备220发送的心电信号，例如通过蓝牙通信方式或WIFI通信方式等近场通信方式与可穿戴设备220建立通信连接，并接收可穿戴设备220发送的心电信号，还可以通过有线通信方式或无线通信方式等与其他存储有目标用户的远端通信终端建立通信，并接收远端通信终端发送的心电信号，并通过接收多个不同用户的心电信号，配置房颤信号分类模型，并根据房颤信号分类模型识别可穿戴设备220在多个采集周期反馈的心电信号的信号类型。并根据多个心电信号的信号类型计算目标用户的房颤发生概率，以便对用户的房颤事件进行预测。
可穿戴设备220具体用于采集用户的生物特征信号，该生物特征信号可以为原始采集到的心电信号，也可以经过房颤识别算法处理生成的房颤信号。若采集得到为心电信号，则可以将原始的心电信号发送给移动终端210，通过移动终端210对心电信号进行房颤识别，并转换为房颤信号；也可以通过可穿戴设备220内置的处理模块，将心电信号转换为房颤信号后，将房颤信号发送给移动终端210。
优选地，心电信号的检测系统还包括云端服务器230。其中，云端服务器可以接收各个其他电子设备240反馈的心电信号，特别地，上述电子设备240反馈的为房颤患者的心电信号，基于上述房颤患者的心电信号构建上述的房颤信号分类模型，并向各个终端设备210发布上述房颤信号分类模型，终端设备210通过下载云端服务器230的分类模型即可，无需在本地进行模型构建。
图3示出了本申请另一实施例提供的心电信号的检测系统的结构框图。参见图3所示，该心电信号的检测系统包括服务器310、终端设备320以及可穿戴设备330。其中，服务器310与终端设备320以及可穿戴设备330之间可以通过有线和/或无线网络进行通信。
其中，服务器310可以接收多个可穿戴设备330发送的房颤信号，即服务器属于云端设备。可选地，若可穿戴设备330无法连接互联网，在该情况下，可穿戴设备330可以通过近场通信方式与终端设备320建立通信连接，在该情况下，终端设备320可以安装有服务器310关联的客户端程序，可穿戴设备330将心电信号发送给终端设备320进行存储，并在终端设备320运行上述客户端程序时，通过客户端程序对心电信号进行封装，并将封装后的数据包发送给服务器310。在服务器接收到可穿戴设备发送的心电信号后，可以通过内置的房颤信号分类模型识别心电信号的信号类型，并信号类型反馈给目标用户对应的终端设备320或者发送给可穿戴设备330；当然，若服务器310为不同的用户配置对应的数据库，则可以根据心电信号的用户标识，将该心电信号存储到该目标用户关联的数据库内，根据该数据库内目标用户的所有历史信号的信号类别，计算目标用户的房颤发生概率，并将房颤发生概率返回给可穿戴设备330或者终端设备320进行显示输出。
终端设备320可以在接收到目标用户本次采集的心电信号的信号类别后，可以根据已采集得到所有的心电信号的信号类别，确定目标用户的房颤发生概率，并通过显示界面输出上述房颤发生概率。其中，终端设备320还可以配置有通信模块，例如蓝牙通信模块或WIFI通信模块，通过通信模块接收用户使用的可穿戴设备330反馈的心电信号，并将房颤信号通过安装于本地的客户端程序发送给服务器310。可选地，终端设备320的客户端程序安装有房颤发生概率的转换模型，终端设备320将所有已采集的心电信号的信号类别根据采集时间的先后次序生成一个信号类别序列，将该信号类别序列导入到上述的转换模型，计算出目标用户的房颤发生概率。
需要说明的是，服务器310内可以存储有可穿戴设备330与终端设备320之间的对应关系。其中，存在对应关系的可穿戴设备330以及终端设备320可以属于同一实体用户，即用户可以通过可穿戴设备330采集心电信号，并上传至服务器310，服务器310在计算出心电信号对应的信号类别或者通过多个心电信号的信号类别计算出房颤发生概率后，将输出结果反馈给终端设备320进行显示。当然，若目标用户存在关联用户，则服务器310可以将上述的输出结果发送给目标用户以及关联用户的终端设备320。
可穿戴设备330可以为一智能可穿戴设备，例如智能手环或智能手表，该可穿戴设备可以安装有与服务器310匹配的客户端程序，并在采集得到用户的心电信号后，通过客户端程序将采集得到的信号发送给服务器310。当然，可穿戴设备330可以将心电信号发送给与其存在同一环境下的终端设备320，并通过终端设备320上传给服务器310。
作为示例而非限定，目标用户为老人，而目标用户的关联用户的老人的子女。可穿戴设备330佩戴与老人的手腕上，在可穿戴设备330采集到老人的心电信号后，可以通过内置的通信模块将心电信号直接发送给服务器310，或者将心电信号发送给老人的终端设备320，通过终端设备320转发给服务器310。服务器310在接收到心电信号后，可以通过房颤信号分类模型识别该心电信号的信号类别，可以直接将信号类别反馈老人的终端设备320，也可以在计算到老人的房颤发生概率后，将上述的房颤发生概率发送给老人的终端设备320以及老人的子女的终端设备320。优选地，服务器310在检测到老人的房颤发生概率的数值大于预设的概率阈值时，将老人的房颤发生概率发送给老人的子女的终端设备320。终端设备320接收到房颤发生概率后，可以通过交互模型进行输出，用以告知老人当前的身体情况。
在本申请实施例中，流程的执行主体为安装有心电信号的检测程序的设备。作为示例而非限定，心电信号的检测程序的设备具体可以为终端设备，该终端设备可以为用户使用的智能手机、平板电脑、笔记本电脑等，对获取得到的目标用户的心电信号进行类别识别，并确定该目标用户的房颤发生概率。图1示出了本申请第一实施例提供的心电信号的检测方法的实现流程图，详述如下：
在S401中，获取目标用户的心电信号。
在本实施例中，心电信号可以为通过可穿戴设备或心电采集设备获取得到的心电信号，上述可穿戴设备以及心电采集设备可以配置有心电传感器，例如心电图(Electrocardiogram，ECG)传感器或光电容描记(Photoplethysmograph，PPG)传感器，可以用于获取佩戴用户或所检测用户的心电信号。该可穿戴设备可以为手环或手表等能够与用户皮肤接触的设备，通过检测接触区域的血管扩张情况，获取所佩戴用户的心率值，并基于各个采集时刻所对应的心率值，生成用户的心电信号。当然，若终端设备配置有心电传感器，则可以通过心电传感器采集用户的心电信号。可选地，终端设备在获取得到心电信号后，可以通过预设的信号优化算法对心电信号进行预处理，从而能够提高后续类型识别的准确性。其中，优化的方式包括但不限于以下一种或多种的组合：信号放大、信号滤波、异常检测、信号修复等。
其中，异常检测具体为根据采集得到的原始心电信号的信号波形，提取多个波形特征参数，例如信号最大连续时长、波形中断次数、采集中断时长、波形信噪比等，并根据上述采集得到波形特征值计算心电信号的信号质量，若检测到该信号质量低于有效信号阈值，则识别心电信号为无效信号，不对无效信号执行后续信号类别的识别操作。反之，若该信号质量高于有效信号阈值，则识别心电信号为有效信号，执行S402以及S403的操作。
其中，信号修复具体为通过预设的波形拟合算法对采集心电信号过程中的中断区域进行波形拟合，生成连续的心电波形。该波形拟合算法可以为一神经网络，通过采集目标用户的历史信号，对波形拟合算法中的参数进行调整，以使得拟合后的心电信号的波形走向与目标用户的波形走向相匹配，从而提高了波形拟合效果。优选地，该信号修复操作在上述异常检测操作之后执行，由于通过信号修改心电信号缺失的波形时，会提高心电信号的采集指令，从而影响异常检测的操作，从而无法对采集质量较差的异常信号进行识别，基于此，终端设备可以先通过异常检测算法，判断心电信号是否有效信号；若该心电信号为有效信号，则通过信号修复算法对心电信号进行信号修复；反之，若心电信号为异常信号，则无需进行信号修复，从而减少了不必要的修复操作。
在一种可能的实现方式中，该可穿戴设备或心电采集设备可以设置有存储单元，上述两个设备将采集到用户的心电信号存储于存储单元内，在检测到存储单元内存储的心电信号满足预设的上传阈值时，例如心电信号的数据量大于预设的数据量阈值，或者心电信号的采集时长满足对应的上传阈值时，可以将已存储的心电信号进行封装，并发送给终端设备。
可选地，在本实施例中，终端设备可以接收其他设备或通过内置的传感器获取目标用户的心电信号，若是通过其他设备，例如可穿戴设备或心电采集设备等获取目标用户的心电信号，则可以为上述不同的采集设备配置对应的心电信号反馈周期，采集设备可以根据该反馈周期，定期向终端设备发送用户的房颤信号，举例性地，该采集周期的长度为48秒，采集设备可以以48s为一个采集周期，将采集到的心电信号生成一个信号段，并且每48s向终端设备发送一个心电信号段，终端设备可以根据分别识别各个心电信号段对应的信号类型。可选地，若采集设备配置有与终端设备对应的客户端程序，在用户启动该客户端程序时，则可以将上次反馈心电信号时刻至当前客户端程序的启动时刻之间所采集得到的心电信号，通过客户端程序进行封装，并将上述两个时刻之间的心电信号发送给终端设备，通过终端设备统一对所有心电信号进行类别识别，无需可穿戴设备长时间与终端设备建立长连接，只有在客户端程序启动时，才建立上述两者之间的通信链接，从而减少了心电采集装置以及终端设备的能耗，提高了设备的续航能力。
在S402中，将所述心电信号导入预设的房颤信号分类模型，获得所述房颤信号分类模型输出的心电信号的信号类别，其中，所述房颤信号分类模型是以房颤患者作为模型训练样本训练得到的。
