CN114587365A - 一种面向可穿戴设备的心电信号异常检测方法 - Google Patents
一种面向可穿戴设备的心电信号异常检测方法 Download PDFInfo
- Publication number
- CN114587365A CN114587365A CN202210194173.6A CN202210194173A CN114587365A CN 114587365 A CN114587365 A CN 114587365A CN 202210194173 A CN202210194173 A CN 202210194173A CN 114587365 A CN114587365 A CN 114587365A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- electrocardiosignal
- loss
- user
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 44
- 230000005856 abnormality Effects 0.000 title claims description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000006870 function Effects 0.000 claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000008014 freezing Effects 0.000 claims abstract description 6
- 238000007710 freezing Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 21
- 239000012634 fragment Substances 0.000 claims description 9
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 210000000707 wrist Anatomy 0.000 claims description 2
- 230000006793 arrhythmia Effects 0.000 claims 1
- 206010003119 arrhythmia Diseases 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 16
- 230000036541 health Effects 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000012552 review Methods 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 241000700605 Viruses Species 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/25—Bioelectric electrodes therefor
- A61B5/251—Means for maintaining electrode contact with the body
- A61B5/256—Wearable electrodes, e.g. having straps or bands
-
- 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
- A61B5/25—Bioelectric electrodes therefor
- A61B5/279—Bioelectric electrodes therefor specially adapted for particular uses
- A61B5/28—Bioelectric electrodes therefor specially adapted for particular uses for electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种面向可穿戴设备的心电信号异常检测方法，包括采集原始心电信号构成对比关系作为网络的训练数据并进行预处理；使用批数据进行模型预训练，获取特征学习模型和监督对比损失函数；去掉非线性投影部分后冻结编码器的参数，添加线性分类层，使用交叉熵损失函数训练线性层参数，获取已训练好的异常检测模型；采用已训练好的异常检测模型，通过可穿戴设备对心电信号进行实时监测，并判断是否出现异常。本发明通过设置正常和异常数据特征的对比，使得正常数据样本在特征空间内距离更近，异常样本距离更远，极大增强了模型的泛化能力，具有更强的特征表达能力，本发明在提高异常检测能力的同时更适配于个体用户，提高了可穿戴设备健康监测系统的效率。
