CN115944305B - 一种无心拍切分的心电异常检测方法、系统、设备及介质 - Google Patents

Abstract

本发明公开了一种无心拍切分的心电异常检测方法、系统、设备及介质，所述方法包括以下步骤：获取待检测心电数据；对待检测心电数据进行预处理，得到处理后心电数据；对处理后心电数据进行切分处理，得到心电数据样本；配置去噪自编码器和CTC分类模块；采用心电数据样本对去噪自编码器进行特征提取训练，得到训练后自编码器；采用心电数据样本对CTC分类模块及训练后自编码器进行联合训练，得到训练后检测模型；采用训练后检测模型对处理后心电数据进行心电异常检测；本发明能够无需预先切分心拍，就可以对心电数据进行去噪和分类，进而有效的避免了因心拍切分错误所造成的检测错误，本发明的检测模型具有较高的检测效果和检测精准度。

Description

一种无心拍切分的心电异常检测方法、系统、设备及介质

技术领域

本发明涉及心电检测技术领域，具体的，本发明应用于医疗领域，特别是涉及一种无心拍切分的心电异常检测方法、系统、设备及介质。

背景技术

在医疗领域中，心电数据对于心脏病的诊断和治疗十分重要。通常情况下，心电数据的判读工作由医生完成，但由于心脏病具有突发性，发病往往不在医院，难以获得医生帮助；此外，即使患者身处医院，但由于心脏病的突发性以及医护人员的有限性，也往往无法及时进行心电数据的判读，易造成诊疗延误。为了解决上述问题，近些年来人们开始探索使用计算机进行心电数据的判读。

目前，计算机进行心电数据判读的一般流程为：首先按心拍切分心电数据，然后进行降噪处理，最后对心拍数据进行分类；而这种方法存在如下几方面的问题：

第一方面，心拍切分的准确度较低：传统方法中，一般提取QRS波峰作为心拍中心，然后左右取固定时间间隔进行切分；然而，心率不齐的病人其心拍间隔本身就不固定，采用固定间隔必然造成划分错误，影响切分的准确度；此外，某些心脏疾病会造成QRS波形畸变，无法找到明显的波峰位置，进一步增加了切分的难度，影响了切分的结果；

第二方面，心拍切分存在局限性：由于心电异常是一个连续的过程，而一个心拍波形异常往往不是孤立的，其前后几个波形也存在征兆；但是，传统方法一般仅对单个心拍进行分析，而忽略周边信息，既不科学也不准确，存在一定的局限性，并且不利于检测结果的正确性；

综上所述，现有技术中采用计算机进行心电数据判读时，首先会进行心拍切分操作，该操作导致现有的心电数据的检测准确度较低，且具有一定局限性。

发明内容

本发明的目的在于，针对现有技术中的上述问题，提供一种无心拍切分的心电异常检测方法、系统、设备及介质，进而解决现有技术中采用计算机进行心电数据判读时，首先会进行心拍切分操作，该操作导致现有的心电数据的检测准确度较低，且具有一定局限性的问题。

