房颤的检测方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了房颤的检测方法、装置、计算机设备及存储介质，属于医疗数据分析领域。本发明专利技术通过对待检测心电信号进行预处理获取周期特征值数组，将周期特征值数组输入分类模型，采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，从而记忆之前心跳的特点，获取待检测心电信号的分类结果，以便于从正常波形中区分出异常波形，提高了房颤检测的准确率。

Detection method, device, computer equipment and storage medium of atrial fibrillation

The invention discloses a detection method, a device, a computer device and a storage medium of atrial fibrillation, belonging to the field of medical data analysis. The invention obtains the periodic eigenvalue array by preprocessing the ECG signal to be detected, inputs the periodic eigenvalue array into the classification model, and adds the output results of a group of periodic eigenvalues corresponding to the previous time node and the periodic eigenvalues corresponding to the current time node in an iterative way as the input, so as to memorize the characteristics of the previous heartbeat and obtain the ECG signal to be detected The results of classification can be used to distinguish abnormal waveforms from normal waveforms and improve the accuracy of AF detection.

【技术实现步骤摘要】
房颤的检测方法、装置、计算机设备及存储介质
本专利技术涉及医疗数据分析领域，尤其涉及一种房颤的检测方法、装置、计算机设备及存储介质。
技术介绍
心房颤动(简称：房颤，AF)如图1所示是最常见的持续性心律失常疾病，在人群中的发生率为1％-2％，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％，房颤与脑卒中，心力衰竭，冠状动脉疾病等恶性事件发作高度相关。房颤不仅威胁到人的生命，还严重影响到生活质量，尽管房颤问题很严重，但因为其偶发性，给检测带来了很大的困扰。从生理角度来看，房颤检测通过结合每博心脏周期的心房活动和心室反应来提升检测性能。现有的检测方法主要包括三种方式，一种是RR区间马尔科夫建模结合PR区间变异性和P波形态相似性度量；一种是结合RR区间不规则形、P波缺失、f波出现的模糊逻辑分类方法；另一种是基于机器学习的多变量方法结合上述心电波特征也可以提供增强的AF检测。然而，上述的三种房颤检测方式，普遍采用人工知识提取特征值结合人工智能和机器学习技术进行分类，检测的准确性相对较差。
技术实现思路
针对现有的房颤检测准确差的问题，现提供一种可提升房颤检测准确的房颤的检测方法、装置、计算机设备及存储介质。为实现上述目的，本专利技术提供一种房颤的检测方法，包括下述步骤：S1.采用训练数据对神经网络进行训练获取分类模型；S2.对待检测心电信号进行预处理获取周期特征值数组，根据时间节点将所述周期特征值数组分为多组周期特征值，每一组周期特征值对应一时间节点；r>S3.将所述周期特征值数组输入所述分类模型，所述分类模型采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果。优选的，所述每一组周期特征值包括：P波的持续时间、QRS复合波的持续时间、T波的持续时间、P波的振幅、QRS复合波的振幅、T波的振幅、RR波的间隔距离、RR波的间隔时间差、P波的纵剖面面积。优选的，所述神经网络包括多层感知器、分类器、全连接层和四个隐含层；所述四个隐含层分别为：第一长短期记忆网络层、第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层。优选的，所述训练数据包括多个时间节点和多组周期特征值，每一时间节点对应一组周期特征值；所述步骤S1采用训练数据对神经网络进行训练获取分类模型，包括：将所述训练数据输入至所述多层感知器，所述多层感知器将所述训练数据转换为多维的时间节点对应的多维特征值数据并输入至第一长短期记忆网络层进行训练，将训练后的序列分别输入至第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层三层，经所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的时间平均值并与时间维度相除，将所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的最大值并与时间维度相除，第三长短期记忆网络层提取上一时间节点对应的维特征值序列的预测结果，将第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层的输出结果发送至全连接层及分类器进行计算输出分类概率，并调整所述神经网络中的训练参数，直至所述神经网络的学习率达到预设条件，获取分类模型。优选的，所述预设条件为学习率达在至少3轮的验证没有减低，所述验证为采用验证集对所述神经网络的分类结果进行验证。优选的，所述步骤S2，对待检测心电信号进行预处理获取周期特征值数组，包括：根据每次心动周期将所述待检测心电信号拆分为多组周期特征值。优选的，所述步骤S3，将所述周期特征值数组输入所述分类模型，所述分类模型采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果，包括：将所述周期特征值数组输入所述分类模型，所述分类模型在隐含层采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果。为实现上述目的，本专利技术提供了一种房颤的检测装置，包括：训练单元，用于采用训练数据对神经网络进行训练获取分类模型；预处理单元，用于对待检测心电信号进行预处理获取周期特征值数组，根据时间节点将所述周期特征值数组分为多组周期特征值，每一组周期特征值对应一时间节点；分类单元，用于将所述周期特征值数组输入所述分类模型，所述分类模型采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果。为实现上述目的，本专利技术提供一种计算机设备，所述计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。为实现上述目的，本专利技术提供一种计算机可读存储介质，其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方法的步骤。为实现上述目的，本专利技术提供一种计算机设备，所述计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。为实现上述目的，本专利技术提供一种计算机可读存储介质，其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方法的步骤。本专利技术通过对待检测心电信号进行预处理获取周期特征值数组，将周期特征值数组输入分类模型，采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，从而记忆之前心跳的特点，获取待检测心电信号的分类结果，以便于从正常波形中区分出异常波形，提高了房颤检测的准确率。附图说明图1为房颤波形图；图2为本专利技术所述的房颤的检测的一种实施例的方法流程图；图3为神经网络结构示意图；图4为心电信号波形图；图5为本专利技术所述的房颤的检测装置的一种实施例的模块图；图6为本专利技术所述的计算机设备一实施例的硬件架构示意图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。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。本专利技术的房颤的检测方法、装置、计算机设备及存储介质，主要适用于医疗、保健等领域，提供了一种可记忆心跳提高房颤检测准确率的房颤的检测方法。本专利技术通过对待检测心电信号进行预处理获取周期特征值数组，将周期特征值数组输入分类模型，采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，从而记忆之前心跳的特点，获取待检测心电信号的分类结果，以便于从正常波形中区分出异常波形，提高了房颤检测的准确率。本文档来自技高网...

