【技术实现步骤摘要】
本专利技术涉及深度学习，尤其涉及一种运行于数字信号处理芯片的房颤自动分析系统及方法。
技术介绍
1、心房颤动(af)是一种常见的心律失常疾病，可导致中风、心力衰竭和过早死亡，同时它也是最常见的心脏疾病之一。心电图(ecg)，尤其是十二导联心电图是其主要诊断方法。但是，在心电图上手动筛查房颤既费时又费力还容易出错。为了克服这些限制，人们使用人工智能技术开发了计算机辅助自动检测系统。随着深度学习的兴起，它逐渐取代了原有的人工智能检测算法。其中现在广泛应用在此领域的深度学习算法主要有：全连接神经网络(dnn)，卷积神经网络(cnn)，递归神经网络(rnn)，长短期存储器(lstm)和混合结构。它们各有优缺点。dnn网络一般速度比较快，但网络会比较大。cnn网络一般具有较强的表达能力(representative power)，但需要对每个算法更深入的调试。rnn网络运算速度相对较慢。lstm尽管对序列表达很有用，但它速度慢消耗大量资源。混合结构一般同时使用更好的表达方式和序列特征，但需要更多的运算时间和成本。
2、虽然深度学习算法有着很高的检测性能，但用它们做的模型一般都十分的庞大，会用到很多的计算资源(cpu)和存储资源(内存)。这些在计算机上使用是没有问题的，但是在心电图仪上却很难实现。所以需要一种可以在心电图仪上运用的解决方案。
技术实现思路
1、针对现有技术中存在的问题，本专利技术提供一种运行于数字信号处理芯片的房颤自动分析系统，包括：
2、信号转换模块，
3、特征提取模块，连接所述信号转换模块，用于提取出多个预设临界频带的所述心电频域信号得到第一频域特征信号，以及提取出预设频段的所述心电频域信号得到第二频域特征信号；
4、房颤分析模块，分别连接所述信号转换模块和所述特征提取模块，用于将所述心电时域信号、所述第一频域特征信号和所述第二频域特征信号输入预先训练得到的房颤分析模型中得到所述用户的房颤分析结果。
5、优选的，所述特征提取模块包括提取单元，用于调用所述数字信号处理芯片采用bfcc方法提取出多个预设临界频带的所述心电频域信号得到巴克频带特征，并对所述巴克频带特征进行归一化处理得到所述第一频域特征信号。
6、优选的，所述特征提取模块包括滤波单元，用于对所述心电频域信号进行带通滤波得到所述预设频段内的带通滤波信号并进行归一化处理得到所述第二频域特征信号。
7、优选的，所述房颤分析模型的神经网络结构包括并行的三条网络分支，各所述网络分支的输出汇合连接第一全连接层，所述第一全连接层的输出作为所述房颤分析模型的输出；
8、其中，接入所述心电时域信号的所述网络分支包括依次连接的第二全连接层、七层第三全连接层和门控循环单元层；
9、分别接入所述第一频域特征信号和所述第二频域特征信号的两个所述网络分支包括依次连接的所述第二全连接层、一层所述第三全连接层和所述门控循环单元层。
10、优选的，所述第一全连接层采用的激活函数为sigmoid函数，所述第二全连接层采用的激活函数为tanh函数，所述第三全连接层和所述门控循环单元层采用的激活函数为relu函数。
11、优选的，所述第一全连接层、所述第二全连接层和所述第三全连接层的网络权重的精度为16位浮点数。
12、优选的，所述门控循环单元层包括优化后的一个更新门和一个重置门，所述优化后的更新门和重置门的矩阵为基于优化前的更新门和重置门进行矩阵压缩得到；
13、所述矩阵压缩包括先将优化前的更新门和重置门的矩阵转换为酉矩阵，随后对所述酉矩阵进行秩因子分解得到新矩阵，进而在所述新矩阵中删除低阶部分，最后通过反秩因子分解得到所述优化后的所述更新门和重置门的矩阵。
14、优选的，所述优化后的更新门和重置门的表达式如下：
15、ft＝σ(wf[ht-1,xt]+bf)
16、其中，ft为所述优化后的更新门和重置门，xt为所述门控循环单元层在当前时刻t的输入，wf表示权重矩阵，σ为激活函数，ht-1为上一时刻的隐藏状态，bf为偏量。
17、优选的，所述信号转换模块包括信号预处理单元，用于对获取的所述心电时域信号进行时频转换之前进行去基线漂移和去高频分量处理。
18、本专利技术还提供一种运行于数字信号处理芯片的房颤自动分析方法，应用于上述的房颤自动分析系统，所述房颤自动分析方法包括：
19、步骤s1，所述房颤自动分析系统获取用户的十二导联心电图的心电时域信号，并调用所述数字信号处理芯片的时频转换模块将所述心电时域信号转换为心电频域信号；
