CN114305446A - 一种基于人工智能的心房颤动检测方法及系统 - Google Patents
一种基于人工智能的心房颤动检测方法及系统 Download PDFInfo
- Publication number
- CN114305446A CN114305446A CN202111605945.2A CN202111605945A CN114305446A CN 114305446 A CN114305446 A CN 114305446A CN 202111605945 A CN202111605945 A CN 202111605945A CN 114305446 A CN114305446 A CN 114305446A
- Authority
- CN
- China
- Prior art keywords
- atrial fibrillation
- model
- ecg signal
- signal data
- ecg
- 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
Links
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 182
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000005012 migration Effects 0.000 claims abstract description 30
- 238000013508 migration Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000008014 freezing Effects 0.000 claims description 7
- 238000007710 freezing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 22
- 238000003062 neural network model Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 230000001746 atrial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Abstract
本申请公开了一种基于人工智能的心房颤动检测方法及系统,其涉及神经网络模型技术领域,该方法包括如下步骤:获取ECG信号数据;解密操作之后对所述ECG信号数据进行预处理,得到张量数据;搭建心房颤动基础模型,并对所述心房颤动基础模型进行训练;基于训练后的心房颤动基础模型搭建心房颤动迁移模型;通过所述心房颤动迁移模型对所述张量数据进行数据处理,得到数据处理结果;根据所述数据处理结果识别所述ECG信号数据中的心房颤动信号。本申请具有识别心电图信号中的心房颤动信号时,不会影响到心电图信号的信号特征的效果。
Description
技术领域
本申请涉及神经网络模型技术领域,尤其是涉及一种基于人工智能的心房颤动检测方法及系统。
背景技术
心房颤动(简称房颤)是最常见的持续性心律失常。随着年龄增长房颤的发生率不断增加,75岁以上人群可达10%。房颤时心房激动的频率达300~600次/分,心跳频率往往快而且不规则,有时候可达100~160次/分,不仅比正常人心跳快得多,而且绝对不整齐,心房失去有效的收缩功能,房颤患病率还与冠心病、高血压病和心力衰竭等疾病有密切关系。
在检测心脏时,可以根据心脏心电图的波段变化识别是否存在心房颤动的情况,传统的识别方式是根据医生的主观意识进行判断,识别过程中难免会出现差错。因此现有的技术方案通常采用数字滤波的方法进行识别,将心电图信号通过信号滤波、主成分分析、特征提取等处理,获取到房颤波形特征,再通过设定的阈值进行检测,从而识别是否存在心房颤动。
针对上述中的相关技术,发明人认为存在有以下缺陷:由于心电图信号的有效频率范围通常是0.05-100Hz,数字滤波处理会不同程度的影响心电图信号图中的特征波形,可能会导致用于辨别心房颤动的特征波形的识别精度降低,从而影响心房颤动的识别。
发明内容
为了改善处理心电图信号会影响特征波形,从而影响心房颤动识别的缺陷,本申请提供一种基于人工智能的心房颤动检测方法及系统。
第一方面,本申请提供一种基于人工智能的心房颤动检测方法,包括如下步骤:
获取ECG信号数据;
判断所述ECG信号数据是否处于加密状态;
