[發明專利]基于深度學習的多導聯多尺度的心電檢測方法及系統

在審

• 申請號: 202210326494.7
• 申請日: 2022-03-30
• 公開（公告）號: CN114587376A
• 公開（公告）日: 2022-06-07
• 發明（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: 上海鍛創知識產權代理有限公司 31448
• 代理人: 范文琦

本發明提供了一種基于深度學習的多導聯多尺度的心電檢測方法及系統，包括：步驟S1：利用心電圖機采集體表電位數據，并對采集到的體表電位數據進行標注；步驟S2：對采集到的體表電位數據進行預處理，得到預處理后的體表電位數據；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據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據進行心律失常的識別處理，獲取識別結果；本發明的目的是提供一種基于多尺度卷積神經網絡的心律失常的檢測系統，解決了現有技術中的心律失常檢測系統的檢測結果不準確、難以跨導聯訓練的技術問題。

技術領域

本發明涉及神經網絡技術領域，具體地，涉及基于深度學習的多導聯多尺度的心電檢測方法及系統。

背景技術

隨著計算機技術的飛速發展與廣泛應用，計算機輔助診斷對人類的健康發揮出越來越重要的作用。現有技術中，針對單導聯心電圖和多導聯心電圖的計算機輔助診斷方案如下：1、利用支持向量機等分類方法，對統計特征進行訓練，獲得診斷模型。這種技術對特征要求高，且統計特征無法有效完整的囊括心電圖特點，容易造成誤判，除此之外，支持向量機方法主要針對二分類問題，對于心律失常診斷這類多分類問題，其診斷準確率不高；2、基于深度學習的方法；

專利文獻CN108039203A(申請號：201711262407.1)公開了一種基于深度神經網絡的心律失常的檢測系統，包括：分段模塊，用于對獲取的待檢測患者的K導聯心電數據按時間順序進行分段處理，獲取多個K導聯心電數據段，每個K導聯心電數據段的長度相等，K為正整數；檢測模塊，用于將所述多個K導聯心電數據段按照時間的先后順序依次分別輸入訓練好的深度神經網絡模型，獲取所述待檢測患者患心律失常的類型。

專利文獻CN112906748A(申請號：202110096808.4)公開了一種基于殘差網絡的12導聯ECG心律失常檢測分類模型構建方法，將深度學習的思想引入心律失常疾病類型地檢測分類中，在訓練階段將采集到的12導聯ECG數據經過處理后作為輸入，每條12導聯ECG數據所對應的心律失常類型作為標簽訓練殘差網絡，利用了殘差網絡對輸入數據進行充分的特征提取，然后利用SENet對不同通道之間的聯系進行特征融合，再利用3層全連接層進行24種心律失常類型的分類，最終構建成為本網絡模型。

現有技術中主要采用多種卷積神經網絡結構進行特征提取，然而心電圖本身存在波形變化細微，因此固定的卷積核無法有效的提取特征，使得最終診斷準確率不高。其次，當前根據使用場景的要求不同，心電圖檢測一般可分為單導聯檢測和多導聯檢測。現有技術無法有效適應多個使用場景，導致應用場景受限。

專利文獻CN107510452A(申請號：201710939953.8)公開了一種基于多尺度深度學習神經網絡的心電檢測方法，包括：服務器接收任一客戶端發送的待分析的心電數據，所述待分析的心電數據為所述客戶端的采集單元采集的，或者獨立客戶端的采集設備采集并傳送至所述客戶端的；所述服務器利用預先構建的心律失常檢測模型對所述待分析的心電數據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為預先利用多尺度深度卷積人工神經網絡算法訓練心電數據樣本構建的；所述服務器將所述識別結果發送所述客戶端，以使所述客戶端展示所述識別結果。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種基于深度學習的多導聯多尺度的心電檢測方法及系統。

根據本發明提供的一種基于深度學習的多導聯多尺度的心電檢測方法，包括：

步驟S1：利用心電圖機采集體表電位數據，并對采集到的體表電位數據進行標注；

步驟S2：對采集到的體表電位數據進行預處理，得到預處理后的體表電位數據；

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據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；