20、步骤s2，所述房颤自动分析系统提取出多个预设临界频带的所述心电频域信号得到第一频域特征信号，以及提取出预设频段的所述心电频域信号得到第二频域特征信号；
21、步骤s3，所述房颤自动分析系统将所述心电时域信号、所述第一频域特征信号和所述第二频域特征信号输入预先训练得到的房颤分析模型中得到所述用户的房颤分析结果。
22、上述技术方案具有如下优点或有益效果：
23、1)本专利技术的房颤自动分析系统能够运行在数字信号处理芯片上，进而能够实现在心电图仪上直接进行房颤检测，无需借助另外的计算和存储资源，有效提升房颤检测效率的同时节约医疗资源；
24、2)除心电时域信号之外，还同时采用了心电频域信号作为房颤分析模型的输入，能够更好地检测到每个心拍之间间隔会有较大变化的房颤特征；
25、3)心电时域信号的时频转换能够直接利用数字信号处理芯片的时频转换模块实现，大大加快了运算速度；
26、4)通过对心电频域信号进行预设临界频带和预设频段的特征提取，简化房颤分析模型输入的同时保留了频谱细节；
27、5)对房颤分析模型的神经网络结构进行了深度压缩，并行化及优化处理，使其能够在算力较小的数字信号处理芯片上运行。
本文档来自技高网...【技术保护点】
1.一种运行于数字信号处理芯片的房颤自动分析系统，其特征在于，包括：
2.根据权利要求1所述的房颤自动分析系统，其特征在于，所述特征提取模块包括提取单元，用于调用所述数字信号处理芯片采用BFCC方法提取出多个预设临界频带的所述心电频域信号得到巴克频带特征，并对所述巴克频带特征进行归一化处理得到所述第一频域特征信号。
3.根据权利要求1所述的房颤自动分析系统，其特征在于，所述特征提取模块包括滤波单元，用于对所述心电频域信号进行带通滤波得到所述预设频段内的带通滤波信号并进行归一化处理得到所述第二频域特征信号。
4.根据权利要求1所述的房颤自动分析系统，其特征在于，所述房颤分析模型的神经网络结构包括并行的三条网络分支，各所述网络分支的输出汇合连接第一全连接层，所述第一全连接层的输出作为所述房颤分析模型的输出；
5.根据权利要求4所述的房颤自动分析系统，其特征在于，所述第一全连接层采用的激活函数为Sigmoid函数，所述第二全连接层采用的激活函数为Tanh函数，所述第三全连接层和所述门控循环单元层采用的激活函数为ReLU函数。
7.根据权利要求4所述的房颤自动分析系统，其特征在于，所述门控循环单元层包括优化后的一个更新门和一个重置门，所述优化后的更新门和重置门的矩阵为基于优化前的更新门和重置门进行矩阵压缩得到；
8.根据权利要求7所述的房颤自动分析系统，其特征在于，所述优化后的更新门和重置门的表达式如下：
9.根据权利要求1所述的房颤自动分析系统，其特征在于，所述信号转换模块包括信号预处理单元，用于对获取的所述心电时域信号进行时频转换之前进行去基线漂移和去高频分量处理。
10.一种运行于数字信号处理芯片的房颤自动分析方法，其特征在于，应用于权利要求1-9中任意一项所述的房颤自动分析系统，所述房颤自动分析方法包括：
...【技术特征摘要】
1.一种运行于数字信号处理芯片的房颤自动分析系统，其特征在于，包括：
2.根据权利要求1所述的房颤自动分析系统，其特征在于，所述特征提取模块包括提取单元，用于调用所述数字信号处理芯片采用bfcc方法提取出多个预设临界频带的所述心电频域信号得到巴克频带特征，并对所述巴克频带特征进行归一化处理得到所述第一频域特征信号。
3.根据权利要求1所述的房颤自动分析系统，其特征在于，所述特征提取模块包括滤波单元，用于对所述心电频域信号进行带通滤波得到所述预设频段内的带通滤波信号并进行归一化处理得到所述第二频域特征信号。
4.根据权利要求1所述的房颤自动分析系统，其特征在于，所述房颤分析模型的神经网络结构包括并行的三条网络分支，各所述网络分支的输出汇合连接第一全连接层，所述第一全连接层的输出作为所述房颤分析模型的输出；
5.根据权利要求4所述的房颤自动分析系统，其特征在于，所述第一全连接层采用的激活函数为sigmoid函数，所述第二全连接层采用的...
【专利技术属性】
技术研发人员：贾伟平，梁欣然，侯旭宏，
申请(专利权)人：上海市第六人民医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。