若所述ECG信号数据处于所述加密状态,则将所述ECG信号数据进行解密操作,所述解密操作之后对所述ECG信号数据进行预处理,得到张量数据;
若所述ECG信号数据未处于所述加密状态,则对所述ECG信号数据进行预处理,得到张量数据;
搭建心房颤动基础模型,并对所述心房颤动基础模型进行训练;
基于训练后的心房颤动基础模型搭建心房颤动迁移模型;
通过所述心房颤动迁移模型对所述张量数据进行数据处理,得到数据处理结果;
根据所述数据处理结果识别所述ECG信号数据中的心房颤动信号。
通过采用上述技术方案,通过检测设备获取ECG信号数据,在利用神经网络模型对ECG信号数据进行处理之前还需要对ECG信号数据进行预处理,以将ECG信号数据处理成适用于模型的张量数据,在预处理之前若ECG信号数据处于加密状态,则还需要先将ECG信号数据进行解密操作。再基于先搭建出的心房颤动基础模型搭建出心房颤动迁移模型,并通过识别模型对张量数据进行数据处理,最终通过数据处理结果对ECG信号数据中的心房颤动信号进行识别。在整个识别过程中仅仅是对ECG信号数据的数据特征进行分析,而不会对ECG信号数据的波形进行调整或处理。
可选的,所述搭建心房颤动基础模型,并对所述心房颤动基础模型进行训练包括如下步骤:
通过多个网络层构建DenseBlock模块;
基于所述DenseBlock模块搭建心房颤动基础模型;
基于所述ECG信号数据在预设的ECG存储库中检索并获取多个ECG样本信号;
通过所述ECG样本信号对所述心房颤动基础模型进行模型训练。
通过采用上述技术方案,由于ECG信号数据的分析过程较为复杂,因此通过网络层构建出DenseBlock模块作为神经网络模型的基础,DenseBlock模块在模型训练和数据分析过程中可以缓解梯度消失,还可以增强特征传播并降低参数的数量,以DenseBlock模块搭建出心房颤动基础模型。再在存储有大量ECG样本信号的ECG存储库中检索并获取多个ECG样本信号,通过获取到的ECG样本信号对心房颤动基础模型进行模型训练,使得心房颤动基础模型训练至最优状态。
可选的,所述基于所述ECG信号数据在预设的ECG存储库中检索并获取多个ECG样本信号包括如下步骤:
分析所述ECG信号数据得到模糊波形特征和波段特征;
基于所述模糊波形特征在预设的ECG存储库中进行模糊检索,得到多个初选样本信号;
基于所述波段特征对所述初选样本信号进行筛选,将筛选出的初选样本信号作为ECG样本信号。
通过采用上述技术方案,为了缩短对心房颤动基础模型的训练时间并提高训练效率,所检索的ECG样本信号的信号特征需要与ECG信号数据大致相似,可以根据ECG信号数据的模糊波形特征和波段特征在ECG存储库中进行检索和筛选,最终将检索筛选出的信号作为ECG样本信号。
可选的,所述通过所述ECG样本信号对所述心房颤动基础模型进行模型训练包括如下步骤:
初始化所述心房颤动基础模型的基础模型参数;
将所述ECG样本信号输入至所述心房颤动基础模型中进行模型训练;
在所述模型训练中生成评估曲线;
基于所述评估曲线调整所述基础模型参数,直至所述心房颤动基础模型训练至最优模型。
通过采用上述技术方案,先将心房颤动基础模型的基础模型参数进行初始化,再以ECG样本信号对心房颤动基础模型进行模型训练,训练过程中生成对基础模型评估的评估曲线,每次训练结果都将改变评估曲线,基于评估曲线的改变调整基础模型中的基础模型参数,从而将心房颤动基础模型训练至最优模型。
可选的,所述基于训练后的心房颤动基础模型搭建心房颤动迁移模型包括如下步骤:
将所述心房颤动基础模型的最后一层网络层替换为预设的分类器;
初始化所述心房颤动基础模型中分类器的参数;
根据所述心房颤动基础模型的网络层数配置冻结层数;
基于所述冻结层数冻结所述心房颤动基础模型中的网络层;
对冻结后的心房颤动基础模型进行模型微调,得到心房颤动迁移模型。
通过采用上述技术方案,以心房颤动基础模型中除去全连接层的所有网络结构作为特征提取器,将最后一层全连接层替换为预设的分类器即完成初步的模型迁移学习,再初始化分类器的参数并对迁移后的心房颤动基础模型进行冻结微调,将心房颤动基础模型通过微调后即完成迁移学习的全步骤,得到心房颤动迁移模型,心房颤动迁移模型比心房颤动基础模型具有更强的泛化能力和更好的稳定性。
可选的,所述根据所述数据处理结果识别所述ECG信号数据中的心房颤动信号包括如下步骤:
获取所述模型训练的训练数据结果,基于所述训练数据结果和所述评估曲线生成判定阈值;
判断所述数据处理结果是否超出所述判定阈值;
若所述数据处理结果超出所述判定阈值,则判定所述ECG信号数据中包含心房颤动信号;
若所述数据处理结果未超出所述判定阈值,则判定所述ECG信号数据中未包含所述心房颤动信号。
