【技术实现步骤摘要】
本专利技术涉及医疗检测领域，具体地，涉及一种基于深度学习的特征点定位和疾病检测的多任务心电图分析方法、系统及介质。
技术介绍
1、心血管疾病已然成为全球非传染性疾病中引发发病率和死亡率攀升的主要原因。据相关数据显示，其危害范围之广、影响程度之深，严重威胁着人类的健康。
2、此外，在初次感染covid-19后的短短一年内，患者患心血管疾病的风险出现了显著增加的情况，包括心脏骤停和心力衰竭等疾病的发病几率大幅上升，这无疑给患者的生命健康又蒙上了一层阴影。
3、近年来，心电图(ecg)的出现以及计算机辅助技术的不断进步，为评估患者健康状况带来了极大的便利。通过心电图能够获取心脏电活动的相关信息，计算机辅助技术则可对这些信息进行快速处理与分析。
4、然而，当前的技术仍存在明显不足。对于一些复杂心脏疾病，现有的分析方法在诊断精度上还有待进一步提高，往往无法精准地判断病情，导致误诊或漏诊情况时有发生。而且，这些方法大多缺乏可解释性，医生和患者难以清晰理解诊断结果是如何得出的，这在很大程度上影响了后续治疗方案的制定与实施。
5、通过对专利文献的检索发现，申请号为201510520104.x的中国专利，公开了一种基于深度神经网络的心电图智能处理方法，该方法包括:a).信号归一化处理；b).确定训练样本空间；c).确定验证样本空间；d).确定神经网络结构；e).确定激活函数和目标函数；f)训练神经网络；g).心电图信号的自动分析。但该专利将心电信号的波形特征作为整体直接输入到模型中，没有考虑时域的离
6、2021年11月的第43届ieee医学与生物工程学会国际年会(embc)论文集第591页公开了“基于心电图轮廓自监督学习的心律失常检测”，该论文利用心电特征点进行训练的方法，用于下游心律失常分类。但该方法需要大量的数据，可能导致相关信息的丢失，并且不一定能充分地将心电特征与疾病病理联系起来。
7、综上所述，针对上述现有技术的问题，研究一种基于深度学习的特征点定位和疾病检测的多任务心电图分析方法及系统成为当下亟待解决的关键任务。
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的是提供一种一种基于深度学习的多任务心电图分析方法、系统及介质。
2、根据本专利技术提供的一种基于深度学习的多任务心电图分析方法，包括以下步骤：
3、步骤s1，接收客户端发送的待分析心电数据，并对待分析心电数据进行预处理，得到预处理后的待分析心电数据；
4、步骤s2，利用训练完成的多任务心电检测模型对预处理后的待分析心电数据进行心律失常识别处理，得到识别结果；
5、步骤s3，将识别结果传输至终端设备。
6、优选地，步骤s1中，预处理包括：数据标准化及滤波处理。
7、优选地，步骤s2包括如下子步骤：
8、步骤s2.1，构建多任务心电检测模型；
9、步骤s2.2，构建心电数据库；
10、步骤s2.3，基于心电数据库，进行心电数据库预处理，得到预处理后的心电数据库；
11、步骤s2.4，对预处理后的心电数据库中的每一份心电信号，运用静态小波变换方法生成波形特征点，然后将波形特征点与对应的心电信号一起保存在心电数据库中，得到更新后的心电数据库；
12、步骤s2.5，利用更新后的心电数据库，对多任务心电检测模型进行迭代训练，得到训练完成的多任务心电检测模型；
13、步骤s2.6，利用训练完成的多任务心电检测模型对预处理后的待分析心电数据进行心律失常识别处理，得到识别结果。
14、优选地，步骤s2.1中，多任务心电检测模型包括：一维卷积特征提取模块、注意力机制引导的双模态融合模块、特征点分割模块和心律失常疾病分类模块。
15、优选地，步骤s2.2包括：针对心电数据判断心脏疾病类型，并对整段心律失常种类进行标注得到诊断标签，构建心电数据库。
16、优选地，步骤s2.3包括：心电数据库预处理包括：数据标准化及滤波处理。
17、优选地，步骤s2.4中，采用静态小波变换方法的过程包括如下子步骤：
18、步骤s2.4.1，波形包括qrs复合波、t波和p波，通过qrs复合波检测以获取qrs复合波的特征点，通过t波检测来得到t波的特征点，通过p波检测确定p波的特征点，计算各个波形的峰值点，峰值点通过基于阈值的滑动窗口研究方法进行标注；
19、步骤s2.4.2，采用静态小波变换方法计算各个波形的起点和终点，公式如下式所示：
20、
21、其中，φj,k是尺度函数，ψj,k(t)是小波函数，计算公式如下：
22、
23、其中j为尺度参数，k为平移参数，得到的近似系数cj,k和细节系数dj,k，如下公式表示：
24、