为解决上述技术问题，本发明的具体技术方案如下：

一方面，本发明提供一种无心拍切分的心电异常检测方法，包括以下步骤：

心电数据预处理步骤：

获取待检测心电数据；对所述待检测心电数据进行预处理，得到处理后心电数据；对所述处理后心电数据进行切分处理，得到心电数据样本；

检测模型训练步骤：

配置去噪自编码器和CTC分类模块；采用所述心电数据样本对所述去噪自编码器进行特征提取训练，得到训练后自编码器；

采用所述心电数据样本对所述CTC分类模块及所述训练后自编码器进行联合训练，得到训练后检测模型；

心电异常检测步骤：

采用所述训练后检测模型对所述处理后心电数据进行心电异常检测。

作为一种改进的方案，所述对所述待检测心电数据进行预处理，得到处理后心电数据，包括：

对所述待检测心电数据进行量化处理；

基于小波变换策略对量化处理后的所述待检测心电数据进行噪声去除；

对噪声去除后的所述待检测心电数据进行数据归一化处理；

令数据归一化处理后的所述待检测心电数据作为所述处理后心电数据。

作为一种改进的方案，所述对所述处理后心电数据进行切分处理，得到心电数据样本，包括：

设置时间窗口阈值和滑动距离；

按照所述时间窗口阈值和所述滑动距离对所述处理后心电数据进行滑窗切分，得到若干切分数据；

令若干所述切分数据作为所述心电数据样本。

作为一种改进的方案，所述配置去噪自编码器，包括：

设置自编码器构建层值；

按照所述自编码器构建层值构建若干层残差模块，每个所述残差模块包含三个一维卷积操作以及三个批归一化操作；令若干层所述残差模块构成第一编码器；

按照所述自编码器构建层值构建若干层解码模块，每个所述解码模块包含两个反卷积操作和两个批归一化操作；令若干层所述解码模块构成第一解码器；

令所述第一编码器和所述第一解码器构成所述去噪自编码器。

作为一种改进的方案，所述采用所述心电数据样本对所述去噪自编码器进行特征提取训练，得到训练后自编码器，包括：

将所述心电数据样本输入至所述去噪自编码器，得到编码器训练输出；

基于所述心电数据样本和所述编码器训练输出间的误差值，并采用梯度下降策略对所述去噪自编码器进行迭代训练，得到特征映射函数；

令得到所述特征映射函数的所述去噪自编码器作为所述训练后自编码器。

作为一种改进的方案，所述采用所述心电数据样本对所述CTC分类模块及所述训练后自编码器进行联合训练，得到训练后检测模型，包括：

提取所述训练后自编码器中的第一编码器；

将所述第一编码器作为输入端，将所述CTC分类模块作为输出端，并在所述输入端和所述输出端之间搭建包含softmax激励的线性层，得到待训练模型；

将所述心电数据样本输入至所述待训练模型进行有监督学习训练，得到所述训练后检测模型；

进行所述有监督学习训练时，采用梯度下降策略调整所述待训练模型的模型参数。

作为一种改进的方案，所述采用所述训练后检测模型对所述处理后心电数据进行心电异常检测，包括：

将所述处理后心电数据输入至所述训练后检测模型；

调用所述训练后检测模型的第一编码器提取所述处理后心电数据的数据特征；调用所述训练后检测模型的CTC分类模块对所述数据特征进行分类，得到分类输出数据；令所述分类输出数据作为心电检测分类数据。

另一方面，本发明还提供一种无心拍切分的心电异常检测系统，包括：

心电数据预处理模块、检测模型训练模块和心电异常检测模块；

所述心电数据预处理模块，用于获取待检测心电数据；所述心电数据预处理模块对所述待检测心电数据进行预处理，得到处理后心电数据；所述心电数据预处理模块对所述处理后心电数据进行切分处理，得到心电数据样本；

所述检测模型训练模块，用于配置去噪自编码器和CTC分类模块；所述检测模型训练模块采用所述心电数据样本对所述去噪自编码器进行特征提取训练，得到训练后自编码器；所述检测模型训练模块采用所述心电数据样本对所述CTC分类模块及所述训练后自编码器进行联合训练，得到训练后检测模型；

所述心电异常检测模块，用于采用所述训练后检测模型对所述处理后心电数据进行心电异常检测。

另一方面，本发明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所述无心拍切分的心电异常检测方法的步骤。

另一方面，本发明还提供一种计算机设备，所述计算机设备包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；其中：

所述存储器，用于存放计算机程序；

所述处理器，用于通过运行所述存储器上所存放的程序来执行所述无心拍切分的心电异常检测方法的步骤。

本发明技术方案的有益效果是：

本发明所述的无心拍切分的心电异常检测方法，可以实现无需预先切分心拍，就可以对心电数据进行去噪和分类，进而有效的避免了因心拍切分错误所造成的检测错误，且本发明中采用了去噪自编码器提取心电特征，相较于传统的卷积网络，此操作提取的特征具有更好的鲁棒性；再者，本发明采用了两阶段训练的方式，进而更加充分的对检测模型进行了调整，利于提高检测效果和检测精准度，具有较佳的应用价值，弥补了现有技术中所存在的缺陷。