通过采用上述技术方案,模型训练利用了大量的ECG样本信号,因此可以在模型训练过程中生成对于数据结果进行分析评估的评估曲线,结合大量数据样本的训练数据结果和评估曲线可以生成一个用于界定的判定阈值,通过判定阈值可以对数据处理结果进行分析判断,若数据处理结果超出判定阈值,则说明对应的ECG信号数据中包含心房颤动信号;反之,则不包含心房颤动信号。
可选的,所述将所述ECG信号数据进行解密操作包括如下步骤:
获取加密密钥和预设的加密逻辑;
根据所述加密逻辑逆向生成解密逻辑;
基于所述解密逻辑和所述加密密钥生成解密算法;
通过所述解密算法对所述ECG信号数据进行解密。
通过采用上述技术方案,对ECG信号数据的加密处理方式为对称加密,因此可以根据正向的加密逻辑逆向生成解密逻辑,再结合加密密钥即可生成用于解密的解密算法,通过解密算法对ECG信号数据进行逆向解密,从而得到解密后的ECG信号数据。
第二方面,本申请提供一种基于人工智能的心房颤动检测系统,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序,该程序能够被处理器加载执行时实现如第一方面所述的一种基于人工智能的心房颤动检测方法。
通过采用上述技术方案,通过程序的调取,通过检测设备获取ECG信号数据,在利用神经网络模型对ECG信号数据进行处理之前还需要对ECG信号数据进行预处理,以将ECG信号数据处理成适用于模型的张量数据,在预处理之前若ECG信号数据处于加密状态,则还需要先将ECG信号数据进行解密操作。再基于先搭建出的心房颤动基础模型搭建出心房颤动迁移模型,并通过识别模型对张量数据进行数据处理,最终通过数据处理结果对ECG信号数据中的心房颤动信号进行识别。在整个识别过程中仅仅是对ECG信号数据的数据特征进行分析,而不会对ECG信号数据的波形进行调整或处理。
综上所述,本申请包括以下至少一种有益技术效果:
1.在利用神经网络模型对ECG信号数据进行处理之前还需要对ECG信号数据进行预处理,以将ECG信号数据处理成适用于模型的张量数据,在预处理之前若ECG信号数据处于加密状态,则还需要先将ECG信号数据进行解密操作。再基于先搭建出的心房颤动基础模型搭建出心房颤动迁移模型,并通过识别模型对张量数据进行数据处理,最终通过数据处理结果对ECG信号数据中的心房颤动信号进行识别。在整个识别过程中仅仅是对ECG信号数据的数据特征进行分析,而不会对ECG信号数据的波形进行调整或处理。
2.为了缩短对心房颤动基础模型的训练时间并提高训练效率,所检索的ECG样本信号的信号特征需要与ECG信号数据大致相似,可以根据ECG信号数据的模糊波形特征和波段特征在ECG存储库中进行检索和筛选,最终将检索筛选出的信号作为ECG样本信号。
附图说明
图1是本申请其中一实施例的基于人工智能的心房颤动检测方法的流程示意图。
图2是本申请其中一实施例的搭建心房颤动基础模型并进行模型训练的流程示意图。
图3是本申请其中一实施例的DenseBlock模块的模块结构图。
图4是本申请其中一实施例的心房颤动基础模型的模型结构图。
图5是本申请其中一实施例的在ECG存储库中检索并获取ECG样本信号的流程示意图。
图6是本申请其中一实施例的通过ECG样本信号对心房颤动基础模型进行模型训练的流程示意图。
图7是本申请其中一实施例的基于心房颤动基础模型搭建心房颤动迁移模型的流程示意图。
图8是本申请其中一实施例的心房颤动迁移模型的模型结构图。
图9是本申请其中一实施例的剔除一次处理数据中的异常数据的流程示意图。
图10是本申请其中一实施例的将ECG信号数据进行解密操作的流程示意图。
具体实施方式
以下结合附图1-10对本申请作进一步详细说明。
本申请实施例公开了一种基于人工智能的心房颤动检测方法。
参照图1,基于人工智能的心房颤动检测方法包括如下步骤:
101,获取ECG信号数据。
其中,心电图(electrocardiogram,ECG)是记录心脏每一心动周期所产生的电活动变化的图形,通过心电监护仪等仪器设备可以获取到ECG信号数据。
102,判断ECG信号数据是否处于加密状态,若是,则执行步骤103;若否,则执行步骤104。
其中,ECG信号数据通常采用DES加密算法进行加密,将ECG信号数据经过分组、置换,再加入加密密钥进行迭代计算,最后生成处于加密状态的ECG信号数据。因此在对ECG信号预处理之前需要先判断ECG信号数据是否处于加密状态。
103,将ECG信号数据进行解密操作,解密操作之后对ECG信号数据进行预处理,得到张量数据。得到张量数据执行步骤105。