Description
技术领域
本发明属于数据检测领域，具体涉及一种面向可穿戴设备的心电信号异常检测方法。
背景技术
心电图以一种无创的方式从体表记录心脏的电活动，并以P、Q、R、S、T波来标志不同的、可区分的棘波，是医师分析心脏的生理状态和诊断不同类型心脏病的重要依据。心电信号的监测对于房颤、心肌缺血等对人体造成严重健康威胁的疾病的早筛具有重要意义。目前，一般使用标准十二导联心电图进行检测。由于常规心电图检查的时间限制，患者心脏的异常状态极有可能因不处于发作期而无法检出。24小时动态心电图技术虽然被用于记录患者长时间的心电信号，但是由于其不具有将数据实时上传及实时分析的功能，仍依赖人工对收集到的长时心电数据进行观察和分析。由于生理特征的差异以及噪声的影响，心电图在不同个体和不同环境下的波形表现也会有所差异，因此人为诊断心电异常存在费时、费力的问题，诊断结果受到医师主观性的影响较大，往往依赖医师具有丰富的理论基础与临床经验。随着深度学习穿戴式智能心电监测技术的发展，利用一种随身携带的记录仪，可以实现心脏的连续监测与自动诊断，有利于提高心脏异常的诊断与预警速度，守护患者的生命健康。
一般来说，可穿戴心电信号监测产品普遍受到计算、存储与续航性能的制约，市场上现有的可穿戴设备大部分以离线检测的方式作为日常数据的追踪，这些可穿戴心电检测设备中并不能提供长时的无线实时传输或实时诊断的服务。
具体技术中，可穿戴设备上进行心电信号异常的诊断方式一般包括传统的基于信号特征的判断、基于智能模型的判断和人工审核。其中，智能模型指的是通过人工智能技术，基于计算设备实现自动化判别的方式。基于信号特征指的是通过对心电信号波形特征设置基于经验和统计规律的人工判定规则从而给出判别结果的方式。人工审核是指通过专业的、具有丰富临床经验的医生读取心电图后给出主观诊断的方式。一般来说，人工审核虽然具有更高的准确性，但更依赖临床经验，受限于参与审核的医生的数量和质量，目前仍需要花费大量的时间和经济成本。而基于信号特征的判断依赖统计规律，针对单个病人的个体特异性无法自适应修改判断规则，只能用于一些较为简单的，例如心率测定的判断。因此需要依靠智能模型针对病人个体特征进行智能分析与判断。
智能模型往往基于各种类型的机器学习模型对被测人员的心电信号数据进行推理，由于不同个体生理特征的特异性，不同年龄段，不同体质的被测人员的心电信号往往具有各自的特点，因此基于训练集训练的机器学习模型给出的评分结果并不总是完全可靠，无法适配个体用户。
发明内容
本发明的目的在于提供一种稳定可靠的面向可穿戴设备的心电信号异常检测方法，该方法使得深度学习模型在区分用户个人特异性特征的同时进一步提高了对于异常心脏状态的检测能力。
本发明提供的这种面向可穿戴设备的心电信号异常检测方法，包括如下步骤：
S1.采集原始心电信号构成对比关系作为网络的训练数据并进行预处理；
S2.设置监督对比损失函数，使用批数据进行模型预训练，获取特征学习模型；
S3.去掉非线性投影部分后冻结编码器的参数，添加线性分类层，使用交叉熵损失函数训练线性层参数，获取已训练好的异常检测模型；
S4.采用已训练好的异常检测模型，通过可穿戴设备对心电信号进行实时监测，并判断是否出现异常。
所述的步骤S1，采集包括通过单导联或多导联设备从人体胸部采集得到原始心电信号，或通过智能手表设备采集从人体腕部获取原始心电信号；并将原始心电信号按心拍切分或时间片切分。
所述的步骤S1，预处理包括，通过数据集中用户ID和心律异常标签，将不同用户的ECG信号按照疾病状态划分为若干个类别，从各个类别中分别选择ECG数据构成训练时一个批的对比数据组，包括：挑选批数据，从S个用户产生的ECG数据中逐条选择若干个正常ECG样本M和异常ECG样本N构成一个批；设置同一个用户下不同类别数据之间的对比关系包括：随机选择Batch内用户A，在用户A所有样本ZA中选择某一正常数据片
作为锚示例，除锚示例
之外的正常数据片段记作
将
与之前锚示例组成阳性样本对；异常片段记作
将
与锚示例组成阴性样本对；在不同用户数据之间构成对比关系：针对锚示例
将
与同来自于用户A的剩余数据之间组成阳性样本对，而与批中除用户A之外的用户的数据Zp组成阴性样本对，p∈S，p≠A。
所述的步骤S2，利用设置了对比关系的批数据进行特征提取网络的预训练，预训练网络包括训练第一部分和训练第二部分；训练第一部分选择神经网络构造编码器学习ECG数据的特征表达，并输出一个特征向量，代表了编码器对网络的学习结果；训练第二部分将编码器学习到的特征向量进行非线性投影，将编码器学习到的特征向量映射到特定空间中进行特征描述，获取特征学习模型。
所述的监督对比损失函数losstotal包括，
losstotal＝loss1+βloss2
