CN112617855A - 基于联邦学习的心电图分析方法、装置及相关设备 - Google Patents

基于联邦学习的心电图分析方法、装置及相关设备 Download PDF

Info

Publication number
CN112617855A
CN112617855A CN202011620585.9A CN202011620585A CN112617855A CN 112617855 A CN112617855 A CN 112617855A CN 202011620585 A CN202011620585 A CN 202011620585A CN 112617855 A CN112617855 A CN 112617855A
Authority
CN
China
Prior art keywords
electrocardiogram
target
local model
model parameters
preset
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.)
Pending
Application number
CN202011620585.9A
Other languages
English (en)
Inventor
卢春曦
王健宗
黄章成
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011620585.9A priority Critical patent/CN112617855A/zh
Publication of CN112617855A publication Critical patent/CN112617855A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Bioethics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Computer Security & Cryptography (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本申请涉及数据处理技术，提供一种基于联邦学习的心电图分析方法、装置、计算机设备与存储介质，包括：采集并分割心电图信号，得到若干个心电图片段；调用本地模型训练心电图片段，得到本地模型参数；加密本地模型参数，并将本地模型参数传输至预设联邦学习平台中；接收预设联邦学习平台更新本地模型参数得到的目标模型参数；根据本地模型参数与目标模型参数计算损失值，并检测损失值是否满足预设损失阈值范围；当检测结果为是时，根据目标模型参数调整本地模型，得到目标本地模型；调用目标本地模型处理待测心电图信号，得到分析结果。本申请能够提高心电图分析的效率与准确性，促进智慧医疗及智慧城市的建设。