其中,由于ECG信号数据的加密算法为DES加密算法,而DES加密算法属于对称加密,因此可以根据DES加密算法加密时的逻辑步骤和加密密钥,对加密状态下的ECG信号数据进行逆推解密,解密后再对ECG信号数据进行预处理。
104,对ECG信号数据进行预处理,得到张量数据。
其中,对ECG信号数据的预处理主要包括统一采样率、剔除异常数据、归一化和格式转换,经过最后一步格式转换的步骤,可以将ECG信号数据转换为适用于神经网络模型的张量数据。
105,搭建心房颤动基础模型,并对所述心房颤动基础模型进行训练。
其中,为了使识别模型具有缓解梯度消失、增强特征传播和降低参数数量的优点,可以基于DenseBlock模块构建心房颤动基础模型。
106,基于训练后的心房颤动基础模型搭建心房颤动迁移模型。
其中,为了增强模型的泛化性和稳定性,将训练完成的心房颤动基础模型进行迁移学习,以搭建出泛化性和稳定性更强的心房颤动迁移模型。
107,通过心房颤动迁移模型对张量数据进行数据处理,得到数据处理结果。
其中,通过心房颤动迁移模型中的多个网络层对张量数据进行数据分析处理,最后通过心房颤动迁移模型中的激活函数层提取出数据处理结果。
108,根据数据处理结果识别ECG信号数据中的心房颤动信号。
其中,在心房颤动基础模型的模型训练过程中,根据训练过程生成的评估曲线和样本数据的训练数据结果,可以生成用于识别心房颤动信号的判定阈值,通过判定阈值对数据处理结果进行判断,即可对ECG信号数据中的心房颤动信号进行识别。
本实施例的实施原理为:
通过检测设备获取ECG信号数据,在利用神经网络模型对ECG信号数据进行处理之前还需要对ECG信号数据进行预处理,以将ECG信号数据处理成适用于模型的张量数据,在预处理之前若ECG信号数据处于加密状态,则还需要先将ECG信号数据进行解密操作。再基于先搭建出的心房颤动基础模型搭建出心房颤动迁移模型,并通过识别模型对张量数据进行数据处理,最终通过数据处理结果对ECG信号数据中的心房颤动信号进行识别。在整个识别过程中仅仅是对ECG信号数据的数据特征进行分析,而不会对ECG信号数据的波形进行调整或处理。
在图1所示实施例的步骤105中,以DenseBlock模块为基础构建出用于识别心房颤动的心房颤动基础模型。具体通过图2所示实施例进行详细说明。
参照图2,搭建心房颤动基础模型并进行模型训练包括如下步骤:
201,通过多个网络层构建DenseBlock模块。
其中,DenseBlock模块采用Conv层、BN层、Relu层、Dropout层和Merge层进行构建,具体模块结构参照图3所示。
202,基于所述DenseBlock模块搭建心房颤动基础模型。
其中,以DenseBlock模块为基础网络结构,添加输入层和输出层构建出心房颤动基础模型,具体模型结构参照图4所示。
203,基于所述ECG信号数据在预设的ECG存储库中检索并获取多个ECG样本信号。
204,通过所述ECG样本信号对所述心房颤动基础模型进行模型训练。
本实施例的实施原理为:
由于ECG信号数据的分析过程较为复杂,因此通过网络层构建出DenseBlock模块作为神经网络模型的基础,DenseBlock模块在模型训练和数据分析过程中可以缓解梯度消失,还可以增强特征传播并降低参数的数量,以DenseBlock模块搭建出心房颤动基础模型。再在存储有大量ECG样本信号的ECG存储库中检索并获取多个ECG样本信号,通过获取到的ECG样本信号对心房颤动基础模型进行模型训练,使得心房颤动基础模型训练至最优状态。
在图2所示实施例的步骤203中,根据ECG信号数据的信号特征在ECG存储库中进行模糊检索和筛选,筛选出多个ECG样本信号。具体通过图5所示实施例进行详细说明。
参照图5,在ECG存储库中检索并获取ECG样本信号包括如下步骤:
301,分析所述ECG信号数据得到模糊波形特征和波段特征。
其中,由于后续的检索过程为模糊检索,因此不需要分析出ECG信号数据具体的波形特征,只需分析得到模糊波形特征即可,从而缩短特征分析的分析时间。
302,基于所述模糊波形特征在预设的ECG存储库中进行模糊检索,得到多个初选样本信号。
其中,当心电监护仪等仪器设备获取到基础ECG信号后,将会对基础ECG信号进行特征分析,分析结束后将基础ECG信号及其对应的特征分析结果存储于ECG存储库中,因此ECG存储库中包含大量的基础ECG信号。
303,基于所述波段特征对所述初选样本信号进行筛选,将筛选出的初选样本信号作为ECG样本信号。
其中,ECG信号数据中不同的波段特征会体现出对应患者不同的病况,因此可以根据波段特征对检索出的初选样本信号进行筛选,筛选出病况类型相同的初选样本信号作为ECG样本信号。
