CN112842349B - 一种基于注意力转换机制的室上性早搏智能分析方法 - Google Patents

一种基于注意力转换机制的室上性早搏智能分析方法 Download PDF

Info

Publication number
CN112842349B
CN112842349B CN202110190988.2A CN202110190988A CN112842349B CN 112842349 B CN112842349 B CN 112842349B CN 202110190988 A CN202110190988 A CN 202110190988A CN 112842349 B CN112842349 B CN 112842349B
Authority
CN
China
Prior art keywords
interval
rhythm
heart
heart rate
beat
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
CN202110190988.2A
Other languages
English (en)
Other versions
CN112842349A (zh
Inventor
方健
陈洪
李洁
王胜
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.)
Biox Instruments Co ltd
Original Assignee
Biox Instruments 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 Biox Instruments Co ltd filed Critical Biox Instruments Co ltd
Priority to CN202110190988.2A priority Critical patent/CN112842349B/zh
Publication of CN112842349A publication Critical patent/CN112842349A/zh
Application granted granted Critical
Publication of CN112842349B publication Critical patent/CN112842349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments
    • G06F2218/18—Classification; Matching by matching signal segments by plotting the signal segments against each other, e.g. analysing scattergrams

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供一种基于注意力转换机制的室上性早搏智能分析方法，其可以提高对室上性早搏心拍的识别准确率，极大的节省人工工作量，同时提高识别效率。本专利技术方案中，基于时间RR间期散点图找到所有的RR间期平稳心率片段，基于正反传播算法将所有的RR间期平稳心率片段进行连接操作，得到待识别心电数据对应的主导心率曲线；基于卷积神经网络构建节律分类识别模型，识别每个心拍的节律类型，基于每个心拍的主导心率、RR间期偏离程度、节律类型、QRS波形态，判断出所述待分类心电数据中的每一个室上性早搏类型的心拍。