Description

基于联邦学习的心电图分析方法、装置及相关设备
技术领域
本申请涉及数据处理技术领域，尤其涉及一种基于联邦学习的心电图分析方法、装置、计算机设备及介质。
背景技术
心电图(Electrocardiogram，ECG)是一种通过心电采集设备将心脏起搏产生的电位变化以时间为函数记录下的信号图，是临床诊断心脏是否出现病变的重要依据。因此，对心电图信号的分析与识别有十分重要的意义，是研究的重点。
针对心电图信号分析的情况，在实现本申请的过程中，发明人发现现有技术至少存在如下问题：现有的心电图分析方案主要是专业医生对心电图信号进行读图诊断，需要专业医生花费大量的时间，导致心电图分析的效率低下，且准确性不高。
因此，有必要提供一种基于联邦学习的心电图分析方法，能够心电图分析的效率与准确性。
发明内容
鉴于以上内容，有必要提出一种基于联邦学习的心电图分析方法、基于联邦学习的心电图分析装置、计算机设备及介质，能够提高心电图分析的效率与准确性。
本申请实施例第一方面提供一种基于联邦学习的心电图分析方法，应用于计算机设备中，所述基于联邦学习的心电图分析方法包括：
采集并分割心电图信号，得到若干个心电图片段；
调用本地模型训练所述心电图片段，得到本地模型参数；
加密所述本地模型参数，并将加密后的所述本地模型参数传输至预设联邦学习平台中；
接收所述预设联邦学习平台更新所述本地模型参数得到的目标模型参数；
根据所述本地模型参数与所述目标模型参数计算损失值，并检测所述损失值是否满足预设损失阈值范围；
当检测结果为所述损失值满足预设损失阈值范围时，根据所述目标模型参数调整所述本地模型，得到目标本地模型；
调用所述目标本地模型处理待测心电图信号，得到分析结果。
进一步地，在本申请实施例提供的上述基于联邦学习的心电图分析方法中，在所述分割心电图信号，得到若干个心电图片段之前，所述方法还包括：
采集包含噪声的初始心电图信号，并对所述初始心电图信号进行小波分解，得到若干层高频小波系数；
获取所述高频小波系数对应的噪声特征，并基于所述噪声特征对所述高频小波系数进行聚类处理，得到若干个聚类簇；
确定每一所述聚类簇对应的目标处理阈值；
根据所述目标处理阈值处理所述聚类簇中的高频小波系数，并对处理后的高频小波系数进行重构得到目标心电图信号。
进一步地，在本申请实施例提供的上述基于联邦学习的心电图分析方法中，所述分割心电图信号，得到若干个心电图片段包括：
获取心电图信号，并确定所述心电图信号中的若干个QRS波群范围；
在每一所述QRS波群范围内，确定R波的位置；
以所述R波的位置为中心分割所述心电图信号，得到若干个心电图片段。
进一步地，在本申请实施例提供的上述基于联邦学习的心电图分析方法中，所述加密所述本地模型参数包括：
获取加密密钥与所述本地模型参数；
接收所述预设联邦学习平台发送的预设加密规则；
采用所述加密密钥按照所述加密规则对所述本地模型参数进行加密处理，得到初始加密模型参数；
确定与所述预设加密规则对应的数字标签，并组合所述数字标签与所述初始加密模型参数，得到目标加密模型参数。
进一步地，在本申请实施例提供的上述基于联邦学习的心电图分析方法中，在所述预设联邦学习平台更新所述本地模型参数得到的目标模型参数之前，所述方法还包括：
建立关于所述计算机设备与所述预设联邦学习平台的心跳连接；
获取所述本地模型参数，并将所述本地模型参数存储至目标心跳包中；
按照预设时间间隔发送所述目标心跳包至所述预设联邦学习平台中。
进一步地，在本申请实施例提供的上述基于联邦学习的心电图分析方法中，所述计算所述本地模型参数与所述目标模型参数的损失值，并检测所述损失值是否满足预设损失阈值范围包括：
根据所述目标模型参数获取所述本地模型的预测值；
确定与所述预测值对应的所述本地模型的目标值；
根据所述预测值与所述目标值构建目标损失函数；
检测所述目标损失函数是否收敛；
当检测结果为所述目标损失函数收敛时，确定所述损失值满足预设损失阈值范围；
当检测结果为所述目标损失函数不收敛时，确定所述损失值未满足预设损失阈值范围。
进一步地，在本申请实施例提供的上述基于联邦学习的心电图分析方法中，所述根据所述目标模型参数调整所述本地模型，得到目标本地模型包括：
获取所述本地模型的所述本地模型参数与所述目标模型参数；
确定所述目标模型参数与所述本地模型参数间的差异模型参数；
基于所述差异模型参数更新所述本地模型参数，得到目标本地模型。
本申请实施例第二方面还提供一种基于联邦学习的心电图分析装置，所述基于联邦学习的心电图分析装置包括：
信号分割模块，用于采集并分割心电图信号，得到若干个心电图片段；
模型训练模块，用于调用本地模型训练所述心电图片段，得到本地模型参数；
参数加密模块，用于加密所述本地模型参数，并将加密后的所述本地模型参数传输至预设联邦学习平台中；
参数更新模块，用于接收所述预设联邦学习平台更新所述本地模型参数得到的目标模型参数；
阈值检测模块，用于根据所述本地模型参数与所述目标模型参数计算损失值，并检测所述损失值是否满足预设损失阈值范围；
模型调整模块，用于当检测结果为所述损失值满足预设损失阈值范围时，根据所述目标模型参数调整所述本地模型，得到目标本地模型；
信号分析模块，用于调用所述目标本地模型处理待测心电图信号，得到分析结果。
本申请实施例第三方面还提供一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上述任意一项所述基于联邦学习的心电图分析方法。
本申请实施例第四方面还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述基于联邦学习的心电图分析方法。