本实施例的实施原理为:
为了缩短对心房颤动基础模型的训练时间并提高训练效率,所检索的ECG样本信号的信号特征需要与ECG信号数据大致相似,可以根据ECG信号数据的模糊波形特征和波段特征在ECG存储库中进行检索和筛选,最终将检索筛选出的信号作为ECG样本信号。
在图2所示实施例的步骤204中,根据ECG样本信号调整心房颤动基础模型中的基础模型参数,从而将心房颤动基础模型训练至最优模型。具体通过图6所示实施例进行详细说明。
参照图6,通过所述ECG样本信号对所述心房颤动基础模型进行模型训练包括如下步骤:
401,初始化所述心房颤动基础模型的基础模型参数。
402,将所述ECG样本信号输入至所述心房颤动基础模型中进行模型训练。
403,在所述模型训练中生成评估曲线。
其中,评估曲线通常为ROC曲线,通过ROC曲线可以进行结果预测。
404,基于所述评估曲线调整所述基础模型参数,直至所述心房颤动基础模型训练至最优模型。
本实施例的实施原理为:
先将心房颤动基础模型的基础模型参数进行初始化,再以ECG样本信号对心房颤动基础模型进行模型训练,训练过程中生成对基础模型评估的评估曲线,每次训练结果都将改变评估曲线,基于评估曲线的改变调整基础模型中的基础模型参数,从而将心房颤动基础模型训练至最优模型。
在图1所示实施例的步骤106中,为了提升模型的泛化性和稳定性,以心房颤动基础模型为基础进行迁移学习并搭建心房颤动迁移模型。具体通过图7所示实施例进行详细说明。
参照图7,基于训练后的心房颤动基础模型搭建心房颤动迁移模型包括如下步骤:
501,将所述心房颤动基础模型的最后一层网络层替换为预设的分类器。
其中,由于通过心房颤动基础模型对ECG信号数据进行分析所得到的结果是面向多对象的,而在图4中心房颤动基础模型最后一层网络层为Softmax层,Softmax层的输出结果更多的是进行二分类分析,因此预设的分类器可以为Sigmoid层。
502,初始化所述心房颤动基础模型中分类器的参数。
其中,初始化Sigmoid层的网络层参数。
503,根据所述心房颤动基础模型的网络层数配置冻结层数。
其中,冻结层数为网络层数的一半。
504,基于所述冻结层数冻结所述心房颤动基础模型中的网络层。
505,对冻结后的心房颤动基础模型进行模型微调,得到心房颤动迁移模型。
其中,使用较小的学习率对心房颤动基础模型进行模型微调,最终得到的心房颤动迁移模型的模型结构图参照图8所示。
本实施例的实施原理为:
以心房颤动基础模型中除去全连接层的所有网络结构作为特征提取器,将最后一层全连接层替换为预设的分类器即完成初步的模型迁移学习,再初始化分类器的参数并对迁移后的心房颤动基础模型进行冻结微调,将心房颤动基础模型通过微调后即完成迁移学习的全步骤,得到心房颤动迁移模型,心房颤动迁移模型比心房颤动基础模型具有更强的泛化能力和更好的稳定性。
在图1所示实施例的步骤108中,根据模型训练时的评估曲线和训练数据结果生成判定阈值,基于判定阈值对数据处理结果进行分析判断,从而判断ECG信号数据中是否包含心房颤动信号。具体通过图9所示实施例进行详细说明。
参照图9,根据所述数据处理结果识别所述ECG信号数据中的心房颤动信号包括如下步骤:
501,获取模型训练的训练数据结果,基于训练数据结果和评估曲线生成判定阈值。
502,判断数据处理结果是否超出判定阈值,若是,则执行步骤503;若否,则执行步骤504。
503,判定ECG信号数据中包含心房颤动信号。
504,判定ECG信号数据中未包含心房颤动信号。
本实施例的实施原理为:
模型训练利用了大量的ECG样本信号,因此可以在模型训练过程中生成对于数据结果进行分析评估的评估曲线,结合大量数据样本的训练数据结果和评估曲线可以生成一个用于界定的判定阈值,通过判定阈值可以对数据处理结果进行分析判断,若数据处理结果超出判定阈值,则说明对应的ECG信号数据中包含心房颤动信号;反之,则不包含心房颤动信号。
在图1所示实施例的步骤103中,根据ECG信号数据加密时所采用的加密密钥和加密逻辑生成用于解密的解密算法,再通过解密算法进行解密。具体通过图10所示实施例进行详细说明。
参照图10,将ECG信号数据进行解密操作包括如下步骤:
601,获取加密密钥和预设的加密逻辑。
602,根据加密逻辑逆向生成解密逻辑。
603,基于解密逻辑和加密密钥生成解密算法。
604,通过解密算法对ECG信号数据进行解密。
本实施例的实施原理为:
对ECG信号数据的加密处理方式为对称加密,因此可以根据正向的加密逻辑逆向生成解密逻辑,再结合加密密钥即可生成用于解密的解密算法,通过解密算法对ECG信号数据进行逆向解密,从而得到解密后的ECG信号数据。