在本实施例中，终端设备预设有房颤信号分类模型，将采集到的心电信号导入到房颤信号分类模型内，可以确定心电信号对应的信号类别。该信号类别可以用于指示房颤事件的发生概率。作为示例而非限定，终端设备可以将心电信号划分为两个类别，分别为第一型信号以及第二型信号。其中，第一型信号表示存在较大风险发生房颤事件；而第二型信号则表示用户发生房颤事件的概率较低。当然，终端设备可以根据发生房颤事件的概率大小，划分为不同的层级，不同的层级对应一个信号类别，例如将发颤发生概率划分为N个层级，其中层级越高，则对应的房颤事件的发生概率越小；而层级越低，则对应的房颤事件的发声概率越高，在该情况下，第N个层级对应的房颤发生概率最低；而第1个层级对应的房颤发生概率最高，终端设备可以根据上述的房颤分类模型，识别心电信号所述的层级类别。
与现有的房颤技术相比，本申请实施例并非在发生房颤事件时，判定心电信号是否为房颤信号，而是可以在非房颤事件发生时，对非房颤的心电信号的信号类别进一步标记，从而实现对用户的房颤事件进行预测，实现了提早告知用户的目的，避免用户在没有预警的情况下发生房颤事件，提高了检测效果以及检测范围。
需要说明的是，该房颤信号分类模型也可以用于识别房颤信号，即用户发生房颤事件时对应的心电信号。此时，发生房颤事件的心电信号对应的信号类别为房颤信号类别。
在一种可能的实现方式中，房颤信号分类模型内可以设置有不同类别的标准信号。在该情况下，终端设备可以直接将心电信号作为模型的输入参量，房颤信号分类模型可以将输入的心电信号与各个类别的标准信号进行匹配，并基于匹配结果识别心电信号的信号类别。作为示例而非限定，终端设备可以分别计算识别各个标准信号与心电信号的匹配度，并选取匹配度的数值最大的一个标准信号的信号类别作为心电信号的信号类型；若存在两个或以上的标准信号与心电信号的匹配度数值一致且最大，此时可以通过预设的信号分割算法，将心电信号划分为多个信号段，并分别计算各个信号段与上述匹配度最高的多个候选类别的标准信号之间匹配度，识别各个信号段关联的子类别，基于所有信号段的子类别识别整体心电信号的信号类别。
举例性地，终端设备识别到心电信号与第一类别的标准信号之间的匹配度，与心电信号与第二类别的标准信号之间的匹配度的数值相同，且均最大。此时终端设备可以将心电信号划分为3个信号段，分别为第一信号段、第二信号段以及第三信号段，并分别计算上述三个信号段与上述两个类别的标准信号之间的匹配度，并确定每个信号段对应的子类别，识别结果如下：第一信号段(第一类别)、第二信号段(第一类别)、第三信号段(第二类别)，因此可以确定与第一类别匹配的信号段的个数大于第二类型匹配的信号段，则判定心电信号的信号类别为第一类别。
可选地，终端设备在计算心电信号与标准信号之间的匹配度之前，可以对心电信号进行标准化处理。终端设备根据标准信号的标准时长，调整心电信号的信号时长，以使标准时长与调整后的信号时长相同。若心电信号的信号时长大于标准时长，则可以对心电信号进行截取，截取后的心电信号与标准信号的信号时长一致；若心电信号的信号时长小于标准时长，则可以通过信号拉伸、循环延伸等方式对不足的区域进行填充，以使调整后的心电信号的信号时长与标准信号的标准时长一致。在进行标准化处理后，则可以执行信号之间的匹配度计算，并基于匹配度识别心电信号的信号类别。
可选地，在计算心电信号与标准信号之间的匹配度时，可以采用动态时间规整算法，实现的方式具体如下：终端设备可以根据各个采集时间节点采集到的心率数值，将心电信号转换为心率序列。根据心率序列以及标准信号对应的标准序列内包含的元素个数，生成对应的坐标网格，并将各个坐标网格相交点所对应的元素之间的差值，作为该坐标网格对应的元素距离值，在计算路径的总距离时，将经过的各个网格交点对应的元素距离值进行叠加，则得到该路径对应的总距离值，选取总距离值最小的路径作为心率序列与标准序列之间的特征路径，并将该特征路径对应的距离值作为心电信号与标准信号之间的距离值，基于距离值计算上述两个信号之间的匹配度。
举例性地，目标用户反馈的心电信号具有M个采集时刻，根据每个采集时刻对应的心率值，则生成包含M个元素的心率序列，标准信号对应的标准序列包含有N个元素，则根据上述两个序列可以生成一个M*N的坐标网格，而坐标(m,n)的坐标距离值即为心率序列中第m个元素与标准序列中第n个元素之间的距离值，并计算到达目标点(M,N)的所有路径中，总距离值最小的一个路径作为特征路径，将特征路径对应的总距离值作为心电信号与标准信号之间的距离值。
在一种可能的实现方式中，终端设备可以计算心电信号在多个特征维度的特征参数，将心电信号转换为信号特征序列，并将信号特征序列作为房颤信号分类模型的输入，输出心电信号的信号类型。可选地，该房颤信号分类模型还可以设置有特征提取层，终端设备将心电信号输入到房颤信号分类模型内，可以通过模型内的特征提取层将心电信号转换为特征序列，并将特征序列发送给与特征提取层串联的信号分类层，计算该特征序列与各个候选类别之间的匹配度，并基于所述匹配度作为该候选类别对应的概率值，并将所有概率值导入到全连接层，输出心电信号的信号类别。其中，上述心电信号的信号特征包括但不限于以下一种或多种的组合：最大心率值、最小心率值、第一心率时长(即超过第一心率阈值的时长)、第二心率时长(即小于第二心率阈值的时长)等。可选地，终端设备除了根据当前反馈的心电信号确定信号特征值外，还可以根据心电信号以及与该心电信号的采集时间相邻的关联信号，确定联合特征值，例如平均心率的变化率等，将上述单个信号确定的信号特征值以及上述的联合特征值构成上述的信号特征序列。
在S403中，根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率。
在本实施例中，终端设备在识别了心电信号的信号类别后，可以根据该目标用户的多个心电信号的信号类别，预测目标用户发生房颤事件的概率值，即上述的房颤发生概率。由于房颤时间触发之前，人体的生命体征有一定的征兆，即越靠近房颤事件的心电信号具有一定的共性，通过判定心电信号的信号类别，则可以确定该心电信号是否符合靠近房颤时间的心电信号的共性特征，从而根据心电信号的信号类别，可以确定该用户发生房颤事件的发生概率。而通过多个心电信号的信号类别，可以确定该目标用户的心电信号与发生房颤事件之前的心电信号存在共性的这一现象，是偶发性或是频发性，并根据判断结果能够更为准确地确定目标用户的房颤发生概率，实现对用户的房颤事件进行预测，无需用户在发生房颤事件时才对用户进行告警。
在一种可能的实现方式中，终端设备可以根据各个心电信号采集时间的先后次序，将各个心电信号的信号类别依次组合，生成信号类别序列。将信号类别序列导入到概率转换函数，计算出目标用户的房颤发生概率。
在一种可能的实现方式中，终端设备可以根据各个心电信号的信号类别，生成对应的概率值，将多个概率值进行加权叠加，计算出该目标用户的房颤发生概率。其中，每个心电信号的加权值根据与当前时间之间的差值确定，与当前时间的差值越小，则对应的加权权重越大；反之，若与当前时间的差值越大，则对应的加权权重越小。可选地，上述的计算房颤发生概率的算法具体可以为：
Figure BDA0002854173900000111
其中，Probability为上述房颤发生概率；SignalTypei为第i个心电信号的信号类型对应的概率值；CurrentTime为当前时间；CollectTimei为第i个心电信号的采集时间，N为上述获取的心电信号的总个数。
在本实施例中，终端设备可以通过内置的交互模块将房颤发生概率输出给用户。其中，输出的方式包括但不限于：通过通知方式进行输出、通过播报的方式进行输出，或者在预设的界面上添加用于实时反馈房颤发生概率的组件，通过调整组件内对应的参数值进行输出。
在一种可能的实现方式中，终端设备可以获取与房颤发生概率关联的解释语段以及房颤咨询，并将房颤发生概率、解释语段以及房颤咨询生成房颤报告。用户可以通过房颤报告获取更多与该房颤触发概率的相关的信息，提高了房颤发生概率的可读性，方便用户了解自己的身体状态。其中，终端设备可以根据当前用户的房颤发生概率，从云端数据库中为用户推送对应的房颤咨询，从而提高了推送信息与用户之间的匹配度，实现了精准推送信息的目的。
图5示出了本申请一实施例提供的房颤发生概率的输出示意图。参见图5所示，终端设备可以根据多个心电信号的信号类型，确定目标用户的房颤发生概率，在图中显示的数值为88，并在房颤发生概率的下配置有对应的解释语段，即“您在未来短时间内可能发生房颤”，并在解释语段下方添加有房颤资讯，用户可以通过点击房颤资讯对应的UI控件，阅读具体的资讯内容。
在一种可能的实现方式中，现有房颤技术可以通过检测用户体内与房颤相关的标志物含量，预测用户发生房颤事件的概率，例如可以通过检测用户的BNP含量或者FGF-23的含量，来判定用户的房颤事件发生概率。图6示出了本申请一实施例提供的房颤患者与正常患者的相关标志物的比对示意图。参见图6所示，房颤患者的FGF-23以及BNP的含量均高于正常用户，可以通过设置对应的含量阈值，以确定该用户是否为房颤患者，从而预测用户是否会触发房颤事件。而由于与房颤相关的标志物的含量高低，不但与房颤相关，还会与其他疾病相关，并不能通过标志物直接判定用户存在房颤行为，即上述方式的识别准确率较低。