本发明所述的无心拍切分的心电异常检测系统，可以通过心电数据预处理模块、检测模型训练模块和心电异常检测模块的相互配合，进而实现无需预先切分心拍，就可以对心电数据进行去噪和分类，进而有效的避免了因心拍切分错误所造成的检测错误，且本发明中采用了去噪自编码器提取心电特征，相较于传统的卷积网络，此操作提取的特征具有更好的鲁棒性；再者，本发明采用了两阶段训练的方式，进而更加充分的对检测模型进行了调整，利于提高检测效果和检测精准度，具有较佳的应用价值，弥补了现有技术中所存在的缺陷。

本发明所述的计算机可读存储介质，可以实现引导心电数据预处理模块、检测模型训练模块和心电异常检测模块进行配合，进而实现本发明所述的无心拍切分的心电异常检测方法，且本发明所述的计算机可读存储介质还有效提高所述无心拍切分的心电异常检测方法的可操作性。

本发明所述的计算机设备，可以实现存储并执行所述计算机可读存储介质，进而实现本发明所述的无心拍切分的心电异常检测方法。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例1所述无心拍切分的心电异常检测方法的流程示意图；

图2是本发明实施例1所述无心拍切分的心电异常检测方法的详细流程示意图；

图3是本发明实施例1所述无心拍切分的心电异常检测方法中所述去噪自编码器的架构示意图；

图4是本发明实施例1所述无心拍切分的心电异常检测方法中所述第一编码器和所述第一解码器的架构示意图；

图5是本发明实施例1所述无心拍切分的心电异常检测方法中所述心电异常检测步骤的逻辑流程示意图；

图6是本发明实施例2所述无心拍切分的心电异常检测系统的架构示意图；

图7是本发明实施例4所述计算机设备的结构示意图；

附图中的标记说明如下：

1501、处理器；1502、通信接口；1503、存储器；1504、通信总线。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

在本发明的描述中，需要说明的是，本发明所描述的实施例是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，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，都属于本发明保护的范围。

本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

本实施例提供一种无心拍切分的心电异常检测方法，如图1~图5所示，包括以下步骤：

S100、心电数据预处理步骤：

S110、获取待检测心电数据；对所述待检测心电数据进行预处理，得到处理后心电数据；

作为本发明的一种实施方式，所述对所述待检测心电数据进行预处理，得到处理后心电数据，包括：对所述待检测心电数据进行量化处理，待检测心电数据即为获取到的需要进行异常检测的原始心电数据；基于小波变换策略，即使用小波变换对量化处理后的所述待检测心电数据进行噪声去除，进而去除量化处理后心电数据中的噪声；对噪声去除后的所述待检测心电数据进行数据归一化处理，归一化处理时，将所述待检测心电数据归一化到0-1之间；令数据归一化处理后的所述待检测心电数据作为所述处理后心电数据。

S120、对所述处理后心电数据进行切分处理，得到心电数据样本；

作为本发明的一种实施方式，所述对所述处理后心电数据进行切分处理，得到心电数据样本，包括：

设置时间窗口阈值和滑动距离；在本实施方式中，时间窗口阈值为20s，滑动距离为1秒；

按照所述时间窗口阈值和所述滑动距离对所述处理后心电数据进行滑窗切分，得到若干切分数据，此步骤具体是指，取20s的时间窗口对前述处理后心电数据进行滑窗切分，每次的滑动距离为1秒，每滑窗切分一次，生成一个对应的样本，即切分数据，最终得到若干切分数据可作为用于后续训练的所述心电数据样本；在实际操作过程中，前述的时间窗口阈值以及滑动距离可以根据实际的心电数据进行适应性调整；

S200、检测模型训练步骤：

S210、配置去噪自编码器和CTC分类模块；在本实施方式中，CTC分类模块即为基于CTC（Connectionist Temporal Classification）算法的处理模块；

作为本发明的一种实施方式，所述配置去噪自编码器，包括：

设置自编码器构建层值；在本实施方式中，自编码器构建层值为“N”层，如图3所示，按照所述自编码器构建层值构建N层残差模块，如图4所示，每个所述残差模块包含三个一维卷积操作以及三个批归一化操作；令若干层所述残差模块构成第一编码器；按照所述自编码器构建层值构建N层解码模块，如图4所示，每个所述解码模块包含两个反卷积操作和两个批归一化操作；令若干层所述解码模块构成第一解码器；在本实施方式中，使用反卷积操作的目的时进行特征上采样，而解码模块操作数目为二，残差模块操作数据为三的原因是，解码器与编码器的残差连接方式不同，如图3所示，解码器的参数输入并非来自于解码器本身，而是来自于编码器，故采用上述方式进行自编码器的配置，可以有效的避免梯度衰减，进而使解码更加问题，并且能够使训练速度更快；故令所述第一编码器和所述第一解码器构成所述去噪自编码器。