其中，sim(·)为计算特征向量间余弦相似度的函数；β为超参数；MAi表示锚示例；MAj表示除锚示例MAi之外的正常数据片段；NAi表示异常片段；ZA表示用户A的所有样本；Zp表示批中除用户A之外的用户的数据；exp[·]表示指数函数；log(·)表示取对数；losstotal表示监督对比损失函数；loss1表示损失第一部分；loss2表示损失第二部分。
所述的步骤S3包括，对特征学习模型，去掉非线性投影部分后冻结编码器的参数，并添加由全连接层和softmax函数组成的线性分类层，使用交叉熵损失函数基于已有的数据和标签训练线性层参数，获取已训练好的异常检测模型。
所述的步骤S4，包括可穿戴设备进行实时监测，将通过已训练好的异常检测模型对监测到的数据进行分类并给出异常判断的结果。
本发明提供的这种面向可穿戴设备的心电信号异常检测方法，改进了已有对比学习损失函数，以有监督的方式，充分利用疾病标注，设置正常和异常数据特征的对比，使得正常数据样本在特征空间内距离更近，异常样本距离更远，极大增强了模型的泛化能力，从而能够对实际异常检测场景中从未出现过的异常状态进行区分，克服由于医学数据集规模较小带来的限制。本发明在完成心电信号异常检测的过程中，融合了自监督对比学习策略，模型在训练过程中需要比较不同被测人员的心电数据特征，针对不同用户的特异性自适应进行特征映射的调整，具有更强的特征表达能力，该模型在提高异常检测能力的同时更适配于个体用户。该异常检测方法可有效改善当前可穿戴设备必须将所有监测数据传输至后台的能量消耗，实现有筛选的传输数据，同时极大程度避免了时刻传输中可能出现的隐私数据泄露，并且异常结果的实时预警可有效减少医生端的审核校验压力，提高可穿戴设备健康监测系统的效率。
附图说明
图1为本发明方法的流程示意图。
图2为本发明实施例的实施环境示意图。
图3为本发明实施例的流程示意图。
图4为本发明实施例的一种用于对比学习的数据组织形式示意图。
图5为本发明实施例的使用的对比学习神经网络训练框架示意图。
具体实施方式
如图1为本发明方法的流程示意图：本发明提供的这种面向可穿戴设备的心电信号异常检测方法，包括如下步骤：
S1.采集原始心电信号构成对比关系作为网络的训练数据并进行预处理；
本实施例中，对于心电信号数据的获取渠道和数据划分形式不做限制，该ECG数据既可以是通过单导联或多导联设备从人体胸部采集得到，也可以通过智能手表等类似设备采集，可以将其划分单个的心拍，也可以将其划分为时间片。
预处理包括，借助数据集中提供的用户ID和心律异常标签，将不同用户的ECG信号按照正/异常疾病状态划分为多个类别，从各类中分别选择ECG数据构成训练时一个批(Batch)的对比数据组。以图3为例，其中是一种可选的数据组织的具体方式。具体过程包括：第一步，挑选批数据。从S个用户产生的ECG数据中逐条选择多个正常(标签0)ECG样本M和异常(标签1)ECG样本N构成一个批；第二步，设置同一个用户下不同类别数据之间的对比关系。随机选择Batch内用户A，在其所有样本ZA中选择某一正常数据片
作为锚示例(anchor sample)，剩下的正常数据片段记作
将其与之前锚示例组成阳性样本对(positive pairs)，而异常片段记作
将其与锚示例组成阴性样本对(negativepairs)；第三步在不同用户数据之间构成对比关系：针对已设置的锚示例
将其与同来自于用户A的剩余数据之间组成阳性样本对，而与来自Batch内其他用户的数据Zp组成阴性样本对，p∈S，p≠A。对比关系的设置用于学习阳性样本对间的共同特征，区分阴性样本对之间的不同之处。
S2.利用设置了对比关系的批数据进行模型预训练，预训练网络包括训练第一部分和训练第二部分；训练第一部分选择神经网络构造编码器学习ECG数据的特征表达，并输出一个特征向量，代表了编码器对网络的学习结果；训练第二部分将编码器学习到的特征向量进行非线性投影，将编码器学习到的特征向量映射到特定空间中进行特征描述，获取特征学习模型；监督对比损失函数包括在原有对比学习中模型学会区分不同用户特异性的基础上，模型还学会了对正常和异常数据进行区别表达，通过改变编码特征在特定空间超球面内的分布距离，提高其对正常和异常ECG片段的信息编码能力，从而达到更强的异常检测能力。
监督对比损失函数设置为losstotal：
losstotal＝loss1+βloss2
其中，exp[·]表示指数函数；log(·)表示取对数；sim(·)为计算特征向量间余弦相似度的函数。其中β是一个超参数。当权重β越大时，每个用户正常样本对应的特征就会具有越明显的内聚性，内聚性即正常样本之间相距更近，与异常样本相距越远。loss1用于学习来自于同一个用户的ECG数据片段的相似性，通过反向传播更新网络权重，拉近阳性样本对，即
与
和
对应的特征编码向量在投影空间的距离的同时，拉远阴性样本对，即
与Zp的编码特征的距离。当
与
和
间相似度尽可能高，阴性样本对
与Zp间相似度尽可能低时，即loss1中对数项内分子越大，其在分母中占比越大，loss1结果应该越接近0；loss2用于拉近就单个用户而言构成阳性样本对的正常数据
和其他正常数据
