[發(fā)明專利]房顫檢測方法、分類模型訓練方法及終端設備

有效

• 申請?zhí)枺?/td>: 201710310466.5
• 申請日: 2017-05-05
• 公開（公告）號: CN107391900B
• 公開（公告）日: 2020-07-14
• 發(fā)明（設計）人: 陳一昕
• 申請（專利權）人: 陳一昕
• 主分類號: G16H50/70
• 分類號: G16H50/70;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 北京睿派知識產權代理事務所(普通合伙) 11597
• 代理人: 劉鋒

1.一種終端設備，其特征在于，包括：

處理器；

用于存儲處理器可執(zhí)行指令的存儲器；

其中，所述處理器被配置為：

對心電圖信號進行預處理，獲取每個心搏對應的預設長度的心搏間隔序列；

將所述心搏間隔序列輸入變換卷積神經網絡，所述變換卷積神經網絡包括變換層、局部卷積層和全局卷積層；

其中，將所述心搏間隔序列輸入變換卷積神經網絡包括：將所述心搏間隔序列輸入所述變換層，分別進行多種預設的變換處理得到對應的多個變換結果；

將所述多個變換結果輸入所述局部卷積層，分別進行局部卷積和池化處理，得到多個局部卷積結果；

將所述多個局部卷積結果組成一個序列并輸入所述全局卷積層，經過卷積、池化和全連接處理后得到房顫檢測分類結果；

其中，將所述心搏間隔序列輸入所述變換層，分別進行多種預設的變換處理得到對應的多個變換結果包括：

對所述心搏間隔序列分別進行濾波、下采樣和保持原始序列處理；

其中，所述將所述多個變換結果輸入所述局部卷積層，分別進行局部卷積和池化處理，得到多個局部卷積結果包括：

對原始數(shù)據(jù)使用一種卷積核，對濾波結果使用另一種卷積核，對下采樣結果采用又一種卷積核。

2.根據(jù)權利要求1所述的終端設備，其特征在于，所述全連接處理為利用softmax回歸模型對經過卷積、池化處理的特征進行二分類，得到包括房顫和非房顫兩個類別的分類結果。

3.根據(jù)權利要求1所述的終端設備，其特征在于，所述處理器還被配置為執(zhí)行：

利用預設統(tǒng)計周期內積累的所述心電圖信號及其對應的房顫檢測分類結果訓練所述變換層、局部卷積層和全局卷積層濾波器的權重矩陣和偏置。

4.根據(jù)權利要求3所述的終端設備，其特征在于，利用預設統(tǒng)計周期內積累的所述心電圖信號及其對應的房顫檢測分類結果訓練所述變換層、局部卷積層和全局卷積層的權重矩陣和偏置包括：

訓練時通過反向傳播算法依次調整所述全局卷積層、局部卷積層和變換層濾波器的權重矩陣和偏置。

5.一種終端設備，其特征在于，包括：

處理器；

用于存儲處理器可執(zhí)行指令的存儲器；

其中，所述處理器被配置為執(zhí)行：

對心電圖信號進行預處理，獲取每個心搏對應的預設長度的心搏間隔序列作為訓練數(shù)據(jù)；

將所述訓練數(shù)據(jù)輸入初始化的變換卷積神經網絡，所述變換卷積神經網絡包括變換層、局部卷積層和全局卷積層；

按照預設迭代次數(shù)進行迭代并完成對所述局部卷積層和全局卷積層的訓練；

其中，按照預設迭代次數(shù)進行迭代并完成對所述局部卷積層和全局卷積層的訓練包括：

將所述訓練數(shù)據(jù)輸入所述變換層，分別進行多種預設的變換處理得到對應的多個變換結果；

將所述多個變換結果輸入所述局部卷積層，分別進行局部卷積和池化處理，得到多個局部卷積結果；

將所述多個局部卷積結果組成一個序列并輸入所述全局卷積層，經過卷積、池化和全連接處理；

其中，將所述訓練數(shù)據(jù)輸入所述變換層，分別進行多種預設的變換處理得到對應的多個變換結果包括：

對所述心搏間隔序列分別進行濾波、下采樣和保持原始序列處理；

其中，所述將所述多個變換結果輸入所述局部卷積層，分別進行局部卷積和池化處理包括：

對原始數(shù)據(jù)使用一種卷積核，對濾波結果使用另一種卷積核，對下采樣結果采用又一種卷積核。

6.根據(jù)權利要求5所述的終端設備，其特征在于，將所述訓練數(shù)據(jù)輸入初始化的變換卷積神經網絡包括：

按照預設參數(shù)初始化所述變換層、局部卷積層和全局卷積層并確定所述訓練數(shù)據(jù)的訓練批次；

將所述訓練數(shù)據(jù)按照所述訓練批次分批輸入所述初始化的變換卷積神經網絡。

7.根據(jù)權利要求5所述的終端設備，其特征在于，按照預設參數(shù)進行迭代并完成所述局部卷積層和全局卷積層的訓練包括：

對所述變換卷積神經網絡進行前向傳播、反向傳播和梯度下降優(yōu)化，完成一次迭代；

根據(jù)預設迭代次數(shù)完成所述變換卷積神經網絡的訓練，得到變換卷積神經網絡模型。