在一种可能的实现方式中，现有房颤技术可以根据多个对发生房颤事件存在较大关系的风险因素配置对应的风险评分表，并为每个风险因素配置对应的贡献值，通过获取用户信息与各个风险因素进行比对，判断该用户包含的风险项，基于所有风险项对应的贡献值，计算该用户的总评分值，根据总评分值确定用户判定该用户是否为房颤患者，从而对用户的房颤事件进行预测。作为示例而非限定，表1示出了本申请一实施例提供的房颤风险评分表。该房颤风险评分表采用了CHADS评分方式以及CHA2DS2-VASc评分方式，并包含有以下风险因素：充血性心力衰竭/左心室功能障碍、高血压、年龄75岁或以上、糖尿病、脑卒中/TIA/血栓栓塞病史、血管性疾病、年龄65～74岁、性别(女性)共8个项目。每个项目有对应的贡献值。终端设备可以通过比对用户信息匹配的风险因素的项数以及对应的分值，确定该用户的评分值，从而预测用户发生房颤事件的概率。然而上述方式没有考虑个体的个性化差异，从而导致了评分准确性较低，而且通过风险因素可以确定，该评分方式主要针对老年人，无法覆盖所有人群，适用范围小。
CHADS CHA2DS2-VASc
充血性心力衰竭/左心室功能障碍 1 1
高血压 1 1
年龄75岁或以上 1 2
糖尿病 1 1
脑卒中/TIA/血栓栓塞病史 2 2
血管性疾病 / 1
年龄65～74岁 / 1
性别(女性) / 1
总分值 6 9
表1
与上述两种技术不同的是，本申请实施例可以通过在日常过程中采集用户的心电信号，并分别确定各个用户的心电信号的信号类别，并通过多个心电信号的信号类别计算用户的房颤发生概率，通过一段时间对用户的心电信号观察，能够对用户的房颤发生概率进行精准预测，提高了预测准确性，而且心电信号的采集适用于所有人群，从而扩大了适用范围。
以上可以看出，本申请实施例提供的一种心电信号的检测方法通过将采集得到的心电信号导入到预设的房颤信号分类模型，分别确定每一个心电信号的信号类别，并在获取了该用户在多个采集周期内的心电信号的信号类别，通过多个心电信号的信号类别，计算目标用户的房颤发生概率，并根据该房颤发生概率的数值大小，能够实现对房颤事件的预测，方便了用户确定自身的身体状况，提高了检测效果以及用户的使用体验。
图7示出了本申请第二实施例提供的一种心电信号的检测方法的具体实现流程图。参见图7，相对于图4所述实施例，本实施例提供的一种心电信号的检测方法中在所述将所述心电信号导入预设的房颤信号分类模型，获得所述房颤信号分类模型输出的心电信号的信号类别，其中，所述房颤信号分类模型是以房颤患者作为模型训练样本训练得到的之前，还包括：S701～S703，具体详述如下：
在S701中，获取由多个采集次序连续的历史信号组成的训练信号集；所述训练信号集至少包含一个房颤信号。
在本实施例中，终端设备在对心电信号进行识别之前，可以通过训练信号集对预设的原生训练模型进行训练，已得到可以用于进行心电信号的信号类别进行识别的房颤分类模型。基于此，终端设备需要可以获取多个训练信号集。其中，获取的方式可以为：若终端设备为用户使用的智能手机或平板电脑等智能设备，则智能设备可以通过与云端数据库建立通信连接，从云端数据库处下载多个训练信号集；若终端设备为服务器，服务器可以用于接收各个电子设备反馈的心电信号，并存储于本地的数据库内，在该情况下，服务器可以直接从本地数据库提取上述训练信号集。其中，每个训练信号集包含有多个历史信号，并且每个历史信号在信号集中的次序与其采集时间的先后次序相匹配。
在一种可能的实现方式中，上述训练信号集具体为房颤患者的心电信号构成的训练信号集。由于房颤信号分类模型具体用于判断心电信号的信号特征是否具有房颤事件发生的前兆特征，因此，在对房颤信号分类模型进行训练时，需要采集包含房颤事件发生之前的信号，从房颤事件发生之前的信号中确定上述的前兆特征，从而实现对房颤事件的预测。基于上述原因，终端设备在获取训练信号集时，需要采集包含房颤事件的信号，即房颤信号，而存在房颤信号的用户即为房颤患者。基于此，终端设备可以根据各个用户的房颤患者标识，选取出目标训练用户，并获取各个目标训练用户对应的信号集，作为上述的训练信号集。其中，每一个训练信号集内至少包含一个房颤信号。
在一种可能的实现方式中，若终端设备具体为一用户的智能终端，则S701具体可以为：终端设备可以获取目标用户的用户信息，该用户信息可以用于体现用户的生物特征，包括但不限于以下一种或多种的组合：用户年龄、用户性别、当前的健康状态、患病记录等。终端设备可以从云端数据库中识别与所述用户信息相匹配的训练对象，并获取上述训练对象的心电信号集作为训练信号集，从而能够实现为用户定制化与其相匹配的房颤信号分类模型，从而提高了后续训练的准确性。
在一种可能的实现方式中，若终端设备具体为一云端服务器，即用于响应各个目标用户上传的心电信号的信号类别，则S701具体可以为：终端设备可以根据预设的人群划分规则，将数据库内的已有用户划分为多个用户组，并为不同的用户组配置对应的房颤信号分类模型。基于此，在对房颤信号分类模型进行训练时，则采用与该模型关联的用户组内的训练信号集对其进行训练，从而实现了为不同特征人群配置不同的房颤信号分类模型的目的。在响应的过程中，终端设备会获取目标用户的用户信息，基于用户信息确定目标用户所属的用户组，并通过该用户组关联的房颤信号分类模型，识别目标用户的心电信号。
在S702中，从所述训练信号集中提取除所述房颤信号外的风险信号。
在本实施例中，终端设备可以对训练信号集中的各个历史信号进行房颤信号判定操作，并识别出发生房颤事件时对应的房颤信号，并标记出房颤信号，将除房颤信号外的其他非房颤的历史信号识别为风险信号。其中，终端设备可以配置有房颤特征参数，终端设备可以分别提取各个历史信号的信号特征值，并将各个历史信号的信号特征值与上述房颤特征参量进行匹配，基于匹配结果确定历史信号是否属于房颤信号。
作为示例而非限定，图8示出了本申请一实施例提供的训练信号集的示意图。参见图8所示，该训练信号集内包含有10个历史信号，每个历史信号通过一个矩形区域标识，即PPG柱。该PPG柱的高度可以根据采集时间内的平均心率值的大小确定，若在采集时间内的平均心率值较高，则该PPG的高度越高；反之，若该PPG柱越低，则表示在采集时间内该历史信号对应的平均心率值较低。由于房颤事件是在一定时间内心房跳动极为迅速，有时候高达每分钟200次以上，因此在心电信号的表征上即为平均心率较高。因此，可以通过PPG柱的高度识别出存在房颤事件的心电信号，即图中标记的房颤信号。终端设备在识别得到房颤信号后，则可以将除上述房颤信号外的历史历史信号识别为风险信号。
在S703中，通过所述训练信号集的所述风险信号，对预设的原生分类模型进行训练，得到所述房颤信号分类模型。
在本实施例中，终端设备可以通过获取得到的风险信号对原生分类模型进行训练，终端设备可以预先为各个风险信号标记相应的信号类别，根据标记信息以及风险信号构建得到一个训练样本。终端设备将多个风险信号导入到原生分类模型内，计算得到多个预测类别，并分别识别各个预测类别与其对应的风险信号预设的信号类别是否匹配，从而计算得到该原生分类模型对应的预测损失值，并原生分类模型是否收敛且预测损失值小于预设的损失阈值，若是，则识别该原生分类模型已调整完毕，并将调整后的原生分类模型识别为房颤信号分类模型；反之，若不收敛，则需要调整原生分类模型内的学习参量，以使上述的原生分类模型满足收敛且预测损失值小于预设的损失阈值这两个条件。
在一种可能的实现方式中，终端设备可以配置有多个不同类型的原生分类模型，并通过上述的风险信号同时对多个原生分类模型训练学习，并基于上述多个原生分类模型对应的收敛时间以及损失值，基于上述两个参量选取优选的原生分类模型，并根据该优选的原生分类模型构建房颤信号分类模型。
在一种可能的实现方式中，终端设备可以根据风险信号与其关联的房颤信号之间的采集时间差，确定该风险信号的训练权重，该采集时间的差值越小，则对应的训练权重越大。其中，与风险信号关联的房颤信号具体为采集时间在风险信号之后的所有房颤信号中，与该风险信号之间的采集时间差最小发生的房颤信号，即距离风险信号最近的房颤信号。继续参见图8所示，对于历史信号1和历史信号2而言，其关联的房颤信号为历史信号3，而对于历史信号4而言，由于历史信号3的采集时间先于历史信号4，即便该历史信号3与历史信号4之间的采集时间差最小，但并不认为其为关联房颤信号，即历史信号4关联的房颤信号为历史信号9。根据各个风险信号的训练权重对原生分类模型进行训练学习，能够提高与房颤事件发生时间较近的风险信号对原生分类模型的训练贡献。由于采集时间越近，则包含的房颤事件的前兆特征越多，预测越准确，反之，若采集时间越远，则包含的前兆特征越小。
在本申请实施例中，通过获取训练信号集并对训练信号集内的历史信号进行筛选，提取出风险信号，对原生分类模型进行训练学习，得到房颤信号分类模型，能够实现对房颤事件进行预测，提高了预测准确性。
图9示出了本申请第三实施例提供的一种心电信号的检测方法S703的具体实现流程图。参见图9，相对于图7所述实施例，本实施例提供的一种心电信号的检测方法中S703包括：S901～S903，具体详述如下：
进一步地，所述通过所述训练信号集的所述风险信号，对预设的原生分类模型进行训练，得到所述房颤信号分类模型，包括：
在S901中，根据所述风险信号的采集时间与关联的房颤信号的触发时间之间的时间差值，确定每个所述风险信号对应的信号类别。
在本实施例中，终端设备可以识别各个风险信号对应的采集时间，并根据采集时间从训练信号集中选取出风险信号关联的房颤信号，其中，关联的房颤信号具体可以为：采集时间在风险信号之后的所有房颤信号中，与该风险信号之间的采集时间差最小发生的房颤信号，即距离风险信号最近的房颤信号。终端设备可以为不同的信号类别配置对应的相距时间范围，根据风险信号的采集时间与关联的房颤信号的触发时间之间的时间差值所落入的相距时间范围，识别该风险信号对应的信号类别。