本申请实施例还公开一种基于人工智能的心房颤动检测系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,该程序能够被处理器加载执行时实现上述实施例中的一种基于人工智能的心房颤动检测方法。
本实施例的实施原理为:
通过程序的调取,通过程序的调取,通过检测设备获取ECG信号数据,在利用神经网络模型对ECG信号数据进行处理之前还需要对ECG信号数据进行预处理,以将ECG信号数据处理成适用于模型的张量数据,在预处理之前若ECG信号数据处于加密状态,则还需要先将ECG信号数据进行解密操作。再基于先搭建出的心房颤动基础模型搭建出心房颤动迁移模型,并通过识别模型对张量数据进行数据处理,最终通过数据处理结果对ECG信号数据中的心房颤动信号进行识别。在整个识别过程中仅仅是对ECG信号数据的数据特征进行分析,而不会对ECG信号数据的波形进行调整或处理。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (8)
1.一种基于人工智能的心房颤动检测方法,其特征在于,包括如下步骤:
获取ECG信号数据;
判断所述ECG信号数据是否处于加密状态;
若所述ECG信号数据处于所述加密状态,则将所述ECG信号数据进行解密操作,所述解密操作之后对所述ECG信号数据进行预处理,得到张量数据;
若所述ECG信号数据未处于所述加密状态,则对所述ECG信号数据进行预处理,得到张量数据;
搭建心房颤动基础模型,并对所述心房颤动基础模型进行训练;
基于训练后的心房颤动基础模型搭建心房颤动迁移模型;
通过所述心房颤动迁移模型对所述张量数据进行数据处理,得到数据处理结果;
根据所述数据处理结果识别所述ECG信号数据中的心房颤动信号。
2.根据权利要求1所述的一种基于人工智能的心房颤动检测方法,其特征在于,所述搭建心房颤动基础模型,并对所述心房颤动基础模型进行训练包括如下步骤:
通过多个网络层构建DenseBlock模块;
基于所述DenseBlock模块搭建心房颤动基础模型;
基于所述ECG信号数据在预设的ECG存储库中检索并获取多个ECG样本信号;
通过所述ECG样本信号对所述心房颤动基础模型进行模型训练。
3.根据权利要求2所述的一种基于人工智能的心房颤动检测方法,其特征在于,所述基于所述ECG信号数据在预设的ECG存储库中检索并获取多个ECG样本信号包括如下步骤:
分析所述ECG信号数据得到模糊波形特征和波段特征;
基于所述模糊波形特征在预设的ECG存储库中进行模糊检索,得到多个初选样本信号;
基于所述波段特征对所述初选样本信号进行筛选,将筛选出的初选样本信号作为ECG样本信号。
4.根据权利要求2所述的一种基于人工智能的心房颤动检测方法,其特征在于,所述通过所述ECG样本信号对所述心房颤动基础模型进行模型训练包括如下步骤:
初始化所述心房颤动基础模型的基础模型参数;
将所述ECG样本信号输入至所述心房颤动基础模型中进行模型训练;
在所述模型训练中生成评估曲线;
基于所述评估曲线调整所述基础模型参数,直至所述心房颤动基础模型训练至最优模型。
5.根据权利要求2所述的一种基于人工智能的心房颤动检测方法,其特征在于,所述基于训练后的心房颤动基础模型搭建心房颤动迁移模型包括如下步骤:
将所述心房颤动基础模型的最后一层网络层替换为预设的分类器;
初始化所述心房颤动基础模型中分类器的参数;
根据所述心房颤动基础模型的网络层数配置冻结层数;
基于所述冻结层数冻结所述心房颤动基础模型中的网络层;
对冻结后的心房颤动基础模型进行模型微调,得到心房颤动迁移模型。
6.根据权利要求4所述的一种基于人工智能的心房颤动检测方法,其特征在于,所述根据所述数据处理结果识别所述ECG信号数据中的心房颤动信号包括如下步骤:
获取所述模型训练的训练数据结果,基于所述训练数据结果和所述评估曲线生成判定阈值;
判断所述数据处理结果是否超出所述判定阈值;
若所述数据处理结果超出所述判定阈值,则判定所述ECG信号数据中包含心房颤动信号;
若所述数据处理结果未超出所述判定阈值,则判定所述ECG信号数据中未包含所述心房颤动信号。
7.根据权利要求1所述的一种基于人工智能的心房颤动检测方法,其特征在于,所述将所述ECG信号数据进行解密操作包括如下步骤:
获取加密密钥和预设的加密逻辑;
根据所述加密逻辑逆向生成解密逻辑;
基于所述解密逻辑和所述加密密钥生成解密算法;
通过所述解密算法对所述ECG信号数据进行解密。
