[發明專利]一種基于深度學習的心搏識別方法、終端設備及存儲介質

有效

• 申請號: 202010564435.4
• 申請日: 2020-06-19
• 公開（公告）號: CN111772619B
• 公開（公告）日: 2022-09-20
• 發明（設計）人: 李熙;徐擁軍
• 申請（專利權）人: 廈門納龍健康科技股份有限公司
• 主分類號: A61B5/318
• 分類號: A61B5/318;A61B5/366;A61B5/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廈門市精誠新創知識產權代理有限公司 35218
• 代理人: 何家富

1.一種基于深度學習的心搏識別方法，其特征在于，包括以下步驟：

S1：采集心電圖數據組成訓練集，訓練集的構建過程包括：采集多個心電圖數據并將每個心電圖數據截取為多個額定時間長度的子片段，對每個子片段進行心搏類型和心搏位置標記后，將每個心電圖數據對應的所有子片段疊加后的數據和所有子片段標記后的數據疊加后的數據共同組成該心電圖數據的訓練樣本，將采集的所有心電圖數據的訓練樣本組成訓練集；標記包括以下步驟：S11：讀取心電圖數據中的心搏標記信息，提取心搏標記信息中的標簽序列和位置序列；S12：構造心搏類型標記張量label_cls，將每個子片段對應時間范圍內的心搏類型標記依次編碼后寫入心搏類型標記張量label_cls中；S13：構造心搏位置標記張量label_pos，將每個子片段對應時間范圍內的心搏位置標記依次進行位置編碼后寫入心搏位置標記張量label_pos中；

S2：構建心搏識別模型并設定模型的損失函數，對模型進行訓練使得損失函數最小后，得到訓練后的最終模型；

構建的心搏識別模型由編碼器和解碼器組成；

所述編碼器包括一個卷積層和多個改進殘差網絡，改進殘差網絡采用多個不同尺度的卷積核路徑并行編碼；

所述解碼器包括一個帶注意力機制的循環神經網絡和兩個全連接網絡，兩個全連接網絡分別用于識別心搏類型和心搏位置；

所述心搏識別模型的損失函數由分類損失和位置損失兩部分組成；

S3：將待識別心電圖進行預處理后得到的多個子片段依次輸入最終模型，得到最終模型輸出的每個子片段對應的心搏類型和心搏位置的預測序列；將多個預測序列依次連接，組成該待識別心電圖的識別結果。

2.根據權利要求1所述的基于深度學習的心搏識別方法，其特征在于：子片段的截取方法為：根據心電圖數據橫坐標的時間設定采樣點，設定額定時間長度為m，從第1個采樣點開始，截取時間長度為m的區間組成第1個子片段，從第1+m-w個采樣點開始，截取時間長度為m的區間組成第2個片段，依次類推，直到某個片段達到心電圖數據的結尾，其中w表示重疊的范圍，且滿足w = 0.5 * m。

3.根據權利要求1所述的基于深度學習的心搏識別方法，其特征在于：改進殘差網絡結構包括三路不同尺度的ResidualBlock，輸入經過三路不同尺度的ResidualBlock后的輸出合并作為改進殘差網絡的輸出，每路ResidualBlock的卷積核大小依次增加2。

4.根據權利要求1所述的基于深度學習的心搏識別方法，其特征在于：QRS位置損失loss_pos采用L2距離，QRS分類損失loss_cls采用多分類交叉熵。

5.根據權利要求1所述的基于深度學習的心搏識別方法，其特征在于：解碼器中對應于心搏類型的全連接網絡為：循環神經網絡的輸出經過第一個兩層全連接神經網絡MLP1后，再經過Softmax函數進行歸一化變換得到每種心搏類型的概率。

6.根據權利要求1所述的基于深度學習的心搏識別方法，其特征在于：解碼器中對應于心搏位置的全連接網絡為：循環神經網絡的輸出經過第二個兩層全連接神經網絡MLP2后，再經過Sigmoid函數變換得到心搏的位置。

7.一種基于深度學習的心搏識別終端設備，其特征在于：包括處理器、存儲器以及存儲在所述存儲器中并在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如權利要求1~6中任一所述方法的步驟。

8.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于：所述計算機程序被處理器執行時實現如權利要求1~6中任一所述方法的步驟。