25、其中，细节系数包含信号的高频成分，用于表示信号中突发或快速变化的信息；近似系数则表示信号的低频成分，用于反映信号的整体趋势，对计算得到的细节系数进一步采用滑动窗口方法，得到各个波形的起点和终点。
26、优选地，步骤s2.6中：对预处理后的待分析心电数据进行心律失常识别处理时，利用训练完成的多任务心电检测模型执行如下操作：
27、输入预处理后的待分析的心电信号，经过一维卷积特征提取模块、注意力机制引导的双模态融合模块，得到融合后的特征，特征点分割模块对融合后的心电信号波形进行分割，得到与波形对应的特征点，心律失常疾病分类模块利用融合后的特征以及与波形对应的特征点进行分析处理，输出包括心律失常分类和波形特征显著性图的识别结果。
28、本专利技术还提供了一种基于深度学习的多任务心电图分析系统，包括：
29、模型m1，接收客户端发送的待分析心电数据，并对待分析心电数据进行预处理，得到预处理后的待分析心电数据；
30、模型m 2，利用训练完成的多任务心电检测模型对预处理后的待分析心电数据进行心律失常识别处理，得到识别结果；
31、模型m 3，将识别结果传输至终端设备。
32、本专利技术还提供了一种存储有计算机程序的计算机可读存储介质，计算机程序被处理器执行时实现上述的一种基于深度学习的多任务心电图分析方法的步骤。
33、与现有技术相比，本专利技术具有如下的有益效果：
34、1、本专利技术采用基于注意力机制引导的双模态融合的方法，有效实现了不同任务间的信息融合，突出呈现诊断信息的显著性图，有效解决了心电信号诊断可解释性差的问题，即便在包含多样性心脏疾病的不平衡数据集上，也达到了高的诊断精度。
35、2、本专利技术采用基于特征点定位的辅助任务(通过静态小波变换生成特征点用于模型训练)，解决了模型的稳定性和鲁棒性方面的问题，达到了降低对噪声和数据分布变化敏感的效果。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的多任务心电图分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的多任务心电图分析方法，其特征在于，所述步骤S1中，所述预处理包括：数据标准化及滤波处理。
3.根据权利要求1所述的一种基于深度学习的多任务心电图分析方法，其特征在于，所述步骤S2包括如下子步骤：
4.根据权利要求3所述的一种基于深度学习的多任务心电图分析方法，其特征在于，所述步骤S2.1中，所述多任务心电检测模型包括：一维卷积特征提取模块、注意力机制引导的双模态融合模块、特征点分割模块和心律失常疾病分类模块。
5.根据权利要求4所述的一种基于深度学习的多任务心电图分析方法，其特征在于，所述步骤S2.2包括：针对心电数据判断心脏疾病类型，并对整段心律失常种类进行标注得到诊断标签，构建心电数据库。
6.根据权利要求5所述的一种基于深度学习的多任务心电图分析方法，其特征在于，所述步骤S2.3包括：所述心电数据库预处理包括：数据标准化及滤波处理。
7.根据权利要求6所述的一种基于深度学习的多任务心电图分析
8.根据权利要求7所述的一种基于深度学习的多任务心电图分析方法，其特征在于，所述步骤S2.6中：对所述预处理后的待分析心电数据进行心律失常识别处理时，利用所述训练完成的多任务心电检测模型执行如下操作：
9.一种基于深度学习的多任务心电图分析系统，其特征在于，包括：
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的一种基于深度学习的多任务心电图分析方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的多任务心电图分析方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的多任务心电图分析方法，其特征在于，所述步骤s1中，所述预处理包括：数据标准化及滤波处理。
3.根据权利要求1所述的一种基于深度学习的多任务心电图分析方法，其特征在于，所述步骤s2包括如下子步骤：
4.根据权利要求3所述的一种基于深度学习的多任务心电图分析方法，其特征在于，所述步骤s2.1中，所述多任务心电检测模型包括：一维卷积特征提取模块、注意力机制引导的双模态融合模块、特征点分割模块和心律失常疾病分类模块。
5.根据权利要求4所述的一种基于深度学习的多任务心电图分析方法，其特征在于，所述步骤s2.2包括：针对心电数据判断心脏疾病类型，并对整段心律失常种类进行标注得到诊断标签，构建心电数据库。
<...【专利技术属性】
技术研发人员：刘成良，王梦潇，刘金磊，
申请(专利权)人：上海哈特智康医疗技术有限公司，
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。