[發明專利]用于心律失常分類的深度模型、利用該模型的方法及裝置

有效

• 申請號: 202110556223.6
• 申請日: 2021-05-21
• 公開（公告）號: CN113095302B
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 張政波;麻琛彬;蘭珂;曹德森;晏沐陽;顏偉
• 申請（專利權）人: 中國人民解放軍總醫院
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06N3/0455;G06N3/0464;G06N3/08;A61B5/318;A61B5/332;A61B5/346;A61B5/352;A61B5/363
• 代理公司: 北京京萬通知識產權代理有限公司 11440
• 代理人: 齊曉靜

1.一種用于心律失常分類的深度模型，其包括：表征學習部分和序列學習部分；

表征學習部分用于接收由原始心電信號解析的等長序列；表征學習部分基于MSCNN結構進行構建，由兩個不同尺度堆疊的卷積塊支路構成；支路一卷積核尺度較大，用以捕獲心電信號的低頻信息，以多尺度特征輸出；支路二卷積核尺度較小，用以捕獲心電信號的高頻信息，以多尺度特征輸出；支路一輸出的多尺度特征和支路二輸出的多尺度特征進行拼接，形成多尺度深度特征，用于輸入到序列學習部分；

序列學習部分基于以LSTM為基本單元的Seq-Seq網絡進行構建，所述Seq-Seq網絡在其編碼器和解碼器之間設置有注意力機制層；其輸出為時序深度特征；

所述支路一、支路二分別由順序連接的卷積感知層、第一池化層、Dropout層、三個連續堆疊的深度可分離卷積層、第二Dropout層、第二池化層、展平層組成；

所述支路一、支路二的第一池化層、Dropout層、三個連續堆疊的深度可分離卷積層、第二Dropout層、第二池化層、展平層相同；

所述支路一的卷積感知層的輸入卷積核尺寸為5×1，通道數為32，跨越步長為3；

所述支路二的卷積感知層的輸入卷積核尺寸為3×1，通道數為32，跨越步長為3；

所述支路一、支路二的三個連續堆疊的深度可分離卷積層的卷積核尺寸為3×1，通道數依次為64，128和256，步長均為1；

所述的以LSTM為基本單元的Seq-Seq網絡為以Bi-LSTM為基本單元的Seq-Seq網絡；

Bi-LSTM基本單元包括輸入層、前向傳播層、后向傳播層；前向傳播層及后向傳播層分別向注意力機制層傳遞信息流；注意力機制層向解碼器傳遞信息流。

2.一種利用權利要求1所述的深度模型的方法，其包括：

將原始心電信號解析為以R峰點為中心點切割成的等長序列后輸入所述深度模型的表征學習部分；

所述深度模型的表征學習部分根據所接收的等長序列，輸出所述多尺度深度特征至所述深度模型的序列學習部分；所述深度模型的序列學習部分根據所輸入的所述多尺度深度特征，得到時序深度特征；

通過SoftMax根據所述時序深度特征計算各心律失常分類的概率。

3.根據權利要求2所述的方法，其特征在于：

將原始心電信號解析為以R峰點為中心點切割成等長序列后，進行數據增強和數據平衡，然后輸入所述深度模型的表征學習部分。

4.一種用于心律失常分類的裝置，其包括：深度模型單元、心電信號解析單元、分類概率計算單元；

深度模型單元通過計算設備實現，其被配置為包括權利要求1所述的深度模型；

心電信號解析單元通過計算設備實現，其被配置用于將原始心電信號解析為以R峰點為中心點切割成的等長序列；該等長序列作為深度模型單元的深度模型的輸入；

分類概率計算單元通過計算設備實現，其被配置通過SoftMax根據深度模型單元的深度模型的輸出的時序深度特征計算各種心律失常類型的概率。

5.根據權利要求4所述的用于心律失常分類的裝置，其特征在于：

心電信號解析單元將原始心電信號解析為以R峰點為中心點切割成等長序列后，進行數據增強和數據平衡，然后輸入所述深度模型的表征學習部分。