Description

一种基于注意力转换机制的室上性早搏智能分析方法
技术领域
本发明涉及医疗人工智能技术领域，具体为一种基于注意力转换机制的室上性早搏智能分析方法。
背景技术
室上性早搏指异位节律点起源于心室以上的期前收缩，它是临床上常见的一种心律失常现象。心电图（ECG）是从体表记录心脏每一心动周期所产生的电活动变化形成的图形。通过心电图可以表征出人的多种心脏疾病。一般情况下，24小时内的心搏达到10万个，现有的临床诊断方法中，需要在海量动态心电数据中找到特征心电波形数据，然后基于这些特征数据进行后续分析、诊断。基于现有的心电自动分析方法，对室上性早搏这一类的心律失常的特征心电波形数据识别过程中，大多仅仅实现了对相邻RR间期变化比例的自动计算，但对RR间期纷繁复杂的室上性心律失常的自动识别产生结果中，通常存在较大的错误率，需要通过大量的人工诊断进行修正，才能准确的找到室上性早搏心拍。
发明内容
为了解决现有的心电自动分析方法中，对RR间期的室上性心律失常识别错误率较大的问题，本发明提供一种基于注意力转换机制的室上性早搏智能分析方法，其可以提高对室上性早搏心拍的识别准确率，极大的节省人工工作量，同时提高识别效率。
本发明的技术方案是这样的：一种基于注意力转换机制的室上性早搏智能分析方法，其特征在于，其包括以下步骤：
S1：获取待识别心电数据；
S2：基于所述待识别心电数据，绘制全数据时间RR间期散点图；
S3：在所述全数据时间RR间期散点图中，搜索RR间期平稳心率片段；
S4：基于正反传播算法将所有的所述RR间期平稳心率片段进行连接操作，得到所述待识别心电数据对应的主导心率曲线；
S5：基于卷积神经网络构建节律分类识别模型；
通过带有原始标签的训练数据集对所述节律分类识别模型进行训练，获得训练好的所述节律分类识别模型；
S6：对所述待识别心电数据进行预处理操作，删除冗余心电数据，获得待分类心电数据；
S7:基于所述待分类心电数据绘制待分类数据时间RR间期散点图；
S8：将所述待分类数据时间RR间期散点图的数据输入到训练好的所述节律分类识别模型中，根据所述节律分类识别模型输出的结果，获得所述待分类心电数据中每个心拍的节律类型；
S9：基于所述主导心率曲线获得所述待分类心电数据中每个心拍对应的主导心率；
S10：计算所述待分类心电数据中每个心拍的RR间期提前量；
RR间期提前量 = （心拍的主导RR间期 - 心拍的RR间期）/心拍的主导RR间期
其中，主导RR间期 = 60/主导心率；
S11：基于每个心拍的所述RR间期提前量、每个心拍的节律类型、QRS波形态，判断出所述待分类心电数据中的每一个室上性早搏类型的心拍。
其进一步特征在于：
步骤S4中，基于正反传播算法将所有的所述RR间期平稳心率片段进行连接操作，包括以下步骤：
a1：对所有的所述RR间期平稳心率片段进行编号；
设，所述RR间期平稳心率的数目为N个，N≥2；设选取一个所述RR间期平稳心率片段作为起始片段，设其编号为1，顺次向右对所有的所述RR间期平稳心率片段进行升序编号，最后一个所述RR间期平稳心率片段的编号为N；
a2：进行正向传播的扫描操作；
所述正向传播的操作为：以第k个所述RR间期平稳心率片段为起点，逐个向右扫描每一个心拍，直到遇到下一个所述RR间期平稳心率片段；
a3：将k赋值为1；以第1个所述RR间期平稳心率片段为起点进行所述正向传播；
获取第1个所述RR间期平稳心率片段中最右侧的心拍，设置为正向基准心拍；
a4： 设:第k个所述RR间期平稳心率片段与其右侧的第k+1个所述RR间期平稳心率片段之间存在L个间隔心拍；
从左至右逐个扫描L个所述间隔心拍，直至所有的所述间隔心拍被扫描完毕；
每扫描到一个所述间隔心拍，将当前扫描的所述间隔心拍与所述正向基准心拍的RR间期、QRS波形比对相似度；如果两者的RR间期、QRS波形相似性高于阈值C，则：将当前扫描的所述间隔心拍的属性设置为参考心拍，同时将当前扫描的所述间隔心拍设置为所述正向基准心拍，然后继续扫描下一个所述间隔心拍；否则，继续扫描下一个所述间隔心拍；
其中，所述阈值C表示心电图中相邻的两次正常窦性心拍的RR间期、QRS波形相似度阈值；
a5：继续向右扫描，获取第k+1个所述RR间期平稳心率片段内的首个心拍，设为有效性判断心拍；
将所述有效性判断心拍与所述正向基准心拍进行比较；
如果所述有效性判断心拍与所述正向基准心拍的RR间期、QRS波形相似性高于所述阈值C，则此次的传播有效性设为有效传播；否则，此次的传播有效性设为无效传播；
a6:判断传播有效性的值；
当传播有效性为有效传播时，将k+1赋值为k；循环执行步骤a4~a6，直至所有的所述RR间期平稳心率片段都被扫描完毕；
当传播有效性为无效传播时，删除第k+1个所述RR间期平稳心率片段的编号，将第k+2个所述RR间期平稳心率片段的编号赋值为k+1，顺次向右对重新对剩余的所述RR间期平稳心率片段进行升序编号；循环执行步骤a4~a6，直至所有的所述RR间期平稳心率片段都被扫描完毕；
a7:所述正向传播结束后，进行逆向传播的扫描操作；
重新对所有的N个所述RR间期平稳心率片段按照步骤a1进行编号；以编号为N的所述RR间期平稳心率片段为起点，进行逆向传播；
所述逆向传播的操作为：以第n个所述RR间期平稳心率片段为起点，逐个向左扫描每一个心拍，直到遇到下一个所述RR间期平稳心率片段；将第n个所述RR间期平稳心率片段左侧的下一个所述RR间期平稳心率片段的编号赋值为n-1，顺次向左对所有的所述RR间期平稳心率片段进行降序编号；
a8：将N赋值给n；
获取第n个所述RR间期平稳心率片段中最左侧的心拍，设置为逆向基准心拍；
a9:设:第n个所述RR间期平稳心率片段与其左侧的第n-1个所述RR间期平稳心率片段之间存在Q个间隔心拍；
从右至左逐个扫描Q个所述间隔心拍，直至所有的所述间隔心拍被扫描完毕；
每扫描到一个所述间隔心拍，将当前扫描的所述间隔心拍与所述逆向基准心拍的RR间期、QRS波形比对相似度；如果两者的RR间期、QRS波形相似性高于阈值C，则：将当前扫描的所述间隔心拍的属性设置为所述参考心拍，同时将当前扫描的所述间隔心拍设置为所述逆向基准心拍；
a10: 继续向左扫描，获取第n-1个所述RR间期平稳心率片段内的最后一个心拍，设为有效性判断心拍；
将所述有效性判断心拍与所述逆向基准心拍进行比较；
如果所述有效性判断心拍与所述逆向基准心拍的RR间期、QRS波形相似性高于所述阈值C，则此次传播有效性设为有效传播；否则，此次传播有效性设为无效传播；
a11:判断传播有效性的值；
当传播有效性为有效传播时，将n-1赋值为n；循环执行步骤a9~a11，直至所有的所述RR间期平稳心率片段都被扫描完毕；