作为示例而非限定，终端设备可以将信号类别划分为两个类型，分别为0型信号以及1型信号。其中，0型信号为与关联房颤信号之间采集的时间差在预设的时间阈值范围内，而1型信号为关联房颤信号之间采集的时间差在预设的时间阈值范围外。该时间阈值可以为2小时。例如，某一风险信号的采集时间为15点，而关联的房颤信号的采集时间为16点，上述两个信号的采集时间差为1小时，则可以确定上述风险信号的信号类型为0型；而另一风险信号的采集时间为10点，关联的房颤信号的采集时间为16点，则上述两个采集时间的时间差为6小时，则可以确定上述风险信号的信号类型为1型。图10示出了本申请一实施例提供的信号类别的标记示意图。参见图10所示，每个历史信号的采集周期为1小时，即两个相邻的房颤信号之间的时间差为1小时。其中，时间阈值为2小时，则可以确定历史信号1以及历史信号2与关联的房颤信号(即历史信号3)之间的时间差均在2小时内，则上述两个风险信号均为0型信号；而历史信号4、历史信号5以及历史信号6与关联的房颤信号(即历史信号9)之间的时间差均大于2小时，则上述三个风险信号均为1型，以此类推，确定各个风险信号的信号类型。
当然，终端设备除了可以将房颤类型分为2个类型外，还可以划分为N个类型，并为不同的信号类型配置对应的时间阈值，例如，第一类型的信号与关联的房颤信号之间的采集时间差在t0～t1之间；而第二类型的信号与关联的房颤信号之间的采集时间差在t1～t2之间，…，第N类型的信号与关联的房颤信号之间的采集时间差在tN-1～tN之间。在该情况下，终端设备在生成了通过上述方式训练后的房颤信号分类模型后，在将实际采集到的心电信号导入到上述模型内，判定风险信号的信号类别后，可以终端设备除了确定房颤事件的发生概率外，还可以根据心电信号的信号类别，确定距离下一次发生房颤事件之间的预测时间。由于上述的信号类别与房颤信号的发生事件之间的时间差是一一对应的，因此可以即每个信号类别与对应一个预测时间。终端设备可以根据心电信号的信号类型，查询与之关联的预测时间，并根据预测时间对用户进行提示。
在S902中，计算所述风险信号在各个预设的信号特征维度的特征值，得到所述风险信号的信号特征参量。
在本实施例中，终端设备可以配置有多个信号特征维度，不同的信号特征维度用于表示心电信号的不同信号特征。终端设备可以对风险信号进行解析，确定该风险信号在各个信号特征维度上的特征值，并根据各个信号特征维度的在参量模板中对应的位置，将各个特征值导入到参量模板内，生成该风险信号的信号特征参量。其中，该信号特征维度包括但不限于以下一种或多种的组合：平均心率、心率最大值、心率最小值、超出第一心率阈值的持续时长、低于第二心率阈值的持续时长等。
在S903中，根据所述信号特征参量以及所述信号类别，对所述原生分类模型进行训练，得到所述房颤信号分类模型。
在本实施例中，终端设备在建立了各个风险信号的信号特征参量以及信号类别后，生成一个训练样本，通过多个训练样本对原生分类模型进行训练，调整原生分类模型内的参量，直到结果收敛，并将调整好的原生分类模型识别为房颤信号分类模型。
在本申请实施例中，根据风险信号与关联的房颤信号的之间的时间差进行风险类型的标记，从而能够提取出存在房颤事件的前兆特征的风险信号，从而能够根据识别得到的心电信号的信号类型对房颤事件进行预测，提高了检测效果。
图11示出了本申请第四实施例提供的一种心电信号的检测方法S701的具体实现流程图。参见图11，相对于图7所述实施例，本实施例提供的一种心电信号的检测方法中S701包括：S1101～S1104，具体详述如下：
进一步地，所述获取由多个采集次序连续的心电信号组成的训练信号集，包括：
在S1101中，获取采集所述历史信号时所述训练用户的运动参量。
在本实施例中，终端设备在将训练信号集内的历史信号导入到原生分类模型进行训练之前，可以对训练信号集内的历史信号进行筛选，过滤掉采集质量较差的历史信号，从而能够提高后续训练的准确性。基于此，可穿戴设备在获取用户的心电信号时，除了反馈心电波形外，还可以将关联的运动参量添加到心电信号内，并将上述两个数据反馈给终端设备。终端设备可以根据各个历史信号关联的运动参量，确定采集该训练用户的历史信号时，该训练用户的运动状态。由于用户在进行剧烈运动时，心率值会升高，而该升高并非由于房颤事件引起的，是处于正常运动反应，并且运动过程中，可穿戴设备与用户皮肤之间接触不紧密，会出现例如晃动的现象，从而影响心电信号的采集质量，基于此，终端设备可以根据上述的运动参量，确定该历史信号的有效性。
其中，该运动参量可以通过可穿戴设备内的加速度传感器以及陀螺仪等运动感应模块获取得到，终端设备可以通过上述运动感应模块反馈的感应值，确定历史用户的运动状态。
在S1102中，确定所述历史信号的抖动时长。
在本实施例中，终端设备可以对历史信号的信号波形进行解析，确定存在抖动的波形段，并基于上述波形段的持续时长，作为历史信号的抖动时长。其中，抖动的波形段可以为采集过程中中断区域的波形段，可以为波形变化频率高于正常值所对应的波形段。
在S1103中，根据所述抖动时长以及所述运动参量，判断所述历史信号是否为有效信号。
在本实施例中，终端设备可以通过上述两个参量计算历史信号的信号质量，并将计算得到的信号质量与预设的质量阈值进行比对，判断该历史信号是否为有效信号。其中，若信号质量大于或等于质量阈值，则识别该历史信号为有效信号；反之，若该信号质量小于质量阈值，则识别该历史信号为无效信号。
在一种可能的实现方式中，计算信号质量的方式可以为：根据抖动时长与历史信号的信号时长之间的比值，确定第一质量因子，其中，抖动时长越长，该第一质量因子的数值越小；根据运动参量与静态运动参量之间的比值，确定第二质量因子，其中，运动参量的数值越大，则表示用户的运动幅度越大，对应的第二质量因子的数值越小。对上述两个质量因子进行加权求和，计算得到该历史信号的信号质量。
在S1104中，根据各个所述有效信号的采集时间的先后次序，对所有所述有效信息进行封装，得到所述训练信号集。
在本实施例中，终端设备根据各个有效信号的采集时间的先后次序，确定各个有效信号在训练信号集内的信号次序，从而将多个有效信号进行封装，过滤无效信号，并构成上述训练信号集，提高后续训练过程的准确性。
在本申请实施例中，通过对历史信号进行筛选，筛选出无效的信号，从而能够提高后续训练操作的准确性。
图12示出了本申请第五实施例提供的一种心电信号的检测方法S402的具体实现流程图。参见图12，相对于图4、图7、图9以及图11任一所述实施例，本实施例提供的一种心电信号的检测方法中S402包括：S1201～S1203，具体详述如下：
进一步地，所述将所述心电信号导入预设的房颤信号分类模型，获得所述房颤信号分类模型输出的心电信号的信号类别，其中，所述房颤信号分类模型是以房颤患者作为模型训练样本训练得到的，包括：
在S1201中，根据所述心电信号，确定所述目标用户的生命体征参数。
在本实施例中，终端设备在使用房颤信号分类模型对目标用户的心电信号进行分类之前，可以根据用户的生命体征对房颤信号分类模型进行调整，即为模型预热阶段，从而使得后续的信号类别的识别过程更为准确。
在本实施例中，终端设备可以通过用户输入的方式或者可穿戴设备反馈等方式获取目标用户的生命体征参数。举例性地，该生命特征参数可以为目标用户的静态心率，例如用户在长时间不移动的状态下(包括静坐以及睡眠过程)对应的心率值，以及移动过程中的心率值。通过获取在不同状态下的心率值，可以确定目标用户的心率变化幅度以及心率的基准值，将上述数值作为目标用户的生命体征参数。
在S1202中，基于所述生命体征参数调整所述房颤信号分类模型的分类阈值。
在本实施例中，终端设备可以通过采集得到的目标用户生命体征参数对房颤信号分类模型内的分类阈值进行调整，从而能够使得分类过程与目标用户的身体状态相匹配，实现了个性化定制分类模型的目的。举例性地，终端设备可以根据生命体征参数中静态心率与动态心率之间的差值，确定目标用户的心率浮动幅值，并基于该心率浮动幅值调整房颤触发阈值，从而能够准确判定用户当前的心率值是否接近上述的房颤触发阈值，以判定心电信号对应的房颤发生概率。
在S1203中，通过调整后的所述房颤信号分类模型，识别所述心电信号的信号类别。
在本实施例中，终端设备在通过目标用户的生命体征参数对房颤信号分类模型的分类阈值进行调整后，可以对目标用户的心电信号进行信号类别的识别操作。具体的识别操作可以参见前述实施例的相关描述，在此不再赘述。
在本申请实施例中，通过获取目标用户的生命体征参数，并基于生命体征参数对房颤信号分类模型进行调整，从而使得房颤信号分类模型与目标用户相匹配，提高了房颤信号的识别准确性。
图13示出了本申请第六实施例提供的一种心电信号的检测方法S403的具体实现流程图。参见图13，相对于图4、图7、图9以及图11任一所述实施例，本实施例提供的一种心电信号的检测方法S403包括：S4031～S4032，具体详述如下：
进一步地，所述根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率，包括：
在S4031中，统计所述目标用户在预设的时间段内存在所述信号类别为风险类别的所述心电信号的信号个数。