经编码后的特征向量的距离，拉远构成阴性样本对的
与异常数据
之间的距离。当单个用户内的阳性样本对
与
间相似度尽可能高，阴性样本对
与
间相似度尽可能低时，即loss2中对数项内分子越大，loss2结果应该越接近0。loss2使得正常和异常两类在特征空间内具有更明显的分布，提高模型对异常心电信号的区分能力。
S3.对特征学习模型，去掉非线性投影部分后冻结编码器的参数，在其后添加由全连接层和softmax函数组成的线性分类层，使用交叉熵损失函数基于已有的数据和标签训练线性层参数，此时模型具备端到端异常检测的功能；
S4.进入日常监测阶段，可穿戴设备将通过已训练好的异常检测模型对监测到的数据进行分类并给出异常判断的结果，此步骤既在设备上完成了异常检测的功能，在使用场景中，能够从长时片段中筛选出需要进一步分析的异常片段发送给服务器，降低了现有的可穿戴设备将所有数据片段进行传输所造成的能量消耗。
如图2为本发明实施例的实施环境示意图。在该实施环境中，主要涉及的用于日常监测用户心电信号状态的软硬件主体大致划分为三个部分：可穿戴设备端，又称之为边缘设备(Edge Device)、后台数据中心、医生端。该方法将应用于可穿戴设备上，进行实时地异常信号监测并向医生端发送异常告警。后台数据中心是旨在为多用户深度分析所采集心电数据的中心平台。医生端是为了针对异常警报情况进行即时灵活的响应。该实施环境下具体的工作流程主要包括：
1、可穿戴设备端用于收集用户心电信号，执行本申请实例中的心电信号异常检测方法对所采集数据进行在线、实时的异常疾病状态检测。
2、当可穿戴设备发现异常时立即告警医生端，同时只需将异常片段上传到数据中心，完成进一步分析。
3、数据中心用于对设备端给出的异常信号进一步分类将生成分析报告返回至医生端。
4、医生端可以查阅异常告警次数，在告警发生时实时地与患者取得联系以确认其健康情况，并可进一步查阅后台服务器给出的分析报告。
如图3为本发明实施例的流程示意图，包括如下步骤：
步骤一、采集原始心电信号构成对比关系作为网络的训练数据，本实施例中，对于心电信号数据的获取渠道和数据划分形式不做限制，该ECG数据既可以是通过单导联或多导联设备从人体胸部采集得到，也可以通过智能手表等类似设备采集，可以将其划分单个的心拍，也可以将其划分为时间片。
本发明借助数据集中提供的用户ID和心律异常标签，将不同用户的ECG信号按照正/异常疾病状态划分为多个类别，从各类中分别选择ECG数据构成训练时一个批(Batch)的对比数据组。如图4为本发明实施例中一种用于对比学习的数据组织形式示意图，是一种可选的数据组织的具体方式。第一步挑选批数据：从S个用户产生的ECG数据中逐条选择多个正常(标签0)ECG样本M和异常(标签1)ECG样本N构成一个批；第二步设置同一个用户下不同类别数据之间的对比关系：随机选择Batch内用户A，在其所有样本ZA中选择某一正常数据片
作为锚示例，剩下的正常数据片段记作
将其与之前锚示例组成阳性样本对，而异常片段记作
将其与锚示例组成阴性样本对；第三步在不同用户数据之间构成对比关系：针对已设置的锚示例
将其与同来自于用户A的剩余数据之间组成阳性样本对，而与来自Batch内其他用户的数据Zp组成阴性样本对，p∈S，p≠A。
如图5为本发明实施例中使用的对比学习神经网络训练框架示意图；步骤二、利用设置了对比关系的批数据进行模型预训练，预训练网络分为两个部分，训练第一部分选用神经网络构造编码器学习ECG数据的特征表达，该网络输出一个特征向量，代表了该编码器对网络的学习结果；训练第二部分将编码器学习到的特征向量进行非线性投影，将其映射到特定空间内以进行更好的特征描述。本发明在原有对比学习中模型学会区分不同用户特异性的基础上，模型还学会了对正常和异常数据进行区别表达，通过改变编码特征在特定空间超球面内的分布距离，提高其对正常和异常ECG片段的信息编码能力，从而达到更强的异常检测能力。
监督对比损失函数设置为losstotal，损失第一部分loss1是为了尽可能学习来自于同一个用户的ECG数据片段的相似性，通过反向传播更新网络权重，拉近
与
和
对应的特征编码向量在投影空间的距离的同时，拉远
与Zp的编码特征的距离，即模型在训练过程中通过区分不同用户的信号特征学习个体差异性；损失第二部分loss2对于同一个用户内的数据，用于拉近其正常数据
和其他正常数据
经编码后的特征向量的距离，拉远
与异常数据
之间的距离，使得正常和异常两类在特征空间内具有更明显的分布，从而提高模型对异常心电信号的区分能力。
losstotal＝loss1+βloss2
其中，sim(·)为计算特征向量间余弦相似度的函数。其中β是一个超参数。当权重β越大时，每个用户正常样本对应的特征就会具有越明显的内聚性，内聚性即正常样本之间相距更近，与异常样本相距越远。
步骤三、针对已得到的特征学习模型，去掉非线性投影部分后冻结编码器的参数，在其后添加由全连接层和softmax函数组成的线性分类层，使用交叉熵损失函数基于已有的数据和标签训练线性层参数，此时模型具备端到端异常检测的功能。