当传播有效性为无效传播时，删除第n-1个所述RR间期平稳心率片段的编号，将第n-2个所述RR间期平稳心率片段的编号赋值为n-1，顺次向左对重新对剩余的所述RR间期平稳心率片段进行降序编号；循环执行步骤a9~a11，直至所有的所述RR间期平稳心率片段都被扫描完毕；
a12:所述逆向传播结束后，获取在所述正向传播、所述逆向传播过程中，所有的属性标记为所述参考心拍的所述间隔心拍；基于所有的所述参考心拍、和所有RR间期平稳心率片段内的心拍进行拟合，得到所有心拍的主导RR间期随时间的变化曲线，记做：主导RR间期曲线；
a13：基于所述主导RR间期曲线，通过心拍的RR间期和心率HR转换关系，得到所述主导心率曲线；
其中，心率HR=60/ RR间期；
所述节律分类识别模型包括：依次连接的输入层、卷积块、输出层；所述卷积块包括N个卷积层，每个所述卷积层后面跟随一个池化层，交替进行卷积和池化操作；所述卷积层通道数逐步倍增、长度逐步递减；其中N大于等于1；
所述输出层的尺寸为1024*1；所述卷积层的卷结合尺寸设置为9*1；输出层尺寸是5*1的向量；
所述输出层输出的向量中，向量的第一个数值代表输入心电图片段包含早搏节律的概率，向量的第二个数值代表输入心电图片段包含并行节律的概率，向量的第三个数值代表输入心电图片段包含窦不齐节律的概率，向量的第四个数值代表输入心电图片段包含房室结传导阻滞节律的概率，向量的第五个数值代表输入心电图片段包含房颤房扑节律的概率；
步骤S8中，具体包括以下步骤：
b1：将所述待分类数据时间RR间期散点图的数据，以1024个心拍为长度进行分割，得到待分类心电图片段，分别输入到所述节律分类识别模型的输入层；
b2：基于所述节律分类识别模型的卷积层和池化层交替进行卷积和池化操作，捕捉窦性异常心律和室上性早搏导致的RR间期波动特点；
b3: 经所述节律分类识别模型的输出层输出每一个所述待分类心电图片段对应的分类结果向量；
b4: 确认所述分类结果向量中五个表示概率的数值；
如果五个数值都低于0.8，则将所述待分类心电图片段的主导心律定义为正常窦性节律，待分类心电图片段内各个心拍的主导节律类型也被标记正常窦性节律；否则，执行b5；
b5：确认所述分类结果向量中表示房颤房扑节律的概率；
如果房颤房扑节律的概率高于0.8，将所述待分类心电图片段和片段内心拍的主导节律类型定义为房颤房扑节律；否则，执行b6；
b6：确认所述分类结果向量中表示窦不齐节律的概率；
如果窦不齐节律的概率高于0.8，将所述待分类心电图片段和片段内心拍的主导节律类型定义为窦不齐节律；否则，执行b7；
b7：确认所述分类结果向量中表示并行节律的概率；
如果并行节律的概率高于0.8，将所述待分类心电图片段和片段内心拍的主导节律类型定义为并行节律；否则，执行b8；
b8：确认所述分类结果向量中表示房室结传导阻滞节律的概率；
如果房室结传导阻滞节律的概率高于0.8，将所述待分类心电图片段和片段内心拍的主导节律类型定义为房室结传导阻滞节律；否则，执行b9；
b9：其余的所述待分类心电图片段进行舍弃，不进行后续操作；
步骤S11中，找出所述待分类心电数据中的每一个室上性早搏类型的心拍方法，包括以下步骤：
c1：根据所述主导心率，计算所述待分类心电数据中每个心拍的RR间期偏离程度；
每个心拍的RR间期偏离程计算方法如下：
RR间期偏离程度 = |心拍的RR间期 - 心拍的主导RR间期|/心拍的主导RR间期
其中，主导RR间期 = 60/主导心率；
c2：对所有的所述待分类心电数据进行分段，获得待确认心电图片段；找到所述待确认心电图片段中的所有异常心拍；
当心拍为满足下面任意一个条件时，则该心拍被判断为所述异常心拍：
c2-1：其对应的RR间期偏离程度大于120%；
c2-2：其对应的RR间期偏离程度小于80%；
c3：将所述待确认心电图片段划分为：重点关注心电图片段和非重点关注心电图片段；
在每一个所述待确认心电图片段中，计算所述异常心拍的总数与所述待确认心电图片段中心拍总数目的比值，记做异常心拍比例；
当所述异常心拍比例大于20%的时候，则对应的所述待确认心电图片段记做所述重点关注心电图片段；
所述重点关注心电图片段以外的所述待确认心电图片段记做所述非重点关注心电图片段；
c4：对所述非重点关注心电图片段执行步骤c5进行判断；对所述重点关注心电图片段，执行步骤c6进行判断；
c5：在所述非重点关注心电图片段中，对每一个心拍进行判断，当心拍同时满足以下条件，则该心拍被识别为室上性早搏类型的心拍：
心拍的RR间期提前量大于0.15、主导节律类型不是房颤房扑节律、不是房室结传导阻滞节律，且QRS波形态不存在宽大畸形；
c6：在所述重点关注心电图片段中，对每一个心拍进行判断，当心拍满足以下任意一个条件时，则该心拍被识别为室上性早搏类型的心拍：
c6-1：心拍的RR间期提前量大于0.25，心拍的主导节律类型不是房颤房扑节律、房室结传导阻滞节律，且QRS波形态不存在宽大畸形；
c6-2：心拍的RR间期提前量大于0.10，心拍的主导节律类型不是房颤房扑节律、房室结传导阻滞节律、QRS波形态不存在宽大畸形时，取出该心拍的P波区域与它最近的主导节律类型为正常窦性的心拍的P波区域计算皮尔森相关系数，且皮尔森相关系数值低于20%；
步骤S6中，所述预处理操作包括：
d1：基于所述主导心率曲线，计算所述待识别心电数据中每个心拍的主导RR间期；
d2：在所述待识别心电数据中找到RR间期高于其所述主导RR间期2倍、或者低于主导RR间期0.5倍的心拍，记做所述冗余心电数据，进行删除；
d3：确认所述待识别心电数据中是否存在连续1024个心拍，且这1024个连续的心拍均处于其对应的所述主导RR间期的0.85~1.15倍的范围内；
如果存在，则这连续的1024个心拍都记做所述冗余心电数据，进行删除；
所述阈值C取值为95%；
步骤S3中，所述RR间期平稳心率片段同时满足以下条件：
片段内部心拍数目超过二十个；
所有心拍的相邻RR间期的波动比例小于阈值A；
相邻的连续二十个心拍的最大最小RR间期比值小于阈值B；
其中，所述阈值A为：正常窦性心律心电图相邻RR间期的波动幅度最大值的阈值；
所述阈值B为：正常窦性心律心电图在20次心跳的时间范围内心拍RR间期出现的波动幅度比例阈值；
所述阈值A取值为15%；所述阈值B取值为20%。
本发明提供的一种基于注意力转换机制的室上性早搏智能分析方法，基于时间RR间期散点图找到所有的RR间期平稳心率片段，基于正反传播算法将所有的RR间期平稳心率片段进行连接操作，得到待识别心电数据对应的主导心率曲线；基于卷积神经网络构建节律分类识别模型，识别每个心拍的节律类型，基于每个心拍的主导心率、RR间期偏离程度、节律类型、QRS波形态，判断出所述待分类心电数据中的每一个室上性早搏类型的心拍；本专利技术方案中，模拟人类专家判断早搏的过程，先从数据中提取心拍的QRS形态和节律信息，再将整体信息代入逐个心搏进行明确诊断，从而可以确保能够准确分析出室上性早搏心拍；整个过程无需人工参与，极大提高效率，保证病患能够获得及时的诊断；