在本实施例中，终端设备预设的信号类别中至少包含有两种分类，分别为风险类别以及非风险类别。其中，风险类别的心电信号的信号特征包含较多房颤事件发生前的预兆特征，在该情况下，房颤信号分类模型可以识别上述类型的心电信号为风险类别的心电信号；反之，若心电信号的信号特征并不存在或匹配有较少房颤事件发生前的前兆特征，在该情况下，房颤信号分类模型可以识别上述类型的心电信号为非风险类别的心电信号。当然，根据房颤分类模型的可识别类型个数的不同，风险类别下可以级联有多个子类别，例如第一级风险类别、第二级风险类别等；而非风险类别下也可以级联有多个子类别，具体级联的类别数根据具体的房颤信号分类模型所决定，在此不做限定。
作为示例而非限定，如上述实施例中举例的，终端设备在训练的过程中，可以根据风险信号距离关联的房颤信号之间的时间差划分为N个信号类别。其中，第一信号类别与房颤事件的触发时间距离最近，可以将第一信号类别识别为风险类别；而第二信号类别至第N信号类别与房颤事件的触发时间距离较远，可以将第二信号类别至第N信号类别识别为非风险类别。
在本实施例中，终端设备可以获取预设时间段内所有采集得到的心电信号的信号类别，并统计风险类别为心电信号的信号个数，作为示例而非限定，该预设时间段可以为1天或一周。终端设备在接收到新的心电信号后，统计与该心电信号之间采集时间差在预设时间段内所有心电信号中，信号类别为风险类别的心电信号的个数，即上述的信号个数。例如，某一心电信号的采集时间为12月13日18点，预设时间段为1天，则获取12月12日18时至12月13日18时之间所有采集到的心电信号，并统计获取得到的心电信号中信号类别为风险类别的心电信号的信号个数。
在S4032中，根据所述信号个数计算所述房颤发生概率。
在本实施例中，终端设备根据上述风险类别的心电信号的信号个数，终端设备可以设置有房颤发生概率转换函数，终端设备将上述的信号个数导入转换函数内，计算出采集心电信号时刻目标用户对应的房颤发生概率。
在一种可能的实现方式中，终端设备可以根据上述的信号个数以及预设的时间段，计算目标用户的风险信号的出现频率，并基于上述出现频率确定上述的房颤发生概率。
在一种可能的实现方式中，终端设备可以将上述时间段划分为多个子时间段，并分别统计各个子时间段内对应的风险信号的出现频率，从而生成上述时间段对应的风险信号的出现频率变化曲线，基于上述出现变化曲线确定房颤发生概率。
在本申请实施例中，通过统计在预设时间段内存在风险类别的心电信号的信号个数，并基于信号个数确定房颤发生概率，能够根据心电信号的信号类别，对房颤事件进行预测，提高了检测效果。
图14示出了本申请第七实施例提供的一种心电信号的检测方法的具体实现流程图。参见图14，相对于图4、图7、图9以及图11任一所述实施例，本实施例提供的一种心电信号的检测方法在所述根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率之后，还包括：S1401～S1403，具体详述如下：
进一步地，若所述房颤发生概率大于预设的概率阈值，在所述根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率之后，还包括：
在S1401中，确定所述目标用户预设的关联用户，并向所述关联用户的终端发送告警信息。
在本实施例中，若检测到目标用户的房颤发生概率大于预设的概率阈值，则表示目标用户近期很大可能会出现房颤事件，此时需要对目标用户进行预警。其中，预警的方式可以通过弹框、信息提示、语音播报、输出提示音等方式通知用户。除了上述方式外，还可以通过S1401至S1403的方式通知用户。
在本实施例中，目标用户可以预设有关联用户以及关联用户的通信地址。终端设备根据目标用户预先配置的关联用户的通信地址，向关联用户的终端发送告警信息，该告警信息可以包含有上述房颤发生概率以及与该房颤发生概率对应的解释语段。
在一种可能的实现方式中，终端设备可以在显示界面上标记出关联用户的快捷通话按钮。目标用户可以通过电机该快捷通话按钮直接向关联用户的终端发起通话请求。在该情况下，该关联用户可以为目标用户的监护人、亲人或相关医院的联系电话。示例性地，图15示出了本申请一实施例提供的告警信息的输出示意图。参见图15所示，目标用户的房颤发生概率为88％，而预设的概率阈值为80％，此时终端设备会向关联用户的终端发送告警信息，该告警信息内容可以为“用户A当前房颤发生概率为88％，请密切关注用户A的身体情况。”并且可以在预设的显示界面上设置有联系关联用户的快捷通话按钮，方便用户快速通知关联用户。
在S1402中，根据所述目标用户当前的位置信息，获取与所述位置信息距离最近的医院地址。
在本实施例中，终端设备在检测到目标用户的房颤发生概率大于预设的概率阈值时，可以为目标用户提供就诊咨询，减少用户的操作，提高咨询获取效率。在该情况下，终端设备可以获取目标用户当前的位置信息，若终端设备为用户使用的智能设备，则可以通过内置的定位模块，获取定位信号，并基于定位信号确定目标用户的位置信息；若终端设备为服务器，则可以向目标用户的用户终端发送位置获取请求，用户终端你可以通过内置的定位模块，获取位置信并反馈给服务器。
在本实施例中，终端设备可以在预设的地图界面上标记出目标用户的位置信息。在一种可能的实现方式中，终端设备可以通过程序调用接口API访问第三方服务器，通过第三方服务器提供的地图应用程序在预设的地图界面上标记出上述的位置信息，并以位置信息为基准，查找与用户位置最近的一个医院，从而确定过上述的医院地址。
在S1403中，根据所述位置信息以及所述医院地址，生成就诊路径。
在本实施例中，终端设备在获取了目标用户当前的位置信息以及医院地址后，可以生成一条以位置信息为起点，医院地址为终端的就诊路径。其中，终端设备可以调用第三方地图应用，将上述两个位置导入到第三方地图应用，通过第三方地图应用的路径生成算法，输出上述的就诊路径。
示例性地，图16示出了本申请一实施例提供的就诊路径的输出示意图。参见图16所示，终端设备可以在显示界面上添加有“查询医院路径”的提示按钮。终端设备可以通过点击该提示按钮跳转到对应的就诊路径显示页面，在用户执行点击操作时，终端设备可以获取用户当前的位置信息，并根据位置信息确定医院地址，并生成对应的就诊路径。
在本申请实施例中，在目标用户的房颤发生概率大于概率阈值时，向关联用户发送告警信息以及提供就诊路径，减少目标用户所需执行的操作，提高了操作效率，实现了告警信息自动发布的目的。
图17示出了本申请第八实施例提供的一种心电信号的检测方法的具体实现流程图。参见图17，相对于图4、图7、图9以及图11任一所述实施例，本实施例提供的一种心电信号的检测方法还包括：S1701～S1703，具体详述如下：
进一步地，在所述分别识别各个所述房颤聚类组对应的房颤类型之后，还包括：
在S1701中，若接收到新增心电信号，则通过所述房颤信号分类模型识别所述新增心电信号的新增信号类别。
在本实施例中，可穿戴设备在用户使用的过程可以以预设的反馈周期将采集到的新增心电信号发送给终端设备，终端设备在每次接收到的新增心电信号时，均可通过上述训练好的房颤信号分类模型确定对应的新增信号类别。其中，确定新增信号类别的方式如上实施例所述，实现过程完全相同，在此不再赘述。
在S1702中，基于所述新增信号类别，重新计算所述目标用户的所述房颤发生概率。
在本实施例中，终端设备可以根据上一次识别的房颤发生概率以及新采集得到的新增心电信号的新增信号类别，重新计算该目标用户的房颤发生概率，计算上述的房颤更新概率。具体计算的方式可以为：终端设备根据上一次计算得到的房颤发生概率所对应的所有心电信号的信号类别，以及本次采集得到的新增心电信号的新增信号类别，通过预设的房颤发生概率转换算法，重新确定目标用户的房颤发生概率，得到上述的房颤更新概率。
在S1703中，根据已识别的所有所述房颤发生概率，生成房颤概率曲线。
在本实施例中，终端设备在每一次计算得到目标用户的房颤发生概率后可以对其进行记录，从而得到每一次判定的历史概率以及当前计算得到的房颤更细概率，可以生成房颤概率曲线，从而能够方便目标用户确定房颤发生概率的趋势变化。示例性地，图18示出了本申请一实施例提供的房颤概率曲线的输出示意图。参见图18所示，终端设备在每一次计算得到用户的房颤发生概率后，可以输出对应的显示界面，用户可以在显示界面确定当前的房颤发生概率。由于目标用户的可穿戴设备采集完成一个新的心电信号后，可以将心电信号发送给终端设备，终端设备可以对新增心电信号进行信号类别的识别，并根据识别后的新增信号类别重新计算目标用户的房颤发生概率。当用户点击“查看概率走势”的按钮时，则跳转到对应的显示页面，输出目标用户的房颤概率曲线，确定在各个更新时刻对应的房颤发生概率。
在本申请实施例中，在每次接收到目标用户的心电信号后，均重新计算目标用户的房颤发生概率，能够提高告警操作的实时性，并输出对应的房颤概率曲线，方便用户确定概率走势，便于用户了解自身的身体状况。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的心电信号的检测方法，图19示出了本申请实施例提供的心电信号的检测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图19，该心电信号的检测装置包括：
心电信号获取单元191，用于获取目标用户的心电信号；
信号类别识别单元192，用于将所述心电信号导入预设的房颤信号分类模型，获得所述房颤信号分类模型输出的心电信号的信号类别，其中，所述房颤信号分类模型是以房颤患者作为模型训练样本训练得到的；