本申请实施例提供的上述基于联邦学习的心电图分析方法、基于联邦学习的心电图分析装置、计算机设备以及计算机可读存储介质，通过计算机设备收集用户大量的心电图信号，控制心电图信号在不出本地的条件下进行训练，并将本地模型训练处的本地模型参数传输至预设联邦学习平台中进行模型参数的更新，能够在保护用户隐私的前提下，将大量的未被利用的心电图信号的数据库发挥价值，提高了心电图的分析效率与准确性。本申请可应用于智慧政务、智慧交通、智慧医疗等智慧城市的各个功能模块中，比如智慧医疗的基于联邦学习的心电图分析模块等，能够促进智慧城市的快速发展。
附图说明
图1是本申请实施例一提供的基于联邦学习的心电图分析方法的流程图。
图2是本申请实施例二提供的基于联邦学习的心电图分析装置的结构图。
图3是本申请实施例三提供的计算机设备的结构示意图。
如下具体实施方式将结合上述附图进一步说明本申请。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
图1是本申请第一实施方式的基于联邦学习的心电图分析方法的流程图。如图1所示，所述基于联邦学习的心电图分析方法可应用于计算机设备中，所述计算机设备中可配置有预设传感器，所述预设传感器用于采集心电图信号。若干个所述计算机设备分别与所述预设联邦学习平台建立数据连接，用于进行数据通信。所述基于联邦学习的心电图分析方法可以包括如下步骤：
S11、采集并分割心电图信号，得到若干个心电图片段。
在本申请的至少一实施例中，心电图信号在采集过程中容易受到基线漂移、工频信号、肌电信号和运动伪影等多种噪声干扰，这些噪声会降低心电图信号的信噪比，不利于心电图的分析。因此，本申请在分割心电图信号，得到若干个心电图片段之前，会先对心电图信号进行降噪处理，以提升心电图信号的质量，从而提高提高心电图分析的准确性。
可选地，在所述分割心电图信号，得到若干个心电图片段之前，所述方法还包括：采集包含噪声的初始心电图信号，并对所述初始心电图信号进行小波分解，得到若干层高频小波系数；获取所述高频小波系数对应的噪声特征，并基于所述噪声特征对所述高频小波系数进行聚类处理，得到若干个聚类簇；确定每一所述聚类簇对应的目标处理阈值；根据所述目标处理阈值处理所述聚类簇中的高频小波系数，并对处理后的高频小波系数进行重构得到目标心电图信号。
其中，所述初始心电图信号是指受上述基线漂移、工频信号、肌电信号和运动伪影中的一种或多种影响而产生的带有大量噪声的心电图信号。本申请通过小波阈值去躁的方法对所述初始心电图信号进行去躁处理。所述对所述初始心电图信号进行小波分解，得到若干层高频小波系数包括：根据多尺度分析方法对所述初始心电图信号利用小波基函数分解为大尺度逼近部分和小尺度细节部分；将大尺度逼近部分进一步分解为更低一层次的逼近部分和细节部分，直至得到对应的高频小波系数。其中，所述大尺度逼近部分对应低频逼近系数，小尺度细节部分对应高频小波系数。分解的层数与所述初始心电图信号的采样率有关，在此不做限制。
其中，所述噪声特征包括噪声振幅与噪声频率。在若干个高频小波系数中，存在某一个或多个高频小波系数的噪声特征相同或相似，对于所述噪声特征相同或相似的高频小波系数，可对应同一个目标处理阈值，调用同一个目标处理阈值对所述高频小波系数进行处理，能够减少运算量，提高去躁处理效率。此外，所述目标处理阈值与所述噪声特征以及高频小波系数特征有关，根据所述噪声特征与所述高频小波系数特征能够确定最优的目标处理阈值，调用最优的目标处理阈值对所述高频小波系数进行处理，能够提高去躁处理效果。
其中，所述对处理后的高频小波系数进行重构得到目标心电图信号的重构过程可以为:重构过程即是多层分解的逆过程,由最高层的逼近部分和细节部分重构得到上一层的逼近部分,并以同样的方式重构得到更上一层的逼近部分,直至最低层即得到降噪后的心电信号。
在本申请的至少一实施例中，一个心电图信号的周期内包括P波、QRS波、T波和U波，其中，QRS波是心电信号中重要的成分，它反映了心室收缩时心脏内的电流活动情况，它的发生时间和波形能够提供许多关于心脏状态的信息。通过QRS波中R波之间的间距变化计算心率变异性，从而更好预测心脏性猝死和心律失常性事件。在对所述初始心电图信号进行降噪处理后，还需分割心电图信号，得到若干个心电图片段。
可选地，所述分割心电图信号，得到若干个心电图片段包括：获取心电图信号，并确定所述心电图信号中的若干个QRS波群范围；在每一所述QRS波群范围内，确定R波的位置；以所述R波的位置为中心分割所述心电图信号，得到若干个心电图片段。
其中，利用经验模式分解(EMD，ExperimentalModeDecomposition)算法确定心电图信号中QRS波群的范围。QRS波群：反映左、右心室的电激动过程，称QRS波群的宽度为QRS时限，代表全部心室肌激动过程所需要的时间。正常人最高不超过0.10s。QRS波群时间延长，见于心室肥大、心室内传导阻滞及预激综合征。示例性地，对所述心电图信号进行经验模式分解，得到其本征模函数，并从得到的本征模函数中选取所述心电图信号的一阶高频本征模函数；根据所述一阶高频本征模函数及滑动平均滤波函数，确定所述心电图信号的特征信号，根据所述特征信号的范围确定所述QRS波群的范围。
其中，所述在每一所述QRS波群范围内，确定R波的位置可以包括：获取所述QRS波群中的极大值点；在所述极大值点为一个时，根据所述极大值点确定R波的位置；在所述极大值点为多个时，获取各个所述极大值点预设范围内斜率特征最大的极大值点，根据所获取的极大值点确定R波的位置。
其中，以所述R波的位置为中心，选取所述R波的峰前与峰后长度相同的点，裁剪成长度相等的心电图片段，作为本地模型的训练数据集。
S12、调用本地模型训练所述心电图片段，得到本地模型参数。
在本申请的至少一实施例中，在所述计算机设备中训练本地模型，所述本地模型用于基于心电图信号进行疾病分析。在一实施例中，一个计算机设备中存储一个本地模型，当所述计算机设备的数量为多个时，每个计算机设备中均存储有本地模型。