其中，通过心电图中每个心拍的主导心率，计算每个心拍的RR间期偏离程度，获取偏离程度大的时间片段作为重点关注心电图片段；此过程将所有的心拍分为重点关注心电图片段和非重点关注心电图片段，基于注意力集中的过程实现了从海量数据中找到重点关注心电图片段，确保能够快速筛选出高价值信息，提高了整个方法的效率；
本专利技术方案中，节律分类识别模型基于卷积神经网络有效地学习到输入数据良好的局部特征，提取心电信号在时间维度上的时序特征，很好的解决了由于心跳强度及心率等个体差异所产生的在同一种疾病下的不同表征导致自动分类算法泛化能力较差的问题；本专利将卷积神经网络引入到基于时间RR间期散点图的主导节律类型识别问题，显著的改善了后续的心电信号识别分类效果，进而提高了对室上性早搏心拍的识别准确率。
附图说明
图1为本专利中室上性早搏智能分析方法的整体流程示意图；
图2为正反传播算法中正向传播过程的流程示意图；
图3为正反传播算法中逆向传播过程的流程示意图；
图4为基于卷积神经网络构建的节律分类识别模型的实施例；
图5为心电图的时间RR间期散点图的实施例；
图6为从图5的时间RR间期散点图得到的主导RR间期曲线的实施例；
图7为根据节律分类识别模型输出的结果判断每个心拍的节律类型的流程示意图。
具体实施方式
如图1所示，本发明一种基于注意力转换机制的室上性早搏智能分析方法，其包括以下步骤。
S1：获取待识别心电数据；具体实施的时候，每24小时动态心电图的约10万个数据，记做一组待识别心电数据，进行识别的时候，每次输入一组待识别数据进行识别。
S2：基于待识别心电数据，绘制全数据时间RR间期散点图；具体实施的时候，使用长程心电图中的连续RR间期为纵坐标、时间为横坐标在直角坐标系中做散点条图；参照说明书附图的图5，为心电图的时间RR间期散点图的实施例。
S3：在全数据时间RR间期散点图中，搜索RR间期平稳心率片段；
RR间期平稳心率片段同时满足以下条件：
片段内部心拍数目超过二十个；
所有心拍的相邻RR间期的波动比例小于阈值A；
相邻的连续二十个心拍的最大最小RR间期比值小于阈值B；
其中，阈值A为：正常窦性心律心电图相邻RR间期的波动幅度最大值的阈值；
阈值B为：正常窦性心律心电图在20次心跳的时间范围内心拍RR间期出现的波动幅度比例阈值；
具体实施的时候，阈值A和阈值B的数值通过在正常窦性心电图数据集采用支持向量机算法进行训练获取，本实施例中，阈值A取值为15%；阈值B取值为20%；
搜索RR间期平稳心率片段的过程也是模拟了医生的整体注意力的一个过程；在大范围数据中搜索RR间期平稳心率片段，即找到病人正常节律情况的心电图信息，为后续计算提供数据基础。
S4：基于正反传播算法将所有的RR间期平稳心率片段进行连接操作，得到待识别心电数据对应的主导心率曲线；
基于正反传播算法将所有的RR间期平稳心率片段进行连接操作，包括以下步骤：
a1：对所有的RR间期平稳心率片段进行编号；
设，RR间期平稳心率的数目为N个，N≥2；设选取一个RR间期平稳心率片段作为起始片段，设其编号为1，顺次向右对所有的RR间期平稳心率片段进行升序编号，最后一个RR间期平稳心率片段的编号为N；
先进行正向传播扫描，再进行逆向传播的扫描操作。
a2：如说明书附图的图2所示，进行正向传播的扫描操作；
正向传播的操作为：以第k个RR间期平稳心率片段为起点，逐个向右扫描每一个心拍，直到遇到下一个RR间期平稳心率片段；
a3：将k赋值为1；以第1个RR间期平稳心率片段为起点进行正向传播；
获取第1个RR间期平稳心率片段中最右侧的心拍，设置为正向基准心拍；
a4： 设:第k个RR间期平稳心率片段与其右侧的第k+1个RR间期平稳心率片段之间存在L个间隔心拍；
从左至右逐个扫描L个间隔心拍，直至所有的间隔心拍被扫描完毕；
每扫描到一个间隔心拍，将当前扫描的间隔心拍与正向基准心拍的RR间期、QRS波形比对相似度；如果两者的RR间期、QRS波形相似性高于阈值C，则：将当前扫描的间隔心拍的属性设置为参考心拍，同时将当前扫描的间隔心拍设置为正向基准心拍，然后继续扫描下一个间隔心拍；否则，继续扫描下一个间隔心拍；
其中，阈值C表示心电图中相邻的两次正常窦性心拍的RR间期、QRS波形相似度阈值；本实施例中，阈值C取值为95%；
a5：继续向右扫描，获取第k+1个RR间期平稳心率片段内的首个心拍，设为有效性判断心拍；
将有效性判断心拍与正向基准心拍进行比较；
如果有效性判断心拍与正向基准心拍的RR间期、QRS波形相似性高于阈值C，则此次的传播有效性设为有效传播；否则，此次的传播有效性设为无效传播；
a6:判断传播有效性的值；
当传播有效性为有效传播时，将k+1赋值为k；循环执行步骤a4~a6，直至所有的RR间期平稳心率片段都被扫描完毕；
当传播有效性为无效传播时，删除第k+1个RR间期平稳心率片段的编号，将第k+2个RR间期平稳心率片段的编号赋值为k+1，顺次向右对重新对剩余的RR间期平稳心率片段进行升序编号；循环执行步骤a4~a6，直至所有的RR间期平稳心率片段都被扫描完毕。
a7:如说明书附图的图3所示，正向传播结束后，进行逆向传播的扫描操作；
重新对所有的N个RR间期平稳心率片段按照步骤a1进行编号；以编号为N的RR间期平稳心率片段为起点，进行逆向传播；
逆向传播的操作为：以第n个RR间期平稳心率片段为起点，逐个向左扫描每一个心拍，直到遇到下一个RR间期平稳心率片段；将第n个RR间期平稳心率片段左侧的下一个RR间期平稳心率片段的编号赋值为n-1，顺次向左对所有的RR间期平稳心率片段进行降序编号；
a8：将N赋值给n；
获取第n个RR间期平稳心率片段中最左侧的心拍，设置为逆向基准心拍；
a9:设:第n个RR间期平稳心率片段与其左侧的第n-1个RR间期平稳心率片段之间存在Q个间隔心拍；
从右至左逐个扫描Q个间隔心拍，直至所有的间隔心拍被扫描完毕；
每扫描到一个间隔心拍，将当前扫描的间隔心拍与逆向基准心拍的RR间期、QRS波形比对相似度；如果两者的RR间期、QRS波形相似性高于阈值C，则：将当前扫描的间隔心拍的属性设置为参考心拍，同时将当前扫描的间隔心拍设置为逆向基准心拍；
a10: 继续向左扫描，获取第n-1个RR间期平稳心率片段内的最后一个心拍，设为有效性判断心拍；
将有效性判断心拍与逆向基准心拍进行比较；
如果有效性判断心拍与逆向基准心拍的RR间期、QRS波形相似性高于阈值C，则此次传播有效性设为有效传播；否则，此次传播有效性设为无效传播；
a11:判断传播有效性的值；
