[發(fā)明專利]基于深度學習的多導聯(lián)多尺度的心電檢測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210326494.7
• 申請日: 2022-03-30
• 公開（公告）號: CN114587376A
• 公開（公告）日: 2022-06-07
• 發(fā)明（設計）人: 劉成良;金衍瑞;劉金磊;陶建峰
• 申請（專利權）人: 上海夏先機電科技發(fā)展有限公司
• 主分類號: A61B5/318
• 分類號: A61B5/318;A61B5/346;A61B5/00;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海鍛創(chuàng)知識產(chǎn)權代理有限公司 31448
• 代理人: 范文琦

1.一種基于深度學習的多導聯(lián)多尺度的心電檢測方法，其特征在于，包括：

步驟S1：利用心電圖機采集體表電位數(shù)據(jù)，并對采集到的體表電位數(shù)據(jù)進行標注；

步驟S2：對采集到的體表電位數(shù)據(jù)進行預處理，得到預處理后的體表電位數(shù)據(jù)；

步驟S3：構建心律失常檢測模型，并利用預處理后的體表電位數(shù)據(jù)樣本訓練心律失常檢測模型，得到訓練后的心律失常檢測模型；

步驟S4：利用訓練后的心律失常檢測模型對待分析的心電數(shù)據(jù)進行心律失常的識別處理，獲取識別結果；

所述心律失常檢測模型是卷積神經(jīng)網(wǎng)絡引入多尺度卷積核，提取不同尺度下心電圖的波形特征；同時通過不同卷積方式的級聯(lián)，訓練不同場景下的心律失常檢測模型。

2.根據(jù)權利要求1所述的基于深度學習的多導聯(lián)多尺度的心電檢測方法，其特征在于，所述步驟S2采用：通過帶通濾波器對體表心電數(shù)據(jù)中的各通道心電信號進行濾波處理。

3.根據(jù)權利要求1所述的基于深度學習的多導聯(lián)多尺度的心電檢測方法，其特征在于，所述心律失常檢測模型包括：二維卷積神經(jīng)網(wǎng)絡和多尺度網(wǎng)絡；

利用所述二維卷積神經(jīng)網(wǎng)絡將多導聯(lián)心電圖各導聯(lián)信號進行疊加合成，從而能夠有效應用多導聯(lián)信號和單導聯(lián)信號的輸入；

利用所述多尺度網(wǎng)絡進行多尺度特征提取。

4.根據(jù)權利要求3所述的基于深度學習的多導聯(lián)多尺度的心電檢測方法，其特征在于，所述多尺度網(wǎng)絡包括預設數(shù)量的SE-Residual模塊；

所述SE-Residual模塊包括SE模塊和Residual模塊。

5.根據(jù)權利要求4所述的基于深度學習的多導聯(lián)多尺度的心電檢測方法，其特征在于，所述二維卷積神經(jīng)網(wǎng)絡包括64個卷積核；每個卷積核的大小為1*60；

所述多尺度網(wǎng)絡包括SE-Residual模塊1、SE-Residual模塊2以及SE-Residual模塊3；

所述SE-Residual模塊1中一維卷積層包括64個卷積核；每個卷積核大小為5；

所述SE-Residual模塊2中一維卷積層包括64個卷積核；每個卷積核大小為7；

所述SE-Residual模塊3中一維卷積層包括64個卷積核；每個卷積核大小為9。

6.一種基于深度學習的多導聯(lián)多尺度的心電檢測系統(tǒng)，其特征在于，包括：

模塊M1：利用心電圖機采集體表電位數(shù)據(jù)，并對采集到的體表電位數(shù)據(jù)進行標注；

模塊M2：對采集到的體表電位數(shù)據(jù)進行預處理，得到預處理后的體表電位數(shù)據(jù)；

模塊M3：構建心律失常檢測模型，并利用預處理后的體表電位數(shù)據(jù)樣本訓練心律失常檢測模型，得到訓練后的心律失常檢測模型；

模塊M4：利用訓練后的心律失常檢測模型對待分析的心電數(shù)據(jù)進行心律失常的識別處理，獲取識別結果；

所述心律失常檢測模型是卷積神經(jīng)網(wǎng)絡引入多尺度卷積核，提取不同尺度下心電圖的波形特征；同時通過不同卷積方式的級聯(lián)，訓練不同場景下的心律失常檢測模型。

7.根據(jù)權利要求6所述的基于深度學習的多導聯(lián)多尺度的心電檢測系統(tǒng)，其特征在于，所述模塊M2采用：通過帶通濾波器對體表心電數(shù)據(jù)中的各通道心電信號進行濾波處理。

8.根據(jù)權利要求6所述的基于深度學習的多導聯(lián)多尺度的心電檢測系統(tǒng)，其特征在于，所述心律失常檢測模型包括：二維卷積神經(jīng)網(wǎng)絡和多尺度網(wǎng)絡；

利用所述二維卷積神經(jīng)網(wǎng)絡將多導聯(lián)心電圖各導聯(lián)信號進行疊加合成，從而能夠有效應用多導聯(lián)信號和單導聯(lián)信號的輸入；

利用所述多尺度網(wǎng)絡進行多尺度特征提取。

9.根據(jù)權利要求8所述的基于深度學習的多導聯(lián)多尺度的心電檢測系統(tǒng)，其特征在于，所述多尺度網(wǎng)絡包括預設數(shù)量的SE-Residual模塊；

所述SE-Residual模塊包括SE模塊和Residual模塊。

10.根據(jù)權利要求9所述的基于深度學習的多導聯(lián)多尺度的心電檢測系統(tǒng)，其特征在于，所述二維卷積神經(jīng)網(wǎng)絡包括64個卷積核；每個卷積核的大小為1*60；

所述多尺度網(wǎng)絡包括SE-Residual模塊1、SE-Residual模塊2以及SE-Residual模塊3；

所述SE-Residual模塊1中一維卷積層包括64個卷積核；每個卷積核大小為5；

所述SE-Residual模塊2中一維卷積層包括64個卷積核；每個卷積核大小為7；

所述SE-Residual模塊3中一維卷積層包括64個卷積核；每個卷積核大小為9。