可选地，所述本地模型可以为逻辑回归模型，通过对所述逻辑回归模型进行训练，得到对应所述逻辑回归模型的本地模型参数。所述调用本地模型训练所述心电图片段，得到本地模型参数可以包括：获取若干个心电图片段，将所述心电图片段拆分为训练集与测试集；调用所述训练集训练初始化的逻辑回归模型，得到训练好的逻辑回归模型；将所述测试集输入至训练好的逻辑回归模型中，计算得到对应模型的准确率；检测所述准确率是否满足预设准确率阈值；当检测结果为所述准确率满足预设准确率阈值时，确定逻辑回归模型训练完成；获取所述逻辑回归模型的参数作为本地模型参数。为了保证所述本地模型参数的隐私性与保密性，可将所述本地模型参数存储至区块链的目标节点中。
其中，所述预设准确率阈值为预先设置的，用于评价模型准确性的值，例如，所述预设准确率阈值为95％，在此不做限制。当检测结果为所述准确率不满足预设准确率阈值时，增加所述训练集，重新训练逻辑回归模型，直至所述准确率满足预设准确率阈值。
S13、加密所述本地模型参数，并将加密后的所述本地模型参数传输至预设联邦学习平台中。
在本申请的至少一实施例中，所述预设联邦学习平台与所述计算机设备通信连接，所述预设联邦学习平台中存储有预设加密规则库，所述预设加密规则库中包含多个预设加密规则，所述预设联邦学习平台将所述预设加密规则发送至计算机设备中，由所述计算机设备基于所述预设加密规则进行加密处理，能够提高数据加密传输的准确性。对于多个计算机设备，其对应的预设加密规则可以相同，也可以不相同，在此不做限制。
可选地，所述加密所述本地模型参数包括：获取加密密钥与所述本地模型参数；接收所述预设联邦学习平台发送的预设加密规则；采用所述加密密钥按照所述加密规则对所述本地模型参数进行加密处理，得到初始加密模型参数；确定与所述预设加密规则对应的数字标签，并组合所述数字标签与所述初始加密模型参数，得到目标加密模型参数。
其中，所述数字标签用于标识所述目标加密模型参数与所述计算机设备的关联关系，通过查询所述数字标签，能够确定所述目标加密模型参数是属于哪个计算机设备。
S14、接收所述预设联邦学习平台更新所述本地模型参数得到的目标模型参数。
在本申请的至少一实施例中，所述预设联邦学习平台是基于联邦学习技术的平台，联邦学习(Federated Learning)可以在多参与方或多计算结点之间开展高效率的机器学习。联邦学习可以使得多方数据在训练样本不出本地的情况下进行模型训练，只传递训练好的模型或者是计算梯度，这使得各方持有的训练样本的隐私性得到了保护。
本申请实施例中述及的联邦学习(Horizontal Federated Learning)包括纵向联邦学习与横向联邦学习。其中，纵向联邦学习是指来自不同参与者(如参与者A和参与者B)的样本相互重叠较多，也就是说样本是可以对齐的，但来自不同参与者的样本中的特征重叠较少，不同参与者的联合可以使样本中的特征增多，但样本的数量可以保持不变。横向联邦学习也称为特征对齐的联邦学习(Feature-Aligned Federated Learning)，即横向联邦学习的参与者的数据特征是对齐的。
可选地，在所述预设联邦学习平台更新所述本地模型参数得到的目标模型参数之前，所述方法还包括：建立关于所述计算机设备与所述预设联邦学习平台的心跳连接；获取所述本地模型参数，并将所述本地模型参数存储至目标心跳包中；按照预设时间间隔发送所述目标心跳包至所述预设联邦学习平台中。
其中，将每一所述计算机设备与所述预设联邦学习平台间建立心跳连接，通过发送心跳包的方式确定所述计算机设备与所述预设联邦学习平台正常连接。本申请还在所述心跳包中携带所述计算机设备中的本地模型参数，在所述计算机设备发送心跳包至预设联邦学习平台时，将所述本地模型参数一并发送至预设联邦学习平台中。
所述预设联邦学习平台按照每一所述计算机设备的ID号存储各个计算机设备的本地模型的本地模型参数，所述本地模型参数按照发送时间进行排序，发送时间越近的，说明其对应的本地模型参数可能是最新的。本申请通过在所述心跳包中携带本地模型参数的方式，能够在预设联邦学习平台需要更新各个计算机设备中的本地模型参数时，直接根据心跳包中携带的最新本地模型参数进行更新即可，无需再向各个计算机设备发出参数更新请求，等待各个计算机设备在接收到参数更新请求后才能执行参数更新，减少参数更新所需等待的时间，提高参数更新的效率。
示例性地，对于计算机设备1与2，计算机设备1的本地模型参数记作第一模型参数，计算机设备2的本地模型参数记作第二模型参数。所述预设联邦学习平台更新所述本地模型参数得到的目标模型参数包括：检测联邦学习为纵向联邦学习或者是横向联邦学习；当检测结果为联邦学习为纵向联邦学习，所述预设联邦学习平台可以直接将第一模型参数和第二模型参数拼接在一起(或者说相加)得到目标模型参数。一般而言，由于第一模型参数和第二模型参数是基于加密数据确定的，因此，第一模型参数和第二模型参数也属于加密数据，因此，可以先对第一模型参数和第二模型参数进行解密然后再相加得到目标模型参数。当检测结果为联邦学习为横向联邦学习，则参与训练的计算机设备的本地心电图片段样本的特征是对齐的，样本可以互不重叠，则预设联邦学习平台可以将第一模型参数和第二模型参数进行加权求和得到目标模型参数。
S15、根据所述本地模型参数与所述目标模型参数计算损失值，并检测所述损失值是否满足预设损失阈值范围，当检测结果为所述损失值满足预设损失阈值范围时，执行步骤S16。
在本申请的至少一实施例中，本申请通过均方误差作为损失函数，计算公式如下：
Figure BDA0002878228440000111
其中，n表示迭代次数，yi表示第i次的均方误差值。
可选地，所述根据所述本地模型参数与所述目标模型参数计算损失值包括：根据所述目标模型参数获取所述本地模型的预测值；确定与所述预测值对应的所述本地模型的目标值；根据所述预测值与所述目标值构建目标损失函数；检测所述目标损失函数是否收敛；当检测结果为所述目标损失函数收敛时，确定所述损失值满足预设损失阈值范围；当检测结果为所述目标损失函数不收敛时，确定所述损失值未满足预设损失阈值范围。