8.一种基于人工智能的心房颤动检测系统,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序,该程序能够被处理器加载执行时实现如权利要求1-7中任一项所述的一种基于人工智能的心房颤动检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111605945.2A CN114305446A (zh) | 2021-12-25 | 2021-12-25 | 一种基于人工智能的心房颤动检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111605945.2A CN114305446A (zh) | 2021-12-25 | 2021-12-25 | 一种基于人工智能的心房颤动检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114305446A true CN114305446A (zh) | 2022-04-12 |
Family
ID=81012976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111605945.2A Pending CN114305446A (zh) | 2021-12-25 | 2021-12-25 | 一种基于人工智能的心房颤动检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114305446A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508411A (zh) * | 2018-03-22 | 2018-09-07 | 天津大学 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
CN109276242A (zh) * | 2018-08-02 | 2019-01-29 | 深圳市理邦精密仪器股份有限公司 | 心电信号类型识别的方法和装置 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
CN111666984A (zh) * | 2020-05-20 | 2020-09-15 | 海南电网有限责任公司电力科学研究院 | 一种基于迁移学习的过电压智能识别方法 |
US20200337625A1 (en) * | 2019-04-24 | 2020-10-29 | Interaxon Inc. | System and method for brain modelling |
CN113570512A (zh) * | 2021-02-01 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、计算机及可读存储介质 |
-
2021
- 2021-12-25 CN CN202111605945.2A patent/CN114305446A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508411A (zh) * | 2018-03-22 | 2018-09-07 | 天津大学 | 基于迁移学习的被动雷达外辐射源信号识别方法 |
CN109276242A (zh) * | 2018-08-02 | 2019-01-29 | 深圳市理邦精密仪器股份有限公司 | 心电信号类型识别的方法和装置 |
CN109947086A (zh) * | 2019-04-11 | 2019-06-28 | 清华大学 | 基于对抗学习的机械故障迁移诊断方法及系统 |
US20200337625A1 (en) * | 2019-04-24 | 2020-10-29 | Interaxon Inc. | System and method for brain modelling |
CN111666984A (zh) * | 2020-05-20 | 2020-09-15 | 海南电网有限责任公司电力科学研究院 | 一种基于迁移学习的过电压智能识别方法 |
CN113570512A (zh) * | 2021-02-01 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 一种图像数据处理方法、计算机及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abubaker et al. | Detection of cardiovascular diseases in ECG images using machine learning and deep learning methods | |
