[發明專利]基于深度學習的信號識別方法、裝置和計算機設備

在審

• 申請號: 202011000576.X
• 申請日: 2020-09-22
• 公開（公告）號: CN112120691A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 孫紀光
• 申請（專利權）人: 浙江智柔科技有限公司
• 主分類號: A61B5/0402
• 分類號: A61B5/0402
• 代理公司: 杭州華進聯浙知識產權代理有限公司 33250
• 代理人: 金無量

本申請涉及基于深度學習的信號識別方法、裝置和計算機設備，其中，該基于深度學習的信號識別方法包括：相比于相關技術，本申請實施例提供的基于深度學習的信號識別方法，通過獲取心電圖信號，對所述心電圖信號進行預處理，得到多組預處理信息，將多組所述預處理信息輸入第一深度學習模型，得到多組初始深度特征，其中，所述第一深度學習模型包括多個深度學習子模型，且多組所述預處理信息與多個所述深度學習子模型相對應，將多組所述初始深度特征輸入第二深度學習模型，得到最終識別結果，解決了相關技術中所用分類輸入特征過于片面，存在識別的信息精度低的問題，提高了識別的信息精度。

技術領域

本申請涉及信號處理技術領域，特別是涉及基于深度學習的信號識別方法、裝置和計算機設備。

背景技術

信號處理中的深度學習算法，最常用的兩種：長短期記憶(Long Short-termMemory，簡稱LSTM)和卷積神經網絡(Convolutional Neural Networks，簡稱CNN)。LSTM是一種特殊的循環神經網絡，是處理時序信號最長采用的算法，理論上來說，心電圖(ECG)信號是一種非平穩、非線性、隨機性較強的時序信號，使用LSTM用于ECG時序特征提取，是非常合適的，但是由于LSTM網絡長期依賴的問題，并不適合處理過長的時間序列；CNN是一類包含卷積計算且具有深度結構的前饋神經網絡，是仿造生物的視覺機制構建，其隱含層內的卷積核參數共享和層間連接的稀疏性使得卷積神經網絡能夠以較小的計算量進行學習。

相關技術中，基于心電圖信號的心房顫動數據(Atrial Fibrillation，簡稱AF)的識別中，主要有以下幾種方式：第一種方式，使用了ECGQT間期、QRS斜率、等臨床醫生廣泛使用的特征、以及RR間期變異性、HRV變異性、統計特征等用于AF的識別，該缺點：1、所使用特征需要單獨設計的算法去提取，數百種不同特征的提取，導致算法過于復雜；2、諸如P波檢測、QT間期的自動測量算法誤差大、易受噪聲的影響，很多情況下并不可靠，這些特征很容易導致過擬合、算法無法收斂等問題；3、盡管使用了上百個不同特征，但仍然過于片面，很難保證能夠全面的描述信號的特點；4、所用特征很多都是一維特征，過于簡單、無法更全面的描述信號的特點。第二種方式，將ECG信號或者ECG的瞬時頻譜等當做時序信號，使用LSTM網絡進行AF的識別，使ECG信號作為輸入，由于長期依賴問題，算法效果較差。使用ECG信號的瞬時頻譜和頻譜熵作為輸入(輸入數據量大大減小)對AF進行分類，雖然分類準確率得到了提高，但僅僅從ECG瞬時頻率的角度對AF心律進行識別，過于片面，且無法借鑒醫生部分診斷規則。第三種方式，使用了CNN對心電圖原始信號進行卷積特征提取，并且使用了LSTM網絡對一段心電圖原始信號中具有代表性的心拍波形“centerwave”進行特征提取，最后將特征組合利用XGBOOST進行分類；所使用特征仍然過于片面，忽略了信號的時頻信息、瞬時頻率變化、以及ECG信號的時序特征對于AF識別的巨大幫助。因此，由于ECG信號的復雜性，導致AF的準確識別非常困難，很多情況下輸入特征過于片面，存在識別的信息精度低的問題。

目前針對相關技術中所用分類輸入特征過于片面，存在識別的信息精度低的問題，尚未提出有效的解決方案。

發明內容

本申請實施例提供了一種基于深度學習的信號識別方法、裝置和計算機設備，以至少解決相關技術中所用分類輸入特征過于片面，存在識別的信息精度低的問題。

第一方面，本申請實施例提供了一種基于深度學習的信號識別方法，所述方法包括：獲取心電圖信號；

對所述心電圖信號進行預處理，得到多組預處理信息；

將多組所述預處理信息輸入第一深度學習模型，得到多組初始深度特征，其中，所述第一深度學習模型包括多個深度學習子模型，且多組所述預處理信息與多個所述深度學習子模型相對應；

將多組所述初始深度特征輸入第二深度學習模型，得到最終識別結果。