其中，所述预设损失阈值范围为预先设置的，当检测结果为所述损失值满足预设损失阈值范围时，说明预设联邦学习平台更新得到的目标模型参数达到最佳；当检测结果为所述损失值未满足预设损失阈值范围时，还需继续调用预设联邦学习平台对本地模型参数进行迭代训练，直至所述损失值满足预设损失值阈值范围。
S16、根据所述目标模型参数调整所述本地模型，得到目标本地模型。
在本申请的至少一实施例中，当检测结果为所述损失值满足预设损失阈值范围时，说明预设联邦学习平台更新得到的目标模型参数达到最佳，根据所述目标模型参数调整所述本地模型，得到目标本地模型，所述目标本地模型在分析心电图信号时，分析的准确性与效率都能得到提升。
可选地，所述根据所述目标模型参数调整所述本地模型，得到目标本地模型包括：获取所述本地模型的所述本地模型参数与所述目标模型参数；确定所述目标模型参数与所述本地模型参数间的差异模型参数；基于所述差异模型参数更新所述本地模型参数，得到目标本地模型。
S17、调用所述目标本地模型处理待测心电图信号，得到分析结果。
在本申请的至少一实施例中，调用所述目标本地模型处理待测心电图信号，能够得到准确性更高的分析结果。
本申请实施例提供的上述基于联邦学习的心电图分析方法，通过计算机设备收集用户大量的心电图信号，控制心电图信号在不出本地的条件下进行训练，并将本地模型训练处的本地模型参数传输至预设联邦学习平台中进行模型参数的更新，能够在保护用户隐私的前提下，将大量的未被利用的心电图信号的数据库发挥价值，提高了心电图的分析效率与准确性。本申请可应用于智慧政务、智慧交通、智慧医疗等智慧城市的各个功能模块中，比如智慧医疗的基于联邦学习的心电图分析模块等，能够促进智慧城市的快速发展。
图2是本申请实施例二提供的基于联邦学习的心电图分析装置的结构图。
在一些实施例中，所述基于联邦学习的心电图分析装置20可以包括多个由计算机程序段所组成的功能模块。所述基于联邦学习的心电图分析装置20中的各个程序段的计算机程序可以存储于计算机设备的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)基于联邦学习的心电图分析的功能。
本实施例中，所述基于联邦学习的心电图分析装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：信号分割模块201、模型训练模块202、参数加密模块203、参数更新模块204、阈值检测模块205、模型调整模块206以及信号分析模块207。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
信号分割模块201可以用于采集并分割心电图信号，得到若干个心电图片段。
模型训练模块202可以用于调用本地模型训练所述心电图片段，得到本地模型参数。
参数加密模块203可以用于加密所述本地模型参数，并将加密后的所述本地模型参数传输至预设联邦学习平台中。
参数更新模块204可以用于接收所述预设联邦学习平台更新所述本地模型参数得到的目标模型参数。
阈值检测模块205可以用于根据所述本地模型参数与所述目标模型参数计算损失值，并检测所述损失值是否满足预设损失阈值范围。
模型调整模块206可以用于当检测结果为所述损失值满足预设损失阈值范围时，根据所述目标模型参数调整所述本地模型，得到目标本地模型。
信号分析模块207可以用于调用所述目标本地模型处理待测心电图信号，得到分析结果。
参阅图3所示，为本申请实施例三提供的计算机设备的结构示意图。在本申请较佳实施例中，所述计算机设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解，图3示出的计算机设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
在一些实施例中，所述计算机设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述计算机设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是，所述计算机设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的基于联邦学习的心电图分析方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地，所述计算机可读存储介质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等；存储数据区可存储根据计算机设备的使用所创建的数据等。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在一些实施例中，所述至少一个处理器32是所述计算机设备3的控制核心(Control Unit)，利用各种接口和线路连接整个计算机设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本申请实施例中所述的基于联邦学习的心电图分析方法的全部或者部分步骤；或者实现基于联邦学习的心电图分析装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(CentralProcessing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出，所述计算机设备3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，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，计算机设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，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模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种基于联邦学习的心电图分析方法，应用于计算机设备中，其特征在于，所述基于联邦学习的心电图分析方法包括：