当传播有效性为有效传播时，将n-1赋值为n；循环执行步骤a9~a11，直至所有的RR间期平稳心率片段都被扫描完毕；
当传播有效性为无效传播时，删除第n-1个RR间期平稳心率片段的编号，将第n-2个RR间期平稳心率片段的编号赋值为n-1，顺次向左对重新对剩余的RR间期平稳心率片段进行降序编号；循环执行步骤a9~a11，直至所有的RR间期平稳心率片段都被扫描完毕。
a12:逆向传播结束后，获取在正向传播、逆向传播过程中，所有的属性标记为参考心拍的间隔心拍；基于所有的参考心拍、和所有RR间期平稳心率片段内的心拍进行拟合，得到所有心拍的主导RR间期随时间的变化曲线，记做：主导RR间期曲线；
具体实施的时候，以参考心拍、和所有RR间期平稳心率片段内的心拍的RR间期和时刻为数据点，通过线性拟合得到所有心拍的主导RR间期随时间的变化曲线；通过线性拟合的方式获得主导RR间期曲，因为参考心拍的时间属性适配，且方法简单 ，易于实现；
a13：基于主导RR间期曲线，通过心拍的RR间期和心率HR转换关系，得到主导心率曲线；
其中，心率HR=60/RR间期；
如说明书附图的图5所示，为心电图的时间RR间期散点图的实施例，横轴代表心拍的时刻，纵轴代表心拍的RR间期；图6为从图5的时间RR间期散点图基于线性拟合得到的主导RR间期曲线的实施例，横坐标是心拍的时刻，纵坐标是心拍的RR间期，主导RR间期曲线代表了此片段心电图中心脏处于正常窦性节律的RR间期信息。
QRS波形态畸变和RR间期变化是识别心电图节律失常的主要特征。对于室上性早搏，由于它的QRS波形态相对正常窦性没有明显畸变，检验心拍RR间期与当前心电图中主导窦性节律心率的一致性至关重要。然而现有技术中的识别方法，对RR间期纷繁复杂的室上性心律失常，心电图中主导窦性节律心率的计算是比较困难的。大部分现有的心电自动分析系统考虑到计算效率，仅仅依靠相邻数个RR间期的比例或平均数确认主导窦性节律心率，一方面它不符合临床上通过长时间段心电图扫描心拍确认主导窦性节律心率的过程，另一方面，当室上性节律和窦不齐节律同时出现时该方法会产生大量错误。
本发明技术方案中的正反传播算法，抛弃了传统的仅依靠数个RR间期确定主导窦性节律心率的思路，提出一个整体到局部的扫描、传递求解过程，完美的模拟了临床心电图医生注意力先从长时间段心电图扫描关键信息，再转入局部心拍确立主导窦性节律心率的医学诊断过程；本专利技术方案中的RR间期平稳心率片段中包含了正常窦性心率片段信息，当两个RR间期平稳心率片段之间存在比较纷繁复杂的室上性心律失常现象时，本专利技术方案，通过设置参考心拍，将传播方向上的前方正常窦性片段信息传递到后面；通过正向传播、反向传播两次扫描操作，将所有的参考心拍都扫描出来，然后通过对参考心拍的拟合得到主导RR间期曲线，进而推测出当两个RR间期平稳心率片段之间心拍的主导心率；即，当局部心电图片段出现室上性节律和窦不齐节律时，正反传播算法仍能通过远方的正常窦性片段信息带入并推测出正常窦性心率；本专利技术方案，通过正反传播算法，将所有的RR间期平稳心率片段之间连接起来，形成基于长时间段心电图扫描心拍的主导RR间期曲线，符合临床上要求的通过长时间段心电图扫描心拍确认主导窦性节律心率的过程；同时，本专利技术方案中的正反传播算法计算复杂度低，不需要类似深度神经网络多层次重复的矩阵运算，在实际应用中，无论是24小时、7天或者30天动态心电图数据都能够高效、准确的得到结果，进而确保了整体方法的执行准确率和效率。
S5：基于卷积神经网络构建节律分类识别模型；
通过带有原始标签的训练数据集对节律分类识别模型进行训练，获得训练好的节律分类识别模型；卷积神经网络包含卷积计算，且具有深度结构的前馈神经网络，能够按其阶层结构对输入信息进行平移不变分类和提取有效的特征，分类速度快，计算效率高。
节律分类识别模型包括：依次连接的输入层、卷积块、输出层；卷积块包括N个卷积层，每个卷积层后面跟随一个池化层，交替进行卷积和池化操作；卷积层通道数逐步倍增、长度逐步递减；其中N大于等于1；
输出层的尺寸为1024*1；卷积层的卷结合尺寸设置为9*1；输出层尺寸是5*1的向量；
输出层输出的向量中，向量的第一个数值代表输入心电图片段包含早搏节律的概率，向量的第二个数值代表输入心电图片段包含并行节律的概率，向量的第三个数值代表输入心电图片段包含窦不齐节律的概率，向量的第四个数值代表输入心电图片段包含房室结传导阻滞节律的概率，向量的第五个数值代表输入心电图片段包含房颤房扑节律的概率。
窦性异常心律的RR间期波动遵循某一固定节奏逐步变化且与正常窦性心律有明显的衔接关系，这种规律一般需要在10个左右的心拍RR间期才能被捕捉；同理，室上性早搏的RR间期呈现大小跳跃式变化，且与正常窦性心律RR间期有明显差异，这种规律需要在5个以上的心拍RR间期才能被捕捉。卷积层中卷积核就是用于捕捉上述特征，它的尺寸需要根据表述上述典型特征的心拍数目进行确定，所以本专利技术方案中，将卷积核尺寸设置为9*1，确保能够捕捉窦性异常心律和室上性早搏导致的RR间期波动特点。基于卷积块中的卷积层、池化层，交替进行卷积和池化操作，其中，卷积层通道数逐步倍增，卷积层的长度逐步递减。
节律分类识别模型中的卷积层和池化层的各层参数通过对现有原始标签的数据进行训练得到，具体训练用数据的数据量根据实际应用中的精度要求进行选择，本实施例中，每24小时动态心电图的约10万个数据，记做一组训练数据，每次训练使用3000~4000组待原始标签的训练数据，输入到构建好的节律分类识别模型中进行训练。如说明书附图的图4所示，为基于卷积神经网络构建的节律分类识别模型的一个实施例，其输入层后面依次跟着三个卷积层，每个卷积层后面跟着一个池化层，最后由三个全连接层对提取的特征进行组合最后输出。
S6：对待识别心电数据进行预处理操作，删除冗余心电数据，获得待分类心电数据；预处理操作包括：
d1：基于主导心率曲线，计算待识别心电数据中每个心拍的主导RR间期；
d2：在待识别心电数据中找到RR间期高于其主导RR间期2倍、或者低于主导RR间期0.5倍的心拍，记做冗余心电数据，进行删除；这些心拍是运动伪差造成的QRS拍误判或漏判，需要删除，才能确保后续识别结果的准确性；
d3：确认待识别心电数据中是否存在连续1024个心拍，且这1024个连续的心拍均处于其对应的主导RR间期的0.85倍~1.15倍的范围内；如果存在，则这连续的1024个心拍都记做所述冗余心电数据，进行删除；