步骤四、进入日常监测阶段，可穿戴设备将通过已训练好的异常检测模型对监测到的数据进行分类并给出异常判断的结果，此步骤既在设备上完成了异常检测的功能，在使用场景中，能够从长时片段中筛选出需要进一步分析的异常片段发送给服务器，降低了现有的可穿戴设备将所有数据片段进行传输所造成的能量消耗。
本发明所提出的基于现有对比学习损失函数的改进，使得深度学习模型在区分用户个人特异性特征的同时进一步提高了对于异常心脏状态的检测能力。
Claims (7)
1.一种面向可穿戴设备的心电信号异常检测方法，其特征在于包括如下步骤：
S1.采集原始心电信号构成对比关系作为网络的训练数据并进行预处理；
S2.设置监督对比损失函数，使用批数据进行模型预训练，获取特征学习模型；
S3.去掉非线性投影部分后冻结编码器的参数，添加线性分类层，使用交叉熵损失函数训练线性层参数，获取已训练好的异常检测模型；
S4.采用已训练好的异常检测模型，通过可穿戴设备对心电信号进行实时监测，并判断是否出现异常。
2.根据权利要求1所述的面向可穿戴设备的心电信号异常检测方法，其特征在于所述的步骤S1，采集包括通过单导联或多导联设备从人体胸部采集得到原始心电信号，或通过智能手表设备采集从人体腕部获取原始心电信号；并将原始心电信号按心拍切分或时间片切分。
3.根据权利要求2所述的面向可穿戴设备的心电信号异常检测方法，其特征在于所述的步骤S1，预处理包括，通过数据集中用户ID和心律异常标签，将不同用户的ECG信号按照疾病状态划分为若干个类别，从各个类别中分别选择ECG数据构成训练时一个批的对比数据组，包括：挑选批数据，从S个用户产生的ECG数据中逐条选择若干个正常ECG样本M和异常ECG样本N构成一个批；设置同一个用户下不同类别数据之间的对比关系包括：随机选择Batch内用户A，在用户A所有样本ZA中选择某一正常数据片
作为锚示例，除锚示例
之外的正常数据片段记作
将
与之前锚示例组成阳性样本对；异常片段记作
将
与锚示例组成阴性样本对；在不同用户数据之间构成对比关系：针对锚示例
将
与同来自于用户A的剩余数据之间组成阳性样本对，而与批中除用户A之外的用户的数据Zp组成阴性样本对，p∈S，p≠A。
4.根据权利要求3所述的面向可穿戴设备的心电信号异常检测方法，其特征在于所述的步骤S2，利用设置了对比关系的批数据进行特征提取网络的预训练，预训练网络包括训练第一部分和训练第二部分；训练第一部分选择神经网络构造编码器学习ECG数据的特征表达，并输出一个特征向量，代表了编码器对网络的学习结果；训练第二部分将编码器学习到的特征向量进行非线性投影，将编码器学习到的特征向量映射到特定空间中进行特征描述，获取特征学习模型。
5.根据权利要求4所述的面向可穿戴设备的心电信号异常检测方法，其特征在于所述的监督对比损失函数losstotal包括，
losstotal＝loss1+βloss2
其中，sim(·)为计算特征向量间余弦相似度的函数；β为超参数；
表示锚示例；
表示除锚示例
之外的正常数据片段；
表示异常片段；ZA表示用户A的所有样本；Zp表示批中除用户A之外的用户的数据；exp[·]表示指数函数；log(·)表示取对数；losstotal表示监督对比损失函数；loss1表示损失第一部分；loss2表示损失第二部分。
6.根据权利要求5所述的面向可穿戴设备的心电信号异常检测方法，其特征在于所述的步骤S3包括，对特征学习模型，去掉非线性投影部分后冻结编码器的参数，并添加由全连接层和softmax函数组成的线性分类层，使用交叉熵损失函数基于已有的数据和标签训练线性层参数，获取已训练好的异常检测模型。
7.根据权利要求6所述的面向可穿戴设备的心电信号异常检测方法，其特征在于所述的步骤S4，包括可穿戴设备进行实时监测，将通过已训练好的异常检测模型对监测到的数据进行分类并给出异常判断的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210194173.6A CN114587365B (zh) | 2022-03-01 | 2022-03-01 | 一种面向可穿戴设备的心电信号异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210194173.6A CN114587365B (zh) | 2022-03-01 | 2022-03-01 | 一种面向可穿戴设备的心电信号异常检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114587365A true CN114587365A (zh) | 2022-06-07 |
| CN114587365B CN114587365B (zh) | 2024-08-30 |
Family