采集并分割心电图信号，得到若干个心电图片段；
调用本地模型训练所述心电图片段，得到本地模型参数；
加密所述本地模型参数，并将加密后的所述本地模型参数传输至预设联邦学习平台中；
接收所述预设联邦学习平台更新所述本地模型参数得到的目标模型参数；
根据所述本地模型参数与所述目标模型参数计算损失值，并检测所述损失值是否满足预设损失阈值范围；
当检测结果为所述损失值满足预设损失阈值范围时，根据所述目标模型参数调整所述本地模型，得到目标本地模型；
调用所述目标本地模型处理待测心电图信号，得到分析结果。
2.根据权利要求1所述的基于联邦学习的心电图分析方法，其特征在于，在所述分割心电图信号，得到若干个心电图片段之前，所述方法还包括：
采集包含噪声的初始心电图信号，并对所述初始心电图信号进行小波分解，得到若干层高频小波系数；
获取所述高频小波系数对应的噪声特征，并基于所述噪声特征对所述高频小波系数进行聚类处理，得到若干个聚类簇；
确定每一所述聚类簇对应的目标处理阈值；
根据所述目标处理阈值处理所述聚类簇中的高频小波系数，并对处理后的高频小波系数进行重构得到目标心电图信号。
3.根据权利要求1所述的基于联邦学习的心电图分析方法，其特征在于，所述分割心电图信号，得到若干个心电图片段包括：
获取心电图信号，并确定所述心电图信号中的若干个QRS波群范围；
在每一所述QRS波群范围内，确定R波的位置；
以所述R波的位置为中心分割所述心电图信号，得到若干个心电图片段。
4.根据权利要求1所述的基于联邦学习的心电图分析方法，其特征在于，所述加密所述本地模型参数包括：
获取加密密钥与所述本地模型参数；
接收所述预设联邦学习平台发送的预设加密规则；
采用所述加密密钥按照所述加密规则对所述本地模型参数进行加密处理，得到初始加密模型参数；
确定与所述预设加密规则对应的数字标签，并组合所述数字标签与所述初始加密模型参数，得到目标加密模型参数。
5.根据权利要求1所述的基于联邦学习的心电图分析方法，其特征在于，在所述预设联邦学习平台更新所述本地模型参数得到的目标模型参数之前，所述方法还包括：
建立关于所述计算机设备与所述预设联邦学习平台的心跳连接；
获取所述本地模型参数，并将所述本地模型参数存储至目标心跳包中；
按照预设时间间隔发送所述目标心跳包至所述预设联邦学习平台中。
6.根据权利要求1所述的基于联邦学习的心电图分析方法，其特征在于，所述根据所述本地模型参数与所述目标模型参数计算损失值，并检测所述损失值是否满足预设损失阈值范围包括：
根据所述目标模型参数获取所述本地模型的预测值；
确定与所述预测值对应的所述本地模型的目标值；
根据所述预测值与所述目标值构建目标损失函数；
检测所述目标损失函数是否收敛；
当检测结果为所述目标损失函数收敛时，确定所述损失值满足预设损失阈值范围；
当检测结果为所述目标损失函数不收敛时，确定所述损失值未满足预设损失阈值范围。
7.根据权利要求1所述的基于联邦学习的心电图分析方法，其特征在于，所述根据所述目标模型参数调整所述本地模型，得到目标本地模型包括：
获取所述本地模型的所述本地模型参数与所述目标模型参数；
确定所述目标模型参数与所述本地模型参数间的差异模型参数；
基于所述差异模型参数更新所述本地模型参数，得到目标本地模型。
8.一种基于联邦学习的心电图分析装置，其特征在于，所述基于联邦学习的心电图分析装置包括：
信号分割模块，用于采集并分割心电图信号，得到若干个心电图片段；
模型训练模块，用于调用本地模型训练所述心电图片段，得到本地模型参数；
参数加密模块，用于加密所述本地模型参数，并将加密后的所述本地模型参数传输至预设联邦学习平台中；
参数更新模块，用于接收所述预设联邦学习平台更新所述本地模型参数得到的目标模型参数；
阈值检测模块，用于根据所述本地模型参数与所述目标模型参数计算损失值，并检测所述损失值是否满足预设损失阈值范围；
模型调整模块，用于当检测结果为所述损失值满足预设损失阈值范围时，根据所述目标模型参数调整所述本地模型，得到目标本地模型；
信号分析模块，用于调用所述目标本地模型处理待测心电图信号，得到分析结果。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述基于联邦学习的心电图分析方法。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述基于联邦学习的心电图分析方法。
CN202011620585.9A 2020-12-31 2020-12-31 基于联邦学习的心电图分析方法、装置及相关设备 Pending CN112617855A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011620585.9A CN112617855A (zh) 2020-12-31 2020-12-31 基于联邦学习的心电图分析方法、装置及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011620585.9A CN112617855A (zh) 2020-12-31 2020-12-31 基于联邦学习的心电图分析方法、装置及相关设备