S220、采用所述心电数据样本对所述去噪自编码器进行特征提取训练，得到训练后自编码器；

作为本发明的一种实施方式，所述采用所述心电数据样本对所述去噪自编码器进行特征提取训练，得到训练后自编码器，包括：此步骤中的训练即为本方法中第一个阶段的训练，该阶段主要为去噪自编码器的训练，主要目的是为了让自编码器的输入与解码器的输出相一致；在整个训练过程中，会使自编码器获得所述特征映射函数，进而用来提取心电数据中的心电特征；训练时，将所述心电数据样本输入至所述去噪自编码器，得到编码器训练输出；计算输入和输出之间的误差值，之后基于计算出的所述心电数据样本和所述编码器训练输出间的误差值，并采用梯度下降策略对所述去噪自编码器进行迭代训练（即对去噪自编码器的模型参数通过梯度下降法进行调整，反复迭代使误差值最小化），进而得到特征映射函数；令得到所述特征映射函数的所述去噪自编码器作为所述训练后自编码器。

S230、采用所述心电数据样本对所述CTC分类模块及所述训练后自编码器进行联合训练，得到训练后检测模型；

作为本发明的一种实施方式，所述采用所述心电数据样本对所述CTC分类模块及所述训练后自编码器进行联合训练，得到训练后检测模型，包括：此步骤中，属于本方法中第二阶段的训练，该阶段的训练属于联合训练，在该训练步骤中，仅保留去噪自编码器的编码器部分，并附加线性层和CTC分类模块，此联合训练的目的在于进一步调整模型的参数，使最终用于心电检测的模型的分类结果和预期一致，达到更佳的检测效果；在该步骤中，需要提取/保留所述训练后自编码器中的第一编码器；将所述第一编码器作为输入端，将所述CTC分类模块作为输出端，并在所述输入端和所述输出端之间搭建包含softmax激励的线性层，得到待训练模型；将所述心电数据样本输入至所述待训练模型进行有监督学习训练，得到所述训练后检测模型；在训练过程中，通过保留的第一编码器接收心电数据，其输出后先通过前述的线性层，之后输出至CTC分类模块，用于计算最终的分类结果序列；而该训练过程采用有监督学习训练，并采用梯度下降策略调整所述待训练模型的模型参数，使CTC分类输出与期望输出的误差最小化；期望输出会在训练前进行预先设定。

S300、心电异常检测步骤：

S310、采用所述训练后检测模型对所述处理后心电数据进行心电异常检测；

作为本发明的一种实施方式，所述采用所述训练后检测模型对所述处理后心电数据进行心电异常检测，包括：此步骤即为最终本方法的模型所应用的步骤，实际操作中，本方法的原理通过训练后模型中的去噪自编码器对心电数据进行特征提取，之后利用基于连续时间分类算法（CTC）的CTC分类模型对特征数据进行分类，进而直接处理心电数据，无需预先进行心拍切分；该步骤中需要将完整的所述处理后心电数据输入至所述训练后检测模型；模型即会调用所述训练后检测模型的第一编码器提取所述处理后心电数据的数据特征；之后模型即会调用所述训练后检测模型的CTC分类模块对所述数据特征进行分类，得到分类输出数据；令所述分类输出数据作为心电检测分类数据，心电检测分类数据即为输出的检测结果，在本实施方式中，如图5所示，最终得到的分类结果即为前述的心电检测分类数据，而其中的“A”、“N”、“+”分别对应不同的类别，例如“N”代表所检测的心电数据中属于正常类别的某部分心电数据；本方法中，使用CTC算法进行心电输出的分类，而CTC算法最早用于语音识别中，其能够接收连续信号数据，并实现数据的自动切分、分类；在本方法中，CTC分类模块即可接收上游去噪自编码器的解码输出进行心电数据的特征分类，无需进行现有技术中的心拍切分处理，提高了检测效果和精准度，具有较佳的应用效果和较高的应用价值。