ID=81807729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210194173.6A Active CN114587365B (zh) | 2022-03-01 | 2022-03-01 | 一种面向可穿戴设备的心电信号异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114587365B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115944305A (zh) * | 2023-03-15 | 2023-04-11 | 浪潮金融信息技术有限公司 | 一种无心拍切分的心电异常检测方法、系统、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2912906A1 (en) * | 2015-11-20 | 2017-05-20 | Depura Partners Llc | System for monitoring and classifying vehicle operator behavior |
| CN108833036A (zh) * | 2018-05-31 | 2018-11-16 | 湖南大学 | 人体跌倒检测方法 |
| CN110968717A (zh) * | 2019-11-19 | 2020-04-07 | 迪姆软件(北京)有限公司 | 动态心电数据的检索方法和装置、存储介质、处理器 |
| CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
| WO2021216310A1 (en) * | 2020-04-21 | 2021-10-28 | Google Llc | Supervised contrastive learning with multiple positive examples |
-
2022
- 2022-03-01 CN CN202210194173.6A patent/CN114587365B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2912906A1 (en) * | 2015-11-20 | 2017-05-20 | Depura Partners Llc | System for monitoring and classifying vehicle operator behavior |
| CN108833036A (zh) * | 2018-05-31 | 2018-11-16 | 湖南大学 | 人体跌倒检测方法 |
| CN110968717A (zh) * | 2019-11-19 | 2020-04-07 | 迪姆软件(北京)有限公司 | 动态心电数据的检索方法和装置、存储介质、处理器 |
| CN111449645A (zh) * | 2020-03-07 | 2020-07-28 | 河南大学 | 心电图心拍智能分类识别方法 |
| WO2021216310A1 (en) * | 2020-04-21 | 2021-10-28 | Google Llc | Supervised contrastive learning with multiple positive examples |
Non-Patent Citations (2)
| Title |
|---|
| 樊敏;王晓锋;孟小峰;: "基于可穿戴设备的心电图自适应分类算法研究", 计算机科学, no. 12, 31 December 2019 (2019-12-31), pages 298 - 303 * |
| 肖玲;李仁发;曾凡仔;屈卫兰;: "基于自学习稀疏表示的动态手势识别方法", 通信学报, no. 06, 25 June 2013 (2013-06-25), pages 132 - 139 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115944305A (zh) * | 2023-03-15 | 2023-04-11 | 浪潮金融信息技术有限公司 | 一种无心拍切分的心电异常检测方法、系统、设备及介质 |
| CN115944305B (zh) * | 2023-03-15 | 2023-08-25 | 浪潮金融信息技术有限公司 | 一种无心拍切分的心电异常检测方法、系统、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114587365B (zh) | 2024-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3698707B1 (en) | Electrocardiogram information dynamic monitoring system, computer program and computer readable storage medium | |
