[發明專利]心電節律和形態異常識別及裝置在審
| 申請號： | 202010241470.2 | 申請日： | 2020-03-31 |
| 公開（公告）號： | CN111743531A | 公開（公告）日： | 2020-10-09 |
| 發明（設計）人： | 鄭志強;朱欣予 | 申請（專利權）人： | 江蘇廣宇淘璞網絡科技有限公司 |
| 主分類號： | A61B5/0402 | 分類號： | A61B5/0402;A61B5/0472;A61B5/00 |
| 代理公司： | 暫無信息 | 代理人： | 暫無信息 |
| 地址： | 210000 江蘇省南京市江北新*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 節律 形態 異常 識別 裝置 | ||
1.一種心電節律和形態異常識別方法，其特征在于該方法包括：
(1)采集短時的12導聯心電序列數據；
(2)將采集的短時12導聯心電序列數據按照單個樣本單個導聯進行z-score歸一化，歸一化后的單個樣本的每個導聯均值為0標準差為1；
(3)基于殘差網絡模塊結構和SE block構建心電節律和形態異常識別模型網絡ResSe-CNN。
(4)根據歸一化的12導聯心電序列數據，基于ResSe-CNN算法進行訓練，得到識別模型；
(5)根據訓練得到的網絡模型預測未知標簽的12導聯心電序列數據，得到類別概率分布，完成節律和形態異常識別。
2.根據權利要求1所述的心電節律和形態異常識別方法，其特征在于：步驟(3)中所述神經網絡采用基于殘差卷積塊(Residual convolutional block)和壓縮激勵塊(Squeeze-and-Excitation block,SE block)的ResSe-CNN算法訓練模型，得到模型。
3.根據權利要求1所述的心電節律和形態異常識別方法，其特征在于：步驟(5)具體包括：
(5.1)建立目標函數：
式中，L表示目標函數交叉熵的大小，M表示類別的總數，N表示訓練集樣本的個數，wc表示類別c的權重，yic表示樣本i是否包含類別c的真實標簽，如果樣本i包含類別c則yic＝1，否則為0，pic表示訓練得到的樣本i屬于類別c的概率；
(5.2)求解單元，通過Adam，一種一階梯度優化算法求解該目標函數，得到類別概率分布pic。
4.一種心電節律和形態異常識別方法裝置，其特征在于包括：
數據采集模塊，采集短時的12導聯心電序列數據；
數據預處理模塊，用于將采集的短時12導聯心電序列數據按照單個樣本單個導聯進行z-score歸一化，歸一化后的單個樣本的每個導聯均值為0標準差為1；
模型設計模塊：基于殘差網絡模塊和SE block構建心電節律和形態異常識別網絡ResSe-CNN。
模型訓練模塊，根據歸一化的12導聯心電序列數據基于ResSe-CNN算法進行訓練，得到識別模型；
心電節律和形態異常識別模塊，用于根據訓練得到的網絡模型預測未知標簽的12導聯心電序列數據，得到類別概率分布，完成節律和形態異常識別。
5.根據權利要求4所述的心電節律和形態異常識別方法裝置，其特征包括：所述數據預處理模塊中采用短時12導聯心電序列數據按照單個樣本單個導聯進行z-score歸一化的數據作為訓練數據，采用基于殘差卷積塊(Residual convolutional block)和壓縮激勵塊(Squeeze-and-Excitation block,SE block)的ResSe-CNN算法訓練模型，得到模型。
6.根據權利要求4所述的心電節律和形態異常識別方法裝置，其特征在于：所述模型訓練模塊具體包括：
目標函數建立單元，用于建立目標函數：
式中，L表示目標函數交叉熵的大小，M表示類別的總數，N表示訓練集樣本的個數，wc表示類別c的權重，yic表示樣本i是否包含類別c的真實標簽，如果樣本i包含類別c則yic＝1，否則為0，pic表示訓練得到的樣本i屬于類別c的概率；
求解單元，通過Adam，一種一階梯度優化算法求解該目標函數，得到類別概率分布pic。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于江蘇廣宇淘璞網絡科技有限公司，未經江蘇廣宇淘璞網絡科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010241470.2/1.html，轉載請聲明來源鉆瓜專利網。