CN112006678B (zh) | 基于AlexNet和迁移学习相结合的心电图异常识别方法及系统 | |
CN111626114B (zh) | 基于卷积神经网络的心电信号心律失常分类系统 | |
CN108090509B (zh) | 一种数据长度自适应的心电图分类方法 | |
Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
Feyisa et al. | Lightweight multireceptive field CNN for 12-lead ECG signal classification | |
CN116361688A (zh) | 用于心电节律自动分类的多模态特征融合模型构建方法 | |
Roy et al. | ECG-NET: A deep LSTM autoencoder for detecting anomalous ECG | |
Shahin et al. | COVID-19 electrocardiograms classification using CNN models | |
CN113995417A (zh) | 基于lstm自编码器的心电信号异常预测方法及系统 | |
Hua et al. | An interpretable model for ECG data based on bayesian neural networks | |
CN114305446A (zh) | 一种基于人工智能的心房颤动检测方法及系统 | |
Song et al. | Automatic identification of atrial fibrillation based on the modified Elman neural network with exponential moving average algorithm | |
Jiang et al. | Rule learning based on neural network ensemble | |
CN115607164A (zh) | 心电特征波分割方法、系统、装置及可读存储介质 | |
CN112932431B (zh) | 一种基于1DCNN+InceptionNet+GRU融合网络的心率识别方法 | |
Bozyigit et al. | Classification of electrocardiogram (ECG) data using deep learning methods | |
CN115444428A (zh) | 多导联心电图正异常分类方法、系统、介质、设备及终端 | |
Ren et al. | Robust and task-aware training of deep residual networks for varying-lead ECG classification | |
CN114004258A (zh) | 一种半监督的心电异常检测方法 | |
CN114224354A (zh) | 心律失常分类方法、装置及可读存储介质 | |
Balcı | A hybrid attention-based LSTM-XGBoost model for detection of ECG-based atrial fibrillation | |
Rajesh et al. | A Silent Cardiac Atrial Fibrillation Detection and Classification using Deep Learning Approach | |
Janbhasha et al. | GAN-Based Data Imbalance Techniques for ECG Synthesis to Enhance Classification Using Deep Learning Techniques and Evaluation | |
Jafar et al. | HypGB: High Accuracy GB Classifier for Predicting Heart Disease with HyperOpt HPO Framework and LASSO FS Method |
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 |