| CN110916647A (zh) | 面向多场景的可穿戴心电监测与心律失常远程实时诊断装置 | |
| Cao et al. | ML-Net: Multi-channel lightweight network for detecting myocardial infarction | |
| CN112906748A (zh) | 基于残差网络的12导联ecg心律失常检测分类模型构建方法 | |
| CN110638430B (zh) | 级联神经网络ecg信号心律失常分类模型的搭建方法 | |
| US20220346676A1 (en) | Electrocardiogram-based blood glucose level monitoring | |
| Demirel et al. | Energy-efficient real-time heart monitoring on edge–fog–cloud internet of medical things | |
| CN116602642B (zh) | 心率监测方法、装置、设备 | |
| Chang et al. | AF detection by exploiting the spectral and temporal characteristics of ECG signals with the LSTM model | |
| Lu et al. | An arrhythmia classification algorithm using C-LSTM in physiological parameters monitoring system under internet of health things environment | |
| CN111557659A (zh) | 基于多特征融合与Stacking-DWKNN的心律失常分类方法 | |
| CN113012823A (zh) | 一种用于心电图机的云平台系统 | |
| CN117017301A (zh) | 基于穿戴式心电监护报警系统及方法 | |
| Gupta et al. | A robust framework for automated screening of diabetic patient using ecg signals | |
| CN114587365B (zh) | 一种面向可穿戴设备的心电信号异常检测方法 | |
| Dey et al. | Deep learning algorithms for efficient analysis of ecg signals to detect heart disorders | |
| Zhang | Arrhythmias classification based on CNN and LSTM_ATTENTION hybrid model | |
| Liu et al. | Real-time health monitoring system based on wearable devices | |
| CN114521900B (zh) | 一种基于迁移学习心律失常分类识别的方法 | |
| Bogatinovski et al. | Feature extraction for heartbeat classification in single-lead ECG | |
| Makhir et al. | Comprehensive Cardiac Ischemia Classification Using Hybrid CNN-Based Models. | |
| CN114098754A (zh) | 一种房颤信号预处理方法、检测系统、设备及存储介质 | |
| Korucuk et al. | Estimation of atrial fibrillation from lead-I ECGs: Comparison with cardiologists and machine learning model (CurAlive), a clinical validation study | |
| Aboumadi et al. | A Lightweight Central Learning Approach for Arrhythmia Detection from ECG Signals | |
| Shaji et al. | Detection of Cardiovascular Disease with Minimal Leads Using efficient Machine Learning Techniques |
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 |