房颤发送概率计算单元193，用于根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率。
可选地，所述心电信号的检测装置还包括：
训练信号集获取单元，用于获取由多个采集次序连续的历史信号组成的训练信号集；所述训练信号集至少包含一个房颤信号；
风险信号提取单元，用于从所述训练信号集中提取除所述房颤信号外的风险信号；
房颤信号分类模型训练单元，用于通过所述训练信号集的所述风险信号，对预设的原生分类模型进行训练，得到所述房颤信号分类模型。
可选地，所述房颤信号分类模型训练单元包括：
信号类别标记单元用于根据所述风险信号的采集时间与关联的房颤信号的触发时间之间的时间差值，确定每个所述风险信号对应的信号类别；
信号特征参量生成单元，用于计算所述风险信号在各个预设的信号特征维度的特征值，得到所述风险信号的信号特征参量；
样本训练单元，用于根据所述信号特征参量以及所述信号类别，对所述原生分类模型进行训练，得到所述房颤信号分类模型。
可选地，所述训练信号集获取单元包括：
运动参量获取单元，用于获取采集所述历史信号时所述训练用户的运动参量；
抖动时长确定单元，用于确定所述历史信号的抖动时长；
有效信号识别单元，用于根据所述抖动时长以及所述运动参量，判断所述历史信号是否为有效信号；
有效信号筛选单元，用于根据各个所述有效信号的采集时间的先后次序，对所有所述有效信息进行封装，得到所述训练信号集。
可选地，所述信号类别识别单元192包括：
生命体征参数获取单元，用于根据所述心电信号，确定所述目标用户的生命体征参数；
分类阈值调整单元，用于基于所述生命体征参数调整所述房颤信号分类模型的分类阈值；
房颤信号分类模型调用单元，用于通过调整后的所述房颤信号分类模型，识别所述心电信号的信号类别。
可选地，所述房颤发送概率计算单元193包括：
信号个数统计单元，用于统计所述目标用户在预设的时间段内存在所述信号类别为风险类别的所述心电信号的信号个数；
信号个数转换单元，用于根据所述信号个数计算所述房颤发生概率。
可选地，所述心电信号的检测装置还包括：
告警信息发送单元，用于确定所述目标用户预设的关联用户，并向所述关联用户的终端发送告警信息；和/或
位置信息获取单元，用于根据所述目标用户当前的位置信息，获取与所述位置信息距离最近的医院地址；
就诊路径生成单元，用于根据所述位置信息以及所述医院地址，生成就诊路径。
可选地，所述心电信号的检测装置还包括：
新增信号类别确定单元，用于若接收到新增心电信号，则通过所述房颤信号分类模型识别所述新增心电信号的新增信号类别；
房颤发生概率更新单元，用于基于所述新增信号类别，重新计算所述目标用户的所述房颤发生概率；
房颤概率曲线生成单元，用于根据已识别的所有所述房颤发生概率，生成房颤概率曲线。
因此，本申请实施例提供的心电信号的检测装置同样可以通过将采集得到的心电信号导入到预设的房颤信号分类模型，分别确定每一个心电信号的信号类别，并在获取了该用户在多个采集周期内的心电信号的信号类别，通过多个心电信号的信号类别，计算目标用户的房颤发生概率，并根据该房颤发生概率的数值大小，能够实现对房颤事件的预测，方便了用户确定自身的身体状况，提高了检测效果以及用户的使用体验。
图20为本申请一实施例提供的终端设备的结构示意图。如图20所示，该实施例的终端设备20包括：至少一个处理器200(图20中仅示出一个)处理器、存储器201以及存储在所述存储器201中并可在所述至少一个处理器200上运行的计算机程序202，所述处理器200执行所述计算机程序202时实现上述任意各个心电信号的检测方法实施例中的步骤。
所述终端设备20可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器200、存储器201。本领域技术人员可以理解，图20仅仅是终端设备20的举例，并不构成对终端设备20的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器200可以是中央处理单元(Central Processing Unit，CPU)，该处理器200还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器201在一些实施例中可以是所述终端设备20的内部存储单元，例如终端设备20的硬盘或内存。所述存储器201在另一些实施例中也可以是所述**装置/终端设备20的外部存储设备，例如所述终端设备20上配备的插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器201还可以既包括所述终端设备20的内部存储单元也包括外部存储设备。所述存储器201用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器201还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (14)

1.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器用于：
获取目标用户的心电信号；
将所述心电信号导入预设的房颤信号分类模型，获得所述房颤信号分类模型输出的心电信号的信号类别，其中，所述房颤信号分类模型是以房颤患者作为模型训练样本训练得到的；
根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率之后，还包括：若接收到新增心电信号，则通过所述房颤信号分类模型识别所述新增心电信号的新增信号类别；
基于所述新增信号类别，重新计算所述目标用户的所述房颤发生概率；
根据已识别的所有所述房颤发生概率，生成房颤概率曲线。
2.根据权利要求1所述的终端设备，其特征在于，所述处理器还用于：
获取由多个采集次序连续的历史信号组成的训练信号集；所述训练信号集至少包含一个房颤信号；
从所述训练信号集中提取除所述房颤信号外的风险信号；
通过所述训练信号集的所述风险信号，对预设的原生分类模型进行训练，得到所述房颤信号分类模型。
3.根据权利要求2所述的终端设备，其特征在于，所述处理器具体用于：
根据所述风险信号的采集时间与关联的房颤信号的触发时间之间的时间差值，确定每个所述风险信号对应的信号类别；
计算所述风险信号在各个预设的信号特征维度的特征值，得到所述风险信号的信号特征参量；
根据所述信号特征参量以及所述信号类别，对所述原生分类模型进行训练，得到所述房颤信号分类模型。
4.根据权利要求2所述的终端设备，其特征在于，所述处理器具体用于：
获取采集所述历史信号时训练用户的运动参量；
确定所述历史信号的抖动时长；
根据所述抖动时长以及所述运动参量，判断所述历史信号是否为有效信号；
根据各个所述有效信号的采集时间的先后次序，对所有所述有效信号进行封装，得到所述训练信号集。
5.根据权利要求1-4任一项所述的终端设备，其特征在于，所述处理器具体用于：
根据所述心电信号，确定所述目标用户的生命体征参数；
基于所述生命体征参数调整所述房颤信号分类模型的分类阈值；
通过调整后的所述房颤信号分类模型，识别所述心电信号的信号类别。
6.根据权利要求1-4任一项所述的终端设备，其特征在于，所述处理器具体用于：
统计所述目标用户在预设的时间段内存在所述信号类别为风险类别的所述心电信号的信号个数；
根据所述信号个数计算所述房颤发生概率。
7.根据权利要求1-4任一项所述的终端设备，其特征在于，若所述房颤发生概率大于预设的概率阈值，在所述根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率之后，所述处理器还用于：
确定所述目标用户预设的关联用户，并向所述关联用户的终端发送告警信息；和/或
根据所述目标用户当前的位置信息，获取与所述位置信息距离最近的医院地址；
根据所述位置信息以及所述医院地址，生成就诊路径。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如下方法：
获取目标用户的心电信号；
将所述心电信号导入预设的房颤信号分类模型，获得所述房颤信号分类模型输出的心电信号的信号类别，其中，所述房颤信号分类模型是以房颤患者的心电信号作为模型训练样本训练得到的；
根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率；
若接收到新增心电信号，则通过所述房颤信号分类模型识别所述新增心电信号的新增信号类别；
基于所述新增信号类别，重新计算所述目标用户的所述房颤发生概率；
根据已识别的所有所述房颤发生概率，生成房颤概率曲线。
9.根据权利要求8所述的计算机可读存储介质，其特征在于，在所述计算机程序被处理器执行实现所述将所述心电信号导入预设的房颤信号分类模型，获得所述房颤信号分类模型输出的心电信号的信号类别之前，还实现如下的方法：
获取由多个采集次序连续的历史信号组成的训练信号集；所述训练信号集至少包含一个房颤信号；
从所述训练信号集中提取除所述房颤信号外的风险信号；
通过所述训练信号集的所述风险信号，对预设的原生分类模型进行训练，得到所述房颤信号分类模型。
10.根据权利要求9所述的计算机可读存储介质，其特征在于，所述计算机程序在被处理器执行实现所述通过所述训练信号集的所述风险信号，对预设的原生分类模型进行训练，得到所述房颤信号分类模型时，具体实现如下的方法：
根据所述风险信号的采集时间与关联的房颤信号的触发时间之间的时间差值，确定每个所述风险信号对应的信号类别；
