[發明專利]基于人工智能的心電圖心搏自動識別分類方法

有效

• 申請號: 201711203546.7
• 申請日: 2017-11-27
• 公開（公告）號: CN107981858B
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 胡傳言;張雪;田亮;劉濤;曹君;劉暢
• 申請（專利權）人: 上海優加利健康管理有限公司
• 主分類號: A61B5/0402
• 分類號: A61B5/0402;G06K9/00;G06K9/62
• 代理公司: 北京慧誠智道知識產權代理事務所(特殊普通合伙) 11539
• 代理人: 李楠

1.一種基于人工智能的心電圖心搏自動識別分類方法，其特征在于，所述方法包括：

處理接收到的原始心電圖數字信號，生成心搏時間序列數據和導聯心搏數據；

根據心搏時間序列數據，以設定數據量對導聯心搏數據進行切割生成導聯的心搏分析數據；

將導聯的心搏分析數據進行數據組合，得到一維心搏分析數組；

根據一維心搏分析數組，進行數據維度擴增轉換，得到四維張量數據；

將四維張量數據輸入到訓練好的LepuEcgCatNet心搏分類模型，得到所述心搏分析數據所對應的心搏分類信息；

所述一維心搏分析數組，進行數據維度擴增轉換，得到四維張量數據具體包括：

將所述一維心搏分析數組以特定轉換方式轉換成所述訓練得到的心搏分類模型所要求的一個四維張量數據輸入格式；所述四維張量數據具有四個因子，分別為高度數據、寬度數據、通道數據和批量數據；

其中，所述特定轉換方式具體為：

按照輸入樣本的長度確定高度數據和寬度數據，根據所述高度數據或寬度數據或者通道數據生成融合數據；其中所述通道數據為導聯的數量；

根據批量數據和融合數據生成一個四維張量數據；所述批量數據為輸入樣本的數量。

2.根據權利要求1所述的心電圖心搏自動識別分類方法，其特征在于，所述根據心搏時間序列數據，以設定數據量對導聯心搏數據進行切割生成導聯的心搏分析數據具體包括：

依據所述心搏時間序列數據，確定所述導聯心搏數據的中心采樣點；

以所述導聯中心采樣點為中心，按照時間表征數據和預設數據采樣頻率，對所述導聯心搏數據以設定數據量向兩側進行數據取樣，得到所述導聯的心搏分析數據。

3.根據權利要求1所述的心電圖心搏自動識別分類方法，其特征在于，所述導聯心搏分析數據為單導聯心搏分析數據，所述將導聯的心搏分析數據進行數據組合，得到一維心搏分析數組具體包括：

對所述單導聯心搏分析數據，按照心搏時間序列數據，組合為一維心搏分析數組。

4.根據權利要求1所述的心電圖心搏自動識別分類方法，其特征在于，所述導聯心搏分析數據為多導聯心搏分析數據，所述將導聯的心搏分析數據進行數據組合，得到一維心搏分析數組具體包括：

對所述多導聯心搏分析數據，按照所述導聯參數和心搏時間序列數據，組合為一維心搏分析數組。

5.根據權利要求1所述的心電圖心搏自動識別分類方法，其特征在于，將所述四維張量數據輸入到訓練得到的LepuEcgCatNet心搏分類模型，得到所述心搏分析數據所對應的心搏分類信息具體包括：

根據LepuEcgCatNet心搏分類模型，對輸入的四維張量數據進行逐層卷積提取特征，通過推理運算得到所述心搏分析數據所對應的心搏分類信息。

6.根據權利要求5所述的心電圖心搏自動識別分類方法，其特征在于，所述方法還包括：建立并訓練所述LepuEcgCatNet心搏分類模型。

7.根據權利要求6所述的心電圖心搏自動識別分類方法，其特征在于，建立并訓練所述LepuEcgCatNet心搏分類模型具體包括：

基于深度卷積神經網絡AlexNet，Vgg16，ResNet，和Inception這些成熟公開的深度學習模型，構建端對端多標簽的針對心電圖心搏分類識別的LepuEcgCatNet多層卷積神經網絡的深度學習模型；

訓練LepuEcgCatNet心搏分類模型得到模型結構數據和參數數據，存儲和加密模型結構數據和參數數據。

8.根據權利要求6所述的方法，其特征在于，所述訓練具體包括：

選取訓練樣本；

將訓練樣本轉換為預設標準數據格式進行存儲；

對所述訓練樣本進行數據切割、組合和轉換，對訓練樣本輸入LepuEcgCatNet心搏分類模型進行訓練，對訓練好的模型結構數據和參數數據按照Google Protocol Buffers數據協議進行存儲，并且使用對稱加密算法對模型結構數據和參數數據進行加密保護。