具体实施的时候，可以时间为顺序，从待识别心电数据中，从头开始搜索，将每个心拍与其在主导心率曲线上对应的主导RR间期进行比较，找到一组满足条件的1024个数据就进行删除，然后继续检索下一组，直至将所有的待识别心电数据检索完毕；连续1024个心拍在心电图中的持续时间约为15分钟，RR间期属于0.85倍~1.15倍主导RR间期的心拍可被认为是窦性属性，连续15分钟的窦性属性心拍是正常窦性心拍聚集形成的片段，不具备异常节律显著特征，所以对于进行室上性早搏心拍识别的过程，属于冗余数据，需要进行删除；本专利技术方案中，通过对运动伪差造成的QRS拍误判或漏判数据、正常窦性心拍聚集形成的心电图片段数据的删除，降低了整体技术方案的计算数据量，提高了计算效率和结果分类的准确性。
S7:基于待分类心电数据绘制待分类数据时间RR间期散点图。
S8：将待分类数据时间RR间期散点图的数据输入到训练好的节律分类识别模型中，根据节律分类识别模型输出的结果，获得待分类心电数据中每个心拍的节律类型；如说明书附图的图7所示，具体包括以下步骤：
b1：将待分类数据时间RR间期散点图的数据，以1024个心拍为长度进行分割，得到待分类心电图片段，分别输入到节律分类识别模型的输入层；
b2：基于节律分类识别模型的卷积层和池化层交替进行卷积和池化操作，捕捉窦性异常心律和室上性早搏导致的RR间期波动特点；
b3: 经节律分类识别模型的输出层输出每一个待分类心电图片段对应的分类结果向量；
b4: 确认分类结果向量中五个表示概率的数值；
如果五个数值都低于0.8，则将待分类心电图片段的主导心律定义为正常窦性节律，待分类心电图片段内各个心拍的主导节律类型也被标记正常窦性节律；否则，执行b5；
b5：确认分类结果向量中表示房颤房扑节律的概率；
如果房颤房扑节律的概率高于0.8，将待分类心电图片段和片段内心拍的主导节律类型定义为房颤房扑节律；否则，执行b6；
b6：确认分类结果向量中表示窦不齐节律的概率；
如果窦不齐节律的概率高于0.8，将待分类心电图片段和片段内心拍的主导节律类型定义为窦不齐节律；否则，执行b7；
b7：确认分类结果向量中表示并行节律的概率；
如果并行节律的概率高于0.8，将待分类心电图片段和片段内心拍的主导节律类型定义为并行节律；否则，执行b8；
b8：确认分类结果向量中表示房室结传导阻滞节律的概率；
如果房室结传导阻滞节律的概率高于0.8，将待分类心电图片段和片段内心拍的主导节律类型定义为房室结传导阻滞节律；否则，执行b9；
b9：其余的待分类心电图片段进行舍弃，不进行后续操作。
根据经节律分类识别模型的输出层输出的分类结果向量中对于房颤房扑节律、窦不齐节律、并行节律房、室结传导阻滞节律的概率的识别结果，依次将房颤房扑节律、窦不齐节律、并行节律房、室结传导阻滞节律识别出来，这四种节律对心电图中室上性早搏的识别有显著的影响，而且在心拍RR间期的整体趋势上有明显的特征；此四种节律类型的心拍即为后续注意力的焦点；通过经节律分类识别模型将需要重点关注的心拍识别出来，不但提高了识别准确率，极大的提高了整体技术方案的识别效率。
S9：基于主导心率曲线获得待分类心电数据中每个心拍对应的主导心率。
S10：计算待分类心电数据中每个心拍的RR间期提前量；
RR间期提前量 = （心拍的主导RR间期 - 心拍的RR间期）/心拍的主导RR间期
其中，主导RR间期 = 60/主导心率。
S11：基于每个心拍的RR间期提前量、每个心拍的节律类型、QRS波形态，判断出待分类心电数据中的每一个室上性早搏类型的心拍；
找出待分类心电数据中的每一个室上性早搏类型的心拍方法，包括以下步骤：
c1：根据主导心率，计算待分类心电数据中每个心拍的RR间期偏离程度；
每个心拍的RR间期偏离程计算方法如下：
RR间期偏离程度 = |心拍的RR间期 - 心拍的主导RR间期|/心拍的主导RR间期
其中，主导RR间期 = 60/主导心率；
c2：对所有的待分类心电数据进行分段，获得待确认心电图片段；找到待确认心电图片段中的所有异常心拍；
当心拍为满足下面任意一个条件时，则该心拍被判断为异常心拍：
c2-1：其对应的RR间期偏离程度大于120%；
c2-2：其对应的RR间期偏离程度小于80%；
c3：将待确认心电图片段划分为：重点关注心电图片段和非重点关注心电图片段；
在每一个待确认心电图片段中，计算异常心拍的总数与待确认心电图片段中心拍总数目的比值，记做异常心拍比例；
当异常心拍比例大于20%的时候，则对应的待确认心电图片段记做重点关注心电图片段；
重点关注心电图片段以外的待确认心电图片段记做非重点关注心电图片段；
c4：对非重点关注心电图片段执行步骤c5进行判断；对重点关注心电图片段，执行步骤c6进行判断；
c5：在非重点关注心电图片段中，对每一个心拍进行判断，当心拍同时满足以下条件，则该心拍被识别为室上性早搏类型的心拍：
心拍的RR间期提前量大于0.15、主导节律类型不是房颤房扑节律、不是房室结传导阻滞节律，且QRS波形态不存在宽大畸形；
c6：在重点关注心电图片段中，对每一个心拍进行判断，当心拍满足以下任意一个条件时，则该心拍被识别为室上性早搏类型的心拍：
c6-1：心拍的RR间期提前量大于0.25，心拍的主导节律类型不是房颤房扑节律、房室结传导阻滞节律，且QRS波形态不存在宽大畸形；
c6-2：心拍的RR间期提前量大于0.10，心拍的主导节律类型不是房颤房扑节律、房室结传导阻滞节律、QRS波形态不存在宽大畸形时，取出该心拍的P波区域与它最近的主导节律类型为正常窦性的心拍的P波区域计算皮尔森相关系数，且皮尔森相关系数值低于20%。
本专利技术方案中，基于注意力转换机制，计算获得需要重点关注的目标区域的步骤包括：
第一，计算每个心拍的主导RR间期；根据24小时动态心电图每个心拍的主导心率，计算每个心拍的主导RR间期；
第二，标记异常心拍；每个心拍RR间期与其主导RR间期作差再取绝对值，绝对值再除以该心拍主导RR间期得到每个心拍R的偏离程度；偏离程度大于120%或小于80%的心拍标记为异常心拍。
第三，标记重点关注段；统计每个小时的心电图片段中中异常心拍数目占据总心拍数目的比例。异常心拍比例超过20%的小时心电图片段，而且它内部存在主导节律类型是窦不齐节律的心拍，该小时心电图片段标记为重点关注段；
最后，对于重点关注心电图片段、非重点关注心电图片段分别采用不同的判断标准对室上性早搏心拍进行判断；尤其是重点关注段的心电图中存在的窦不齐节律或并行节律，它和室上性心律失常的RR间期纷繁复杂特征产生混淆，是室上性早搏判断的难点，临床医生需要花费大量时间逐个心拍观察心电图中P波形态、相邻的窦性节律特征进行进一步推断；而本专利技术方案中，通过RR间期提前量、主导节律类型、QRS波形态、皮尔森相关系数几个特征，将室上性早搏类型心拍与其他心拍清楚的区分开；本专利技术方案，从海量的心拍节律中将重点关注的心电图片段查找出来，无需人工区分，几大的提高了分析效率；同时，基于RR间期提前量、主导节律类型、QRS波形态、皮尔森相关系数几个特征将重点关注心电图片段中的室上性早搏区分出来，无需逐个人工确认，且能够确保结果的准确性。