【技术保护点】
1.一种房颤的检测方法，其特征在于，包括下述步骤：/nS1.采用训练数据对神经网络进行训练获取分类模型；/nS2.对待检测心电信号进行预处理获取周期特征值数组，根据时间节点将所述周期特征值数组分为多组周期特征值，每一组周期特征值对应一时间节点；/nS3.将所述周期特征值数组输入所述分类模型，所述分类模型采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果。/n

【技术特征摘要】
1.一种房颤的检测方法，其特征在于，包括下述步骤：
S1.采用训练数据对神经网络进行训练获取分类模型；
S2.对待检测心电信号进行预处理获取周期特征值数组，根据时间节点将所述周期特征值数组分为多组周期特征值，每一组周期特征值对应一时间节点；
S3.将所述周期特征值数组输入所述分类模型，所述分类模型采用迭代的方式将上一时间节点对应的一组周期特征值的输出结果与当前时间节点对应的周期特征值相加作为输入，以获取所述待检测心电信号的分类结果。


2.根据权利要求1所述的房颤的检测方法，其特征在于，所述每一组周期特征值包括：
P波的持续时间、QRS复合波的持续时间、T波的持续时间、P波的振幅、QRS复合波的振幅、T波的振幅、RR波的间隔距离、RR波的间隔时间差、P波的纵剖面面积。


3.根据权利要求1所述的房颤的检测方法，其特征在于，所述神经网络包括多层感知器、分类器、全连接层和四个隐含层；所述四个隐含层分别为：第一长短期记忆网络层、第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层。


4.根据权利要求3所述的房颤的检测方法，其特征在于，所述训练数据包括多个时间节点和多组周期特征值，每一时间节点对应一组周期特征值；
所述步骤S1采用训练数据对神经网络进行训练获取分类模型，包括：
将所述训练数据输入至所述多层感知器，所述多层感知器将所述训练数据转换为多维的时间节点对应的多维特征值数据并输入至第一长短期记忆网络层进行训练，将训练后的序列分别输入至第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层三层，经所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的时间平均值并与时间维度相除，将所述第二长短期记忆网络层训练的序列经池化层计算各特征值序列的最大值并与时间维度相除，第三长短期记忆网络层提取上一时间节点对应的维特征值序列的预测结果，将第二长短期记忆网络层、第三长短期记忆网络层和第四长短期记忆网络层的输出结果发送至全连接层及进行计算输出分类概率，并调整所述...

【专利技术属性】
技术研发人员：康延妮，李响，贾晓雨，谢国彤，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44