Publications (1)

Publication Number Publication Date
CN112617855A true CN112617855A (zh) 2021-04-09

Family

ID=75287323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011620585.9A Pending CN112617855A (zh) 2020-12-31 2020-12-31 基于联邦学习的心电图分析方法、装置及相关设备

Country Status (1)

Country Link
CN (1) CN112617855A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095238A (zh) * 2021-04-15 2021-07-09 山东省人工智能研究院 一种基于联邦学习的个性化心电信号监测方法
CN113133768A (zh) * 2021-04-21 2021-07-20 东南大学 基于联邦学习的心血管疾病辅助诊断模型及训练方法
CN113723509A (zh) * 2021-08-30 2021-11-30 平安科技（深圳）有限公司 基于联邦强化学习的随访监测方法、装置及相关设备
CN113837397A (zh) * 2021-09-27 2021-12-24 平安科技（深圳）有限公司 基于联邦学习的模型训练方法、装置及相关设备
CN114159070A (zh) * 2021-12-20 2022-03-11 武汉大学 一种卷积神经网络的心脏骤停风险实时预测方法及系统
CN114169412A (zh) * 2021-11-23 2022-03-11 北京邮电大学 面向大规模产业链隐私计算的联邦学习模型训练方法
CN114415763A (zh) * 2021-12-30 2022-04-29 深圳数联天下智能科技有限公司 控制设备运行的方法、装置、终端设备及存储介质
CN115865521A (zh) * 2023-02-09 2023-03-28 智慧眼科技股份有限公司 一种模型局部数据处理方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106805965A (zh) * 2016-12-19 2017-06-09 深圳先进技术研究院 一种心电信号分类方法及装置
CN109171712A (zh) * 2018-09-28 2019-01-11 东软集团股份有限公司 心房颤动识别方法、装置、设备及计算机可读存储介质
CN109284313A (zh) * 2018-08-10 2019-01-29 深圳前海微众银行股份有限公司 基于半监督学习的联邦建模方法、设备及可读存储介质
CN110795477A (zh) * 2019-09-20 2020-02-14 平安科技（深圳）有限公司 数据的训练方法及装置、系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106805965A (zh) * 2016-12-19 2017-06-09 深圳先进技术研究院 一种心电信号分类方法及装置
CN109284313A (zh) * 2018-08-10 2019-01-29 深圳前海微众银行股份有限公司 基于半监督学习的联邦建模方法、设备及可读存储介质
CN109171712A (zh) * 2018-09-28 2019-01-11 东软集团股份有限公司 心房颤动识别方法、装置、设备及计算机可读存储介质
CN110795477A (zh) * 2019-09-20 2020-02-14 平安科技（深圳）有限公司 数据的训练方法及装置、系统