Claims (9)

1.一种基于注意力转换机制的室上性早搏智能分析方法，其特征在于，其包括以下步骤：
S1：获取待识别心电数据；
S2：基于所述待识别心电数据，绘制全数据时间RR间期散点图；
S3：在所述全数据时间RR间期散点图中，搜索RR间期平稳心率片段；
S4：基于正反传播算法将所有的所述RR间期平稳心率片段进行连接操作，得到所述待识别心电数据对应的主导心率曲线；
S5：基于卷积神经网络构建节律分类识别模型；
通过带有原始标签的训练数据集对所述节律分类识别模型进行训练，获得训练好的所述节律分类识别模型；
S6：对所述待识别心电数据进行预处理操作，删除冗余心电数据，获得待分类心电数据；
S7:基于所述待分类心电数据绘制待分类数据时间RR间期散点图；
S8：将所述待分类数据时间RR间期散点图的数据输入到训练好的所述节律分类识别模型中，根据所述节律分类识别模型输出的结果，获得所述待分类心电数据中每个心拍的节律类型；
S9：基于所述主导心率曲线获得所述待分类心电数据中每个心拍对应的主导心率；
S10：计算所述待分类心电数据中每个心拍的RR间期提前量；
RR间期提前量 = （心拍的主导RR间期 - 心拍的RR间期）/心拍的主导RR间期
其中，主导RR间期 = 60/主导心率；
S11：基于每个心拍的所述RR间期提前量、每个心拍的节律类型、QRS波形态，判断出所述待分类心电数据中的每一个室上性早搏类型的心拍。
2.根据权利要求1所述一种基于注意力转换机制的室上性早搏智能分析方法，其特征在于：步骤S4中，基于正反传播算法将所有的所述RR间期平稳心率片段进行连接操作，包括以下步骤：
a1：对所有的所述RR间期平稳心率片段进行编号；
设，所述RR间期平稳心率的数目为N个，N≥2；设选取一个所述RR间期平稳心率片段作为起始片段，设其编号为1，顺次向右对所有的所述RR间期平稳心率片段进行升序编号，最后一个所述RR间期平稳心率片段的编号为N；
a2：进行正向传播的扫描操作；
所述正向传播的操作为：以第k个所述RR间期平稳心率片段为起点，逐个向右扫描每一个心拍，直到遇到下一个所述RR间期平稳心率片段；
a3：将k赋值为1；以第1个所述RR间期平稳心率片段为起点进行所述正向传播；
获取第1个所述RR间期平稳心率片段中最右侧的心拍，设置为正向基准心拍；
a4： 设:第k个所述RR间期平稳心率片段与其右侧的第k+1个所述RR间期平稳心率片段之间存在L个间隔心拍；
从左至右逐个扫描L个所述间隔心拍，直至所有的所述间隔心拍被扫描完毕；
每扫描到一个所述间隔心拍，将当前扫描的所述间隔心拍与所述正向基准心拍的RR间期、QRS波形比对相似度；如果两者的RR间期、QRS波形相似性高于阈值C，则：将当前扫描的所述间隔心拍的属性设置为参考心拍，同时将当前扫描的所述间隔心拍设置为所述正向基准心拍，然后继续扫描下一个所述间隔心拍；否则，继续扫描下一个所述间隔心拍；
其中，所述阈值C表示心电图中相邻的两次正常窦性心拍的RR间期、QRS波形相似度阈值；
a5：继续向右扫描，获取第k+1个所述RR间期平稳心率片段内的首个心拍，设为有效性判断心拍；
将所述有效性判断心拍与所述正向基准心拍进行比较；
如果所述有效性判断心拍与所述正向基准心拍的RR间期、QRS波形相似性高于所述阈值C，则此次的传播有效性设为有效传播；否则，此次的传播有效性设为无效传播；
a6:判断传播有效性的值；
当传播有效性为有效传播时，将k+1赋值为k；循环执行步骤a4~a6，直至所有的所述RR间期平稳心率片段都被扫描完毕；
当传播有效性为无效传播时，删除第k+1个所述RR间期平稳心率片段的编号，将第k+2个所述RR间期平稳心率片段的编号赋值为k+1，顺次向右对重新对剩余的所述RR间期平稳心率片段进行升序编号；循环执行步骤a4~a6，直至所有的所述RR间期平稳心率片段都被扫描完毕；
a7:所述正向传播结束后，进行逆向传播的扫描操作；
重新对所有的N个所述RR间期平稳心率片段按照步骤a1进行编号；以编号为N的所述RR间期平稳心率片段为起点，进行逆向传播；
所述逆向传播的操作为：以第n个所述RR间期平稳心率片段为起点，逐个向左扫描每一个心拍，直到遇到下一个所述RR间期平稳心率片段；将第n个所述RR间期平稳心率片段左侧的下一个所述RR间期平稳心率片段的编号赋值为n-1，顺次向左对所有的所述RR间期平稳心率片段进行降序编号；
a8：将N赋值给n；
获取第n个所述RR间期平稳心率片段中最左侧的心拍，设置为逆向基准心拍；
a9:设:第n个所述RR间期平稳心率片段与其左侧的第n-1个所述RR间期平稳心率片段之间存在Q个间隔心拍；
从右至左逐个扫描Q个所述间隔心拍，直至所有的所述间隔心拍被扫描完毕；
每扫描到一个所述间隔心拍，将当前扫描的所述间隔心拍与所述逆向基准心拍的RR间期、QRS波形比对相似度；如果两者的RR间期、QRS波形相似性高于阈值C，则：将当前扫描的所述间隔心拍的属性设置为所述参考心拍，同时将当前扫描的所述间隔心拍设置为所述逆向基准心拍；
a10: 继续向左扫描，获取第n-1个所述RR间期平稳心率片段内的最后一个心拍，设为有效性判断心拍；
将所述有效性判断心拍与所述逆向基准心拍进行比较；
如果所述有效性判断心拍与所述逆向基准心拍的RR间期、QRS波形相似性高于所述阈值C，则此次传播有效性设为有效传播；否则，此次传播有效性设为无效传播；
a11:判断传播有效性的值；
当传播有效性为有效传播时，将n-1赋值为n；循环执行步骤a9~a11，直至所有的所述RR间期平稳心率片段都被扫描完毕；
当传播有效性为无效传播时，删除第n-1个所述RR间期平稳心率片段的编号，将第n-2个所述RR间期平稳心率片段的编号赋值为n-1，顺次向左对重新对剩余的所述RR间期平稳心率片段进行降序编号；循环执行步骤a9~a11，直至所有的所述RR间期平稳心率片段都被扫描完毕；
a12:所述逆向传播结束后，获取在所述正向传播、所述逆向传播过程中，所有的属性标记为所述参考心拍的所述间隔心拍；基于所有的所述参考心拍、和所有RR间期平稳心率片段内的心拍进行拟合，得到所有心拍的主导RR间期随时间的变化曲线，记做：主导RR间期曲线；
a13：基于所述主导RR间期曲线，通过心拍的RR间期和心率HR转换关系，得到所述主导心率曲线；
其中，心率HR=60/ RR间期。
3.根据权利要求1所述一种基于注意力转换机制的室上性早搏智能分析方法，其特征在于：所述节律分类识别模型包括：依次连接的输入层、卷积块、输出层；所述卷积块包括N个卷积层，每个所述卷积层后面跟随一个池化层，交替进行卷积和池化操作；所述卷积层通道数逐步倍增、长度逐步递减；其中N大于等于1；
所述输出层的尺寸为1024*1；所述卷积层的卷结合尺寸设置为9*1；输出层尺寸是5*1的向量；
所述输出层输出的向量中，向量的第一个数值代表输入心电图片段包含早搏节律的概率，向量的第二个数值代表输入心电图片段包含并行节律的概率，向量的第三个数值代表输入心电图片段包含窦不齐节律的概率，向量的第四个数值代表输入心电图片段包含房室结传导阻滞节律的概率，向量的第五个数值代表输入心电图片段包含房颤房扑节律的概率。
4.根据权利要求1所述一种基于注意力转换机制的室上性早搏智能分析方法，其特征在于：步骤S8中，具体包括以下步骤：
b1：将所述待分类数据时间RR间期散点图的数据，以1024个心拍为长度进行分割，得到待分类心电图片段，分别输入到所述节律分类识别模型的输入层；
b2：基于所述节律分类识别模型的卷积层和池化层交替进行卷积和池化操作，捕捉窦性异常心律和室上性早搏导致的RR间期波动特点；
b3: 经所述节律分类识别模型的输出层输出每一个所述待分类心电图片段对应的分类结果向量；
b4: 确认所述分类结果向量中五个表示概率的数值；
如果五个数值都低于0.8，则将所述待分类心电图片段的主导心律定义为正常窦性节律，待分类心电图片段内各个心拍的主导节律类型也被标记正常窦性节律；否则，执行b5；
b5：确认所述分类结果向量中表示房颤房扑节律的概率；
如果房颤房扑节律的概率高于0.8，将所述待分类心电图片段和片段内心拍的主导节律类型定义为房颤房扑节律；否则，执行b6；
b6：确认所述分类结果向量中表示窦不齐节律的概率；
如果窦不齐节律的概率高于0.8，将所述待分类心电图片段和片段内心拍的主导节律类型定义为窦不齐节律；否则，执行b7；
b7：确认所述分类结果向量中表示并行节律的概率；
如果并行节律的概率高于0.8，将所述待分类心电图片段和片段内心拍的主导节律类型定义为并行节律；否则，执行b8；
b8：确认所述分类结果向量中表示房室结传导阻滞节律的概率；
如果房室结传导阻滞节律的概率高于0.8，将所述待分类心电图片段和片段内心拍的主导节律类型定义为房室结传导阻滞节律；否则，执行b9；
b9：其余的所述待分类心电图片段进行舍弃，不进行后续操作。
5.根据权利要求1所述一种基于注意力转换机制的室上性早搏智能分析方法，其特征在于：步骤S11中，找出所述待分类心电数据中的每一个室上性早搏类型的心拍方法，包括以下步骤：
c1：根据所述主导心率，计算所述待分类心电数据中每个心拍的RR间期偏离程度；
每个心拍的RR间期偏离程计算方法如下：
RR间期偏离程度 = |心拍的RR间期 - 心拍的主导RR间期|/心拍的主导RR间期
其中，主导RR间期 = 60/主导心率；
c2：对所有的所述待分类心电数据进行分段，获得待确认心电图片段；找到所述待确认心电图片段中的所有异常心拍；
当心拍为满足下面任意一个条件时，则该心拍被判断为所述异常心拍：
c2-1：其对应的RR间期偏离程度大于120%；
c2-2：其对应的RR间期偏离程度小于80%；
c3：将所述待确认心电图片段划分为：重点关注心电图片段和非重点关注心电图片段；
在每一个所述待确认心电图片段中，计算所述异常心拍的总数与所述待确认心电图片段中心拍总数目的比值，记做异常心拍比例；
当所述异常心拍比例大于20%的时候，则对应的所述待确认心电图片段记做所述重点关注心电图片段；
所述重点关注心电图片段以外的所述待确认心电图片段记做所述非重点关注心电图片段；
c4：对所述非重点关注心电图片段执行步骤c5进行判断；对所述重点关注心电图片段，执行步骤c6进行判断；
c5：在所述非重点关注心电图片段中，对每一个心拍进行判断，当心拍同时满足以下条件，则该心拍被识别为室上性早搏类型的心拍：
心拍的RR间期提前量大于0.15、主导节律类型不是房颤房扑节律、不是房室结传导阻滞节律，且QRS波形态不存在宽大畸形；
c6：在所述重点关注心电图片段中，对每一个心拍进行判断，当心拍满足以下任意一个条件时，则该心拍被识别为室上性早搏类型的心拍：
c6-1：心拍的RR间期提前量大于0.25，心拍的主导节律类型不是房颤房扑节律、房室结传导阻滞节律，且QRS波形态不存在宽大畸形；
c6-2：心拍的RR间期提前量大于0.10，心拍的主导节律类型不是房颤房扑节律、房室结传导阻滞节律、QRS波形态不存在宽大畸形时，取出该心拍的P波区域与它最近的主导节律类型为正常窦性的心拍的P波区域计算皮尔森相关系数，且皮尔森相关系数值低于20%。
6.根据权利要求1所述一种基于注意力转换机制的室上性早搏智能分析方法，其特征在于：步骤S6中，所述预处理操作包括：
d1：基于所述主导心率曲线，计算所述待识别心电数据中每个心拍的主导RR间期；
d2：在所述待识别心电数据中找到RR间期高于其所述主导RR间期2倍、或者低于主导RR间期0.5倍的心拍，记做所述冗余心电数据，进行删除；
d3：确认所述待识别心电数据中是否存在连续1024个心拍，且这1024个连续的心拍均处于其对应的所述主导RR间期的0.85~1.15倍的范围内；
如果存在，则这连续的1024个心拍都记做所述冗余心电数据，进行删除。
7.根据权利要求2所述一种基于注意力转换机制的室上性早搏智能分析方法，其特征在于：所述阈值C取值为95%。
8.根据权利要求1所述一种基于注意力转换机制的室上性早搏智能分析方法，其特征在于：步骤S3中，所述RR间期平稳心率片段同时满足以下条件：
片段内部心拍数目超过二十个；
所有心拍的相邻RR间期的波动比例小于阈值A；
相邻的连续二十个心拍的最大最小RR间期比值小于阈值B；
其中，所述阈值A为：正常窦性心律心电图相邻RR间期的波动幅度最大值的阈值；
所述阈值B为：正常窦性心律心电图在20次心跳的时间范围内心拍RR间期出现的最大和最小的波动幅度比例阈值。
9.根据权利要求8所述一种基于注意力转换机制的室上性早搏智能分析方法，其特征在于：所述阈值A取值为15%；所述阈值B取值为20%。
CN202110190988.2A 2021-02-20 2021-02-20 一种基于注意力转换机制的室上性早搏智能分析方法 Active CN112842349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110190988.2A CN112842349B (zh) 2021-02-20 2021-02-20 一种基于注意力转换机制的室上性早搏智能分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110190988.2A CN112842349B (zh) 2021-02-20 2021-02-20 一种基于注意力转换机制的室上性早搏智能分析方法