实施例2

本实施例基于与实施例1中所述的一种无心拍切分的心电异常检测方法相同的发明构思，提供一种无心拍切分的心电异常检测系统，如图6所示，包括：心电数据预处理模块、检测模型训练模块和心电异常检测模块；

所述心电数据预处理模块，用于获取待检测心电数据；所述心电数据预处理模块对所述待检测心电数据进行预处理，得到处理后心电数据；所述心电数据预处理模块对所述处理后心电数据进行切分处理，得到心电数据样本；

作为本发明的一种实施方式，所述心电数据预处理模块对所述待检测心电数据进行预处理，得到处理后心电数据，包括：心电数据预处理模块对所述待检测心电数据进行量化处理；心电数据预处理模块基于小波变换策略对量化处理后的所述待检测心电数据进行噪声去除；心电数据预处理模块对噪声去除后的所述待检测心电数据进行数据归一化处理；心电数据预处理模块令数据归一化处理后的所述待检测心电数据作为所述处理后心电数据。

作为本发明的一种实施方式，所述心电数据预处理模块对所述处理后心电数据进行切分处理，得到心电数据样本，包括：心电数据预处理模块设置时间窗口阈值和滑动距离；心电数据预处理模块按照所述时间窗口阈值和所述滑动距离对所述处理后心电数据进行滑窗切分，得到若干切分数据；心电数据预处理模块令若干所述切分数据作为所述心电数据样本。

所述检测模型训练模块，用于配置去噪自编码器和CTC分类模块；所述检测模型训练模块采用所述心电数据样本对所述去噪自编码器进行特征提取训练，得到训练后自编码器；所述检测模型训练模块采用所述心电数据样本对所述CTC分类模块及所述训练后自编码器进行联合训练，得到训练后检测模型；

作为本发明的一种实施方式，所述配置去噪自编码器，包括：检测模型训练模块设置自编码器构建层值；检测模型训练模块按照所述自编码器构建层值构建若干层残差模块，每个所述残差模块包含三个一维卷积操作以及三个批归一化操作；检测模型训练模块令若干层所述残差模块构成第一编码器；检测模型训练模块按照所述自编码器构建层值构建若干层解码模块，每个所述解码模块包含两个反卷积操作和两个批归一化操作；检测模型训练模块令若干层所述解码模块构成第一解码器；检测模型训练模块令所述第一编码器和所述第一解码器构成所述去噪自编码器。

作为本发明的一种实施方式，所述检测模型训练模块采用所述心电数据样本对所述去噪自编码器进行特征提取训练，得到训练后自编码器，包括：检测模型训练模块将所述心电数据样本输入至所述去噪自编码器，得到编码器训练输出；检测模型训练模块基于所述心电数据样本和所述编码器训练输出间的误差值，并采用梯度下降策略对所述去噪自编码器进行迭代训练，得到特征映射函数；检测模型训练模块令得到所述特征映射函数的所述去噪自编码器作为所述训练后自编码器。

作为本发明的一种实施方式，所述检测模型训练模块采用所述心电数据样本对所述CTC分类模块及所述训练后自编码器进行联合训练，得到训练后检测模型，包括：检测模型训练模块提取所述训练后自编码器中的第一编码器；检测模型训练模块将所述第一编码器作为输入端，检测模型训练模块将所述CTC分类模块作为输出端，并在所述输入端和所述输出端之间搭建包含softmax激励的线性层，得到待训练模型；检测模型训练模块将所述心电数据样本输入至所述待训练模型进行有监督学习训练，得到所述训练后检测模型；进行所述有监督学习训练时，检测模型训练模块采用梯度下降策略调整所述待训练模型的模型参数。

所述心电异常检测模块，用于采用所述训练后检测模型对所述处理后心电数据进行心电异常检测；

作为本发明的一种实施方式，所述心电异常检测模块采用所述训练后检测模型对所述处理后心电数据进行心电异常检测，包括：心电异常检测模块将所述处理后心电数据输入至所述训练后检测模型；心电异常检测模块调用所述训练后检测模型的第一编码器提取所述处理后心电数据的数据特征；心电异常检测模块调用所述训练后检测模型的CTC分类模块对所述数据特征进行分类，得到分类输出数据；心电异常检测模块令所述分类输出数据作为心电检测分类数据。