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095238B (zh) * 2021-04-15 2021-12-28 山东省人工智能研究院 一种基于联邦学习的个性化心电信号监测方法
CN113095238A (zh) * 2021-04-15 2021-07-09 山东省人工智能研究院 一种基于联邦学习的个性化心电信号监测方法
CN113133768A (zh) * 2021-04-21 2021-07-20 东南大学 基于联邦学习的心血管疾病辅助诊断模型及训练方法
CN113723509B (zh) * 2021-08-30 2024-01-16 平安科技（深圳）有限公司 基于联邦强化学习的随访监测方法、装置及相关设备
CN113723509A (zh) * 2021-08-30 2021-11-30 平安科技（深圳）有限公司 基于联邦强化学习的随访监测方法、装置及相关设备
CN113837397A (zh) * 2021-09-27 2021-12-24 平安科技（深圳）有限公司 基于联邦学习的模型训练方法、装置及相关设备
CN113837397B (zh) * 2021-09-27 2024-02-02 平安科技（深圳）有限公司 基于联邦学习的模型训练方法、装置及相关设备
CN114169412A (zh) * 2021-11-23 2022-03-11 北京邮电大学 面向大规模产业链隐私计算的联邦学习模型训练方法
CN114169412B (zh) * 2021-11-23 2024-09-06 北京邮电大学 面向大规模产业链隐私计算的联邦学习模型训练方法
CN114159070A (zh) * 2021-12-20 2022-03-11 武汉大学 一种卷积神经网络的心脏骤停风险实时预测方法及系统
CN114415763A (zh) * 2021-12-30 2022-04-29 深圳数联天下智能科技有限公司 控制设备运行的方法、装置、终端设备及存储介质
CN115865521A (zh) * 2023-02-09 2023-03-28 智慧眼科技股份有限公司 一种模型局部数据处理方法、装置、设备及存储介质
CN115865521B (zh) * 2023-02-09 2023-05-09 智慧眼科技股份有限公司 一种模型局部数据处理方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112617855A (zh) 基于联邦学习的心电图分析方法、装置及相关设备
Luo et al. Patient‐Specific Deep Architectural Model for ECG Classification
Sopic et al. Real-time event-driven classification technique for early detection and prevention of myocardial infarction on wearable systems
US20230143594A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
CN111095232B (zh) 发掘用于机器学习技术中的基因组
Demirel et al. Energy-efficient real-time heart monitoring on edge–fog–cloud internet of medical things
CN112102351A (zh) 医学图像分析方法、装置、电子设备及可读存储介质
Jabirullah et al. Development of e-health monitoring system for remote rural community of India
EP4041073A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
Martinek et al. Virtual simulator for the generation of patho‐physiological foetal ECGs during the prenatal period
Ilbeigipour et al. Real‐Time Heart Arrhythmia Detection Using Apache Spark Structured Streaming
Mortensen et al. Multi-class stress detection through heart rate variability: A deep neural network based study
Park et al. Cascade classification with adaptive feature extraction for arrhythmia detection
Chen et al. A remote electrocardiogram monitoring system with good swiftness and high reliablility
US20190377600A1 (en) Edge-computing unit, medical analytics cloud-computing network, and method for performing statistical analysis
Liu et al. Real time arrhythmia monitoring and classification based on edge computing and dnn
CN114305423A (zh) 一种基于神经元锋电位信号的抑郁状态指征确定方法
Lee Development of ventricular fibrillation diagnosis method based on neuro-fuzzy systems for automated external defibrillators
US20240099665A1 (en) Electrocardiogram data processing server, electrocardiogram data processing method of extracting analysis required section while segmenting electrocardiogram signal into signal segments with variable window sizes, and computer program
Yuldashev et al. Systems and technologies for remote health state monitoring of patients with chronic diseases
Xue et al. An ECG arrhythmia classification and heart rate variability analysis system based on android platform
US20230140093A1 (en) System and method for patient movement detection and fall monitoring
Ishtiaque et al. IoT-based low-cost remote patient monitoring and management system with deep learning-based arrhythmia and pneumonia detection
Anbarasi et al. Detection and classification of arrhythmia type using hybrid model of LSTM with convolutional neural network
Comito et al. A power-aware approach for smart health monitoring and decision support

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40041441

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210409

RJ01 Rejection of invention patent application after publication