计算所述风险信号在各个预设的信号特征维度的特征值，得到所述风险信号的信号特征参量；
根据所述信号特征参量以及所述信号类别，对所述原生分类模型进行训练，得到所述房颤信号分类模型。
11.根据权利要求9所述的计算机可读存储介质，其特征在于，所述计算机程序在被处理器执行实现所述获取由多个采集次序连续的心电信号组成的训练信号集，具体实现如下的方法：
获取采集所述历史信号时训练用户的运动参量；
确定所述历史信号的抖动时长；
根据所述抖动时长以及所述运动参量，判断所述历史信号是否为有效信号；
根据各个所述有效信号的采集时间的先后次序，对所有所述有效信号进行封装，得到所述训练信号集。
12.根据权利要求8-11任一项所述的计算机可读存储介质，其特征在于，所述计算机程序在被处理器执行实现所述将所述心电信号导入预设的房颤信号分类模型，获得所述房颤信号分类模型输出的心电信号的信号类别时，具体实现如下的方法：
根据所述心电信号，确定所述目标用户的生命体征参数；
基于所述生命体征参数调整所述房颤信号分类模型的分类阈值；
通过调整后的所述房颤信号分类模型，识别所述心电信号的信号类别。
13.根据权利要求8-11任一项所述的计算机可读存储介质，其特征在于，所述计算机程序在被处理器执行时实现所述根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率时，具体实现如下的方法：
统计所述目标用户在预设的时间段内存在所述信号类别为风险类别的所述心电信号的信号个数；
根据所述信号个数计算所述房颤发生概率。
14.根据权利要求8-11任一项所述的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时，在实现若所述房颤发生概率大于预设的概率阈值，在所述根据所述心电信号的信号类别，确定所述目标用户的房颤发生概率之后，还实现如下方法：
确定所述目标用户预设的关联用户，并向所述关联用户的终端发送告警信息；和/或
根据所述目标用户当前的位置信息，获取与所述位置信息距离最近的医院地址；
根据所述位置信息以及所述医院地址，生成就诊路径。
CN202011539571.4A 2019-12-18 2019-12-18 一种心电信号的检测方法、装置、终端以及存储介质 Active CN112603327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011539571.4A CN112603327B (zh) 2019-12-18 2019-12-18 一种心电信号的检测方法、装置、终端以及存储介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011539571.4A CN112603327B (zh) 2019-12-18 2019-12-18 一种心电信号的检测方法、装置、终端以及存储介质
CN201911307688.7A CN112971790A (zh) 2019-12-18 2019-12-18 一种心电信号的检测方法、装置、终端以及存储介质

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201911307688.7A Division CN112971790A (zh) 2019-12-18 2019-12-18 一种心电信号的检测方法、装置、终端以及存储介质

Publications (2)

Publication Number Publication Date
CN112603327A CN112603327A (zh) 2021-04-06
CN112603327B true CN112603327B (zh) 2022-03-11

Family

ID=75264815

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201911307688.7A Pending CN112971790A (zh) 2019-12-18 2019-12-18 一种心电信号的检测方法、装置、终端以及存储介质
CN202011539571.4A Active CN112603327B (zh) 2019-12-18 2019-12-18 一种心电信号的检测方法、装置、终端以及存储介质

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN201911307688.7A Pending CN112971790A (zh) 2019-12-18 2019-12-18 一种心电信号的检测方法、装置、终端以及存储介质

Country Status (4)

Country Link
US (1) US20230036193A1 (zh)
EP (1) EP4062824A4 (zh)
CN (2) CN112971790A (zh)
WO (1) WO2021121226A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114386479B (zh) * 2021-12-09 2023-02-03 首都医科大学附属北京友谊医院 医学数据处理方法、装置、存储介质及电子设备
WO2022179645A2 (zh) * 2022-06-13 2022-09-01 合肥心之声健康科技有限公司 心电图分析方法、装置、电子设备和存储介质
CN117717351A (zh) * 2024-02-08 2024-03-19 南京鼓楼医院集团宿迁医院有限公司 一种基于蓝牙传输的心电图机快速辅助匹配方法和系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107391900A (zh) * 2017-05-05 2017-11-24 陈昕 房颤检测方法、分类模型训练方法及终端设备
CN107550486A (zh) * 2017-09-11 2018-01-09 南京大学 一种利用去除qrs波形后的体表心电预测房颤发生的方法
CN108186011A (zh) * 2017-12-13 2018-06-22 深圳竹信科技有限公司 房颤检测方法、装置及可读存储介质
CN108601544A (zh) * 2016-07-29 2018-09-28 华为技术有限公司 用于心电测量的装置和方法
CN109288515A (zh) * 2018-11-14 2019-02-01 东南大学 基于穿戴式心电信号中早搏信号的周期性监测方法及装置
CN109480819A (zh) * 2017-09-11 2019-03-19 南京大学 一种利用多路体表心电预测房颤发生的方法
CN109745041A (zh) * 2017-11-03 2019-05-14 三星电子株式会社 事件检测方法及设备、房颤检测方法和非暂时性存储介质
TW201924601A (zh) * 2017-12-06 2019-07-01 高雄醫學大學 心房顫動信號型態擷取及輔助診斷智能裝置
CN110226928A (zh) * 2018-03-06 2019-09-13 深圳市理邦精密仪器股份有限公司 房颤伴室早和房颤伴差传的识别方法和装置
US10463314B1 (en) * 2018-07-19 2019-11-05 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for predicting and detecting a cardiac event
CN110491506A (zh) * 2019-05-16 2019-11-22 中国医药大学附设医院 心房颤动预测模型及其预测系统
CN110575161A (zh) * 2019-08-27 2019-12-17 复旦大学 基于心脏标测激动序列图的房颤分析预测方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8155735B2 (en) * 2006-09-19 2012-04-10 The Cleveland Clinic Foundation Prediction and prevention of postoperative atrial fibrillation in cardiac surgery patients
US8676303B2 (en) * 2008-05-13 2014-03-18 The Regents Of The University Of California Methods and systems for treating heart instability
US9775533B2 (en) * 2013-03-08 2017-10-03 Singapore Health Services Pte Ltd System and method of determining a risk score for triage
EP3079571A4 (en) * 2013-12-12 2017-08-02 Alivecor, Inc. Methods and systems for arrhythmia tracking and scoring