Publications (2)

Publication Number Publication Date
CN112842349A CN112842349A (zh) 2021-05-28
CN112842349B true CN112842349B (zh) 2022-03-11

Family

ID=75988235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110190988.2A Active CN112842349B (zh) 2021-02-20 2021-02-20 一种基于注意力转换机制的室上性早搏智能分析方法

Country Status (1)

Country Link
CN (1) CN112842349B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115381411A (zh) * 2022-09-19 2022-11-25 慧医谷中医药科技(天津)股份有限公司 一种脉象分析信息处理方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102835954A (zh) * 2012-09-07 2012-12-26 深圳市邦健电子有限公司 一种心拍波形模板生成、室性早搏检测处理方法及装置
CN204336910U (zh) * 2014-12-16 2015-05-20 无锡市健维仪器有限公司 一种可扩展的人体健康远程记录、监护和诊断系统
CN104905785A (zh) * 2015-06-25 2015-09-16 石家庄翰纬医疗设备有限公司 室性/室上性早搏检测方法和系统
KR101652641B1 (ko) * 2015-06-05 2016-09-12 숭실대학교산학협력단 Ecg 신호를 이용한 영상 정합 장치 및 그 방법
CN108937915A (zh) * 2018-07-24 2018-12-07 杭州质子科技有限公司 一种动态心电图中早搏的识别方法
CN109069050A (zh) * 2016-03-30 2018-12-21 美敦力公司 用于通过基于心率变异性的分类来检测房性快速性心律失常的医疗系统
CN109350037A (zh) * 2018-10-26 2019-02-19 安徽智云医疗科技有限公司 一种从10秒心电图中识别房颤和房性早搏的方法
WO2019100560A1 (zh) * 2017-11-27 2019-05-31 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的心电图自动分析方法和装置
CN109948396A (zh) * 2017-12-20 2019-06-28 深圳市理邦精密仪器股份有限公司 一种心拍分类方法、心拍分类装置及电子设备
CN109953754A (zh) * 2019-03-08 2019-07-02 东南大学 一种室性并行心律快速识别的方法以及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7031765B2 (en) * 2002-11-11 2006-04-18 Medtronic, Inc Algorithms for detecting atrial arrhythmias from discriminatory signatures of ventricular cycle lengths
CN109171712B (zh) * 2018-09-28 2022-03-08 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
US20200268271A1 (en) * 2019-02-26 2020-08-27 Cardiac Insight Inc. Rr day display for cardiac rhythms
CN110693483A (zh) * 2019-09-02 2020-01-17 乐普智芯(天津)医疗器械有限公司 一种动态心电图自动分析的方法
CN111990988A (zh) * 2020-08-10 2020-11-27 北京航空航天大学 基于密集连接卷积循环神经网络的心电信号房颤检测装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102835954A (zh) * 2012-09-07 2012-12-26 深圳市邦健电子有限公司 一种心拍波形模板生成、室性早搏检测处理方法及装置
CN204336910U (zh) * 2014-12-16 2015-05-20 无锡市健维仪器有限公司 一种可扩展的人体健康远程记录、监护和诊断系统
KR101652641B1 (ko) * 2015-06-05 2016-09-12 숭실대학교산학협력단 Ecg 신호를 이용한 영상 정합 장치 및 그 방법
CN104905785A (zh) * 2015-06-25 2015-09-16 石家庄翰纬医疗设备有限公司 室性/室上性早搏检测方法和系统
CN109069050A (zh) * 2016-03-30 2018-12-21 美敦力公司 用于通过基于心率变异性的分类来检测房性快速性心律失常的医疗系统
WO2019100560A1 (zh) * 2017-11-27 2019-05-31 乐普（北京）医疗器械股份有限公司 基于人工智能自学习的心电图自动分析方法和装置
CN109948396A (zh) * 2017-12-20 2019-06-28 深圳市理邦精密仪器股份有限公司 一种心拍分类方法、心拍分类装置及电子设备
CN108937915A (zh) * 2018-07-24 2018-12-07 杭州质子科技有限公司 一种动态心电图中早搏的识别方法
CN109350037A (zh) * 2018-10-26 2019-02-19 安徽智云医疗科技有限公司 一种从10秒心电图中识别房颤和房性早搏的方法
CN109953754A (zh) * 2019-03-08 2019-07-02 东南大学 一种室性并行心律快速识别的方法以及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冠心病心律失常的动态心电图与常规心电图应用对比评价;李洁;《临床医药文献电子杂志》;20181029;全文 *
面向移动平台的常见异常心电信号分类方法研究与实现;刘汉倞;《中国优秀博硕士学位论文全文数据库（硕士）医药卫生科技辑》;20200115;全文 *

Also Published As

Publication number Publication date
CN112842349A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN106725428B (zh) 一种心电信号分类方法及装置
CN111990989A (zh) 一种基于生成对抗及卷积循环网络的心电信号识别方法
WO2020006939A1 (zh) 基于生成式对抗网络的心电图生成及分类方法
CN111626114B (zh) 基于卷积神经网络的心电信号心律失常分类系统
CN110974214A (zh) 一种基于深度学习的自动心电图分类方法、系统及设备
CN110638430B (zh) 级联神经网络ecg信号心律失常分类模型的搭建方法
CN109077714B (zh) 信号识别方法、装置、设备和存储介质
CN111631705A (zh) 心电异常检测方法、模型训练方法、装置、设备及介质
Gawande et al. Heart diseases classification using convolutional neural network
CN115486855B (zh) 一种基于qrs波群不定次循环叠加的心电图心搏分类方法
CN111557659A (zh) 基于多特征融合与Stacking-DWKNN的心律失常分类方法
CN113499079A (zh) 一种心电图中的房颤检测方法
Goto et al. Application of neural networks to 12-lead electrocardiography―current status and future directions―
Xie et al. Research on heartbeat classification algorithm based on CART decision tree
EP4041073A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
CN112842349B (zh) 一种基于注意力转换机制的室上性早搏智能分析方法
Dang et al. A novel deep convolutional neural network for arrhythmia classification
CN111557660A (zh) 一种亚群体深度学习框架下的心律失常识别方法
Shi et al. Automated heartbeat classification based on convolutional neural network with multiple kernel sizes
CN112842350B (zh) 基于正反传播算法获得心拍的主导心率的方法
Sraitih et al. An overview on intra-and inter-patient paradigm for ECG Heartbeat Arrhythmia Classification
Jiang et al. Heartbeat classification system based on modified stacked denoising autoencoders and neural networks
Pulavskyi et al. Automatic recognition of congestive heart failure signs in heart rate variability data
CN115316996A (zh) 心律异常识别模型训练方法、装置、设备及存储介质
Mendoza et al. Deep Learning System for Left Ventricular Assist Device Candidate Assessment from Electrocardiograms

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