实施例3

本实施例提供一种计算机可读存储介质，包括：

所述存储介质用于储存将上述实施例1所述的无心拍切分的心电异常检测方法实现所用的计算机软件指令，其包含用于执行上述为所述无心拍切分的心电异常检测方法所设置的程序；具体的，该可执行程序可以内置在实施例2所述的无心拍切分的心电异常检测系统中，这样，无心拍切分的心电异常检测系统就可以通过执行内置的可执行程序实现所述实施例1所述的无心拍切分的心电异常检测方法。

此外，本实施例具有的计算机可读存储介质可以采用一个或多个可读存储介质的任意组合，其中，可读存储介质包括电、光、电磁、红外线或半导体的系统、装置或器件，或者以上任意组合。

实施例4

本实施例提供一种电子设备，如图7所示，电子设备可以包括：处理器1501、通信接口1502、存储器1503和通信总线1504，其中，处理器1501，通信接口1502，存储器1503通过通信总线1504完成相互间的通信。

存储器1503，用于存放计算机程序；

处理器1501，用于执行存储器1503上所存放的计算机程序时，实现上述实施例1中所述无心拍切分的心电异常检测方法的步骤。

作为本发明的一种实施方式，上述终端提到的通信总线可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

作为本发明的一种实施方式，通信接口用于上述终端与其他设备之间的通信。

作为本发明的一种实施方式，存储器可以包括随机存取存储器(Random AccessMemory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

作为本发明的一种实施方式，上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

区别于现有技术，采用本申请一种无心拍切分的心电异常检测方法、系统、设备及介质，可以无需预先切分心拍，就可以对心电数据进行去噪和分类，进而有效的避免了因心拍切分错误所造成的检测错误，且本发明中采用了去噪自编码器提取心电特征，相较于传统的卷积网络，此操作提取的特征具有更好的鲁棒性；再者，本发明采用了两阶段训练的方式，进而更加充分的对检测模型进行了调整，利于提高检测效果和检测精准度，具有较佳的应用价值，弥补了现有技术中所存在的缺陷。

应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。

还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本文所提供的几个实施例中，应该理解到，所揭露的系统、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，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。

另外，在本文各个实施例中的各功能单元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，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品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，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种无心拍切分的心电异常检测方法，其特征在于，包括以下步骤：

心电数据预处理步骤：

获取待检测心电数据；对所述待检测心电数据进行预处理，得到处理后心电数据；对所述处理后心电数据进行切分处理，得到心电数据样本；

检测模型训练步骤：

配置去噪自编码器和CTC分类模块；采用所述心电数据样本对所述去噪自编码器进行特征提取训练，得到训练后自编码器；

采用所述心电数据样本对所述CTC分类模块及所述训练后自编码器进行联合训练，得到训练后检测模型；

心电异常检测步骤：

采用所述训练后检测模型对所述处理后心电数据进行心电异常检测；

所述配置去噪自编码器，包括：设置自编码器构建层值；按照所述自编码器构建层值构建若干层残差模块，每个所述残差模块包含三个一维卷积操作以及三个批归一化操作；令若干层所述残差模块构成第一编码器；按照所述自编码器构建层值构建若干层解码模块，每个所述解码模块包含两个反卷积操作和两个批归一化操作；令若干层所述解码模块构成第一解码器；令所述第一编码器和所述第一解码器构成所述去噪自编码器；

所述采用所述心电数据样本对所述CTC分类模块及所述训练后自编码器进行联合训练，得到训练后检测模型，包括：提取所述训练后自编码器中的第一编码器；将所述第一编码器作为输入端，将所述CTC分类模块作为输出端，并在所述输入端和所述输出端之间搭建包含softmax激励的线性层，得到待训练模型；将所述心电数据样本输入至所述待训练模型进行有监督学习训练，得到所述训练后检测模型；进行所述有监督学习训练时，采用梯度下降策略调整所述待训练模型的模型参数。