CN103919544A (zh) * 2014-04-30 2014-07-16 苏州博思长健电子科技有限公司 基于穿戴式心电监测设备的冠心病和心肌梗死概率性预警系统
US20160106330A1 (en) * 2014-10-17 2016-04-21 ECM Foresights, LLC Cardiac monitoring device and method
WO2018119316A1 (en) * 2016-12-21 2018-06-28 Emory University Methods and systems for determining abnormal cardiac activity
EP3565463B1 (en) * 2017-01-09 2021-02-24 Cardiac Pacemakers, Inc. Atrial fibrillation discrimination using heart rate clustering
US11179046B2 (en) * 2017-02-03 2021-11-23 Koninklijke Philips N.V. Method and system for detection of atrial fibrillation
JP6946448B2 (ja) * 2017-03-07 2021-10-06 カーディアック ペースメイカーズ， インコーポレイテッド 不整脈検出回路を備える装置および携帯型医療デバイスの作動方法
AU2017203433A1 (en) * 2017-05-22 2018-12-06 Neuroanalytics Pty Ltd System and method for identification of neuro-cardiological disturbances
US10702213B2 (en) * 2017-09-05 2020-07-07 Medtronics, Inc. Differentiation of heart failure risk scores for heart failure monitoring
US11504073B2 (en) * 2018-04-26 2022-11-22 Vektor Medical, Inc. Machine learning using clinical and simulated data
CN109199343A (zh) * 2018-07-17 2019-01-15 北京邮电大学 一种心房颤动的评估方法、系统和设备
CN109009073B (zh) * 2018-07-20 2021-07-20 广州视源电子科技股份有限公司 房颤检测装置及存储介质
CN109770862B (zh) * 2019-03-29 2022-03-08 广州视源电子科技股份有限公司 心电信号分类方法、装置、电子设备和存储介质
CN110384495B (zh) * 2019-06-18 2021-06-04 华为技术有限公司 一种ecg检测方法与穿戴设备
CN110403600B (zh) * 2019-07-26 2022-02-08 武汉海星通技术股份有限公司 基于差值时间散点图的阵发性房颤智能分析方法及系统
CN110547792B (zh) * 2019-07-31 2022-02-15 平安科技（深圳）有限公司 房颤的检测方法、装置、计算机设备及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108601544A (zh) * 2016-07-29 2018-09-28 华为技术有限公司 用于心电测量的装置和方法
CN107391900A (zh) * 2017-05-05 2017-11-24 陈昕 房颤检测方法、分类模型训练方法及终端设备
CN107550486A (zh) * 2017-09-11 2018-01-09 南京大学 一种利用去除qrs波形后的体表心电预测房颤发生的方法
CN109480819A (zh) * 2017-09-11 2019-03-19 南京大学 一种利用多路体表心电预测房颤发生的方法
CN109745041A (zh) * 2017-11-03 2019-05-14 三星电子株式会社 事件检测方法及设备、房颤检测方法和非暂时性存储介质
TW201924601A (zh) * 2017-12-06 2019-07-01 高雄醫學大學 心房顫動信號型態擷取及輔助診斷智能裝置
CN108186011A (zh) * 2017-12-13 2018-06-22 深圳竹信科技有限公司 房颤检测方法、装置及可读存储介质
CN110226928A (zh) * 2018-03-06 2019-09-13 深圳市理邦精密仪器股份有限公司 房颤伴室早和房颤伴差传的识别方法和装置
US10463314B1 (en) * 2018-07-19 2019-11-05 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for predicting and detecting a cardiac event
CN109288515A (zh) * 2018-11-14 2019-02-01 东南大学 基于穿戴式心电信号中早搏信号的周期性监测方法及装置
CN110491506A (zh) * 2019-05-16 2019-11-22 中国医药大学附设医院 心房颤动预测模型及其预测系统
CN110575161A (zh) * 2019-08-27 2019-12-17 复旦大学 基于心脏标测激动序列图的房颤分析预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于RR间期和多特征值的房颤自动检测分类;陈志博,李健,李智,等;《生物医学工程学杂志》;20180825;全文 *
基于RR间期差符号序列预测房颤终止;孙荣荣,汪源源;《仪器仪表学报》;20090715;全文 *
基于多尺度小波熵的阵发性房颤识别方法;陈煜,辛怡,王振宇,等;《航天医学与医学工程》;20131015;全文 *

Also Published As

Publication number Publication date
WO2021121226A1 (zh) 2021-06-24
EP4062824A4 (en) 2023-01-25
US20230036193A1 (en) 2023-02-02
CN112971790A (zh) 2021-06-18
EP4062824A1 (en) 2022-09-28
CN112603327A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN113520340B (zh) 一种睡眠报告的生成方法、装置、终端以及存储介质
CN112603327B (zh) 一种心电信号的检测方法、装置、终端以及存储介质
KR102446811B1 (ko) 복수의 디바이스들로부터 수집된 데이터 통합 및 제공 방법 및 이를 구현한 전자 장치
US20140099614A1 (en) Method for delivering behavior change directives to a user
EP3268881B1 (en) Method and wearable device for obtaining audio data for diagnosis
CN107773214A (zh) 一种最佳唤醒策略的方法、计算机可读介质和系统
CN107997767A (zh) 用于识别用户活动的方法及其电子设备
CN108369808A (zh) 电子设备和用于控制该电子设备的方法
CN107205655A (zh) 协调关系可穿戴物
CN108388782A (zh) 用于认证生物计量数据的电子设备和系统
CN109582821A (zh) 一种音乐播放对象推荐方法、终端及计算机可读存储介质
CN106897569A (zh) 一种智能健康终端系统的工作方法
CN108968920A (zh) 一种数据检测方法及电子设备
CN109934512A (zh) 一种预测模型的训练方法及系统
JP2021507366A (ja) ユーザの健康状態を監視するためのシステムおよび方法
WO2018090533A1 (zh) 一种基于用户状态的分析推荐方法和装置
CN111105852A (zh) 一种电子病历推荐方法、装置、终端及存储介质
CN107018921A (zh) 终端和宠物姿态检测方法和装置
KR20190047648A (ko) 행동에 대한 피드백을 제공하는 웨어러블 디바이스 및 방법
CN108024763A (zh) 活动信息提供方法及支持其的电子设备
CN111193764A (zh) 提供推荐服务的方法、电子设备和存储介质
CN107317918A (zh) 参数设置方法及相关产品
CN108491539A (zh) 终端控制方法、装置、存储介质和电子设备
CN112826514B (zh) 一种房颤信号的分类方法、装置、终端以及存储介质
CN110399407A (zh) 工作轨迹检查方法及装置、电子设备和非暂态存储介质

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