2.根据权利要求1所述的一种无心拍切分的心电异常检测方法，其特征在于：

所述对所述待检测心电数据进行预处理，得到处理后心电数据，包括：

对所述待检测心电数据进行量化处理；

基于小波变换策略对量化处理后的所述待检测心电数据进行噪声去除；

对噪声去除后的所述待检测心电数据进行数据归一化处理；

令数据归一化处理后的所述待检测心电数据作为所述处理后心电数据。

3.根据权利要求1所述的一种无心拍切分的心电异常检测方法，其特征在于：

所述对所述处理后心电数据进行切分处理，得到心电数据样本，包括：

设置时间窗口阈值和滑动距离；

按照所述时间窗口阈值和所述滑动距离对所述处理后心电数据进行滑窗切分，得到若干切分数据；

令若干所述切分数据作为所述心电数据样本。

4.根据权利要求3所述的一种无心拍切分的心电异常检测方法，其特征在于：

所述采用所述心电数据样本对所述去噪自编码器进行特征提取训练，得到训练后自编码器，包括：

将所述心电数据样本输入至所述去噪自编码器，得到编码器训练输出；

基于所述心电数据样本和所述编码器训练输出间的误差值，并采用梯度下降策略对所述去噪自编码器进行迭代训练，得到特征映射函数；

令得到所述特征映射函数的所述去噪自编码器作为所述训练后自编码器。

5.根据权利要求1所述的一种无心拍切分的心电异常检测方法，其特征在于：

所述采用所述训练后检测模型对所述处理后心电数据进行心电异常检测，包括：

将所述处理后心电数据输入至所述训练后检测模型；

调用所述训练后检测模型的第一编码器提取所述处理后心电数据的数据特征；调用所述训练后检测模型的CTC分类模块对所述数据特征进行分类，得到分类输出数据；令所述分类输出数据作为心电检测分类数据。

6.一种无心拍切分的心电异常检测系统，其特征在于，包括：心电数据预处理模块、检测模型训练模块和心电异常检测模块；

所述心电数据预处理模块，用于获取待检测心电数据；所述心电数据预处理模块对所述待检测心电数据进行预处理，得到处理后心电数据；所述心电数据预处理模块对所述处理后心电数据进行切分处理，得到心电数据样本；

所述检测模型训练模块，用于配置去噪自编码器和CTC分类模块；所述检测模型训练模块采用所述心电数据样本对所述去噪自编码器进行特征提取训练，得到训练后自编码器；所述检测模型训练模块采用所述心电数据样本对所述CTC分类模块及所述训练后自编码器进行联合训练，得到训练后检测模型；所述检测模型训练模块设置自编码器构建层值；所述检测模型训练模块按照所述自编码器构建层值构建若干层残差模块，每个所述残差模块包含三个一维卷积操作以及三个批归一化操作；所述检测模型训练模块令若干层所述残差模块构成第一编码器；按照所述自编码器构建层值构建若干层解码模块，每个所述解码模块包含两个反卷积操作和两个批归一化操作；所述检测模型训练模块令若干层所述解码模块构成第一解码器；所述检测模型训练模块令所述第一编码器和所述第一解码器构成所述去噪自编码器；所述检测模型训练模块提取所述训练后自编码器中的第一编码器；所述检测模型训练模块将所述第一编码器作为输入端，将所述CTC分类模块作为输出端，并在所述输入端和所述输出端之间搭建包含softmax激励的线性层，得到待训练模型；所述检测模型训练模块将所述心电数据样本输入至所述待训练模型进行有监督学习训练，得到所述训练后检测模型；进行所述有监督学习训练时，所述检测模型训练模块采用梯度下降策略调整所述待训练模型的模型参数；

所述心电异常检测模块，用于采用所述训练后检测模型对所述处理后心电数据进行心电异常检测。

7.一种计算机可读存储介质，其特征在于，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权利要求1~5中任一项所述无心拍切分的心电异常检测方法的步骤。

8.一种计算机设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器，所述通信接口，所述存储器通过所述通信总线完成相互间的通信；其中：

所述存储器，用于存放计算机程序；

所述处理器，用于通过运行所述存储器上所存放的程序来执行权利要求1~5中任一项所述无心拍切分的心电异常检测方法的步骤。