[发明专利]一种心电诊断模型的判断方法及心电检测装置

说明书

本申请涉及一种心电诊断模型，其特征在于，包括以下步骤：S1，收集N条静息十二导联心电图数据，房颤心电图数据和非房颤心电图数据的数量相等；S2，进行预处理：如果信号采样频率低于200Hz，则先重采样，使采样频率达到200Hz以上，然后进行滤波；S3，训练深度学习网络：深度学习网络包括至少3个卷积层，作为特征提取模块，最少包含2个全连接层，作为分类模块；S4，通过最小化下的损失函数的损失值对深度学习网络的参数进行优化，获取整个深度学习网络中所有的权重和偏移。本发明提出了一种损失函数，不仅减小输入与标签之间的误差，还约束不同类别信号的特征层的输出之间误差。

技术领域

本申请属于心电信号处理技术领域，尤其是涉及一种心电仿真模型的信号优化方法及心电检测装置。

背景技术

采用深度学习模型对房颤进行辅助筛查时，得出的结果只可能有两种，房颤或者非房颤。而其得出房颤和非房颤的原因在于新的心电信号的数据与训练数据中的房颤数据的特征更为接近，还是与训练数据中的非房颤数据更为接近。然而现实中很难获得所有类型的房颤数据，特别是所有类型的非房颤数据。因此学习到的网络特征有些可能并不是用于区别房颤和非房颤的关键。因此，对于没有参与过训练的类型的非房颤心电信号，训练好的深度学习模型出错几率较大。另外，由于心电信号具有非线性和因人而异的特点，可能新的心电信号可能与训练样本中的所有信号特征都差别较大；传统的深度学习网络学习时往往仅仅减小总网络的输出与标签之间的误差，最多引入对权重和系数的限制。此时，新的心电信号被划入房颤和非房颤类型的几率接近，可能受到某些干扰就会导致判断错误。

发明内容

本发明要解决的技术问题是：为解决现有技术中深度学习网络的不足，从而提供一种心电仿真模型的信号优化方法及心电检测装置。

本发明解决其技术问题所采用的技术方案是：

一种心电仿真模型的信号优化方法，包括以下步骤：

S1，收集N条静息十二导联心电图数据，房颤心电图数据和非房颤心电图数据的数量相等；

S2，进行预处理：如果信号采样频率低于200Hz，则先重采样，使采样频率达到200Hz以上，然后采用滤波器进行滤波；

S3，训练深度学习网络：深度学习网络包括至少3个卷积层，作为特征提取模块，最少包含2个全连接层，作为分类模块；

S4，通过最小化下的损失函数的损失值对深度学习网络的参数进行优化，采用近端梯度下降的方法最小化损失值，获取整个深度学习网络中所有的权重和偏移；

S5，根据S4中确定的权重和偏移，得出函数net(x)的公式。

优选地，本发明的心电诊断方法，步骤S4中，损失值的函数为：

其中，loss是损失值，指的是第i条房颤数据，指的是第i条非房颤数据；net(x)的含义是以x作为输入，通过整个网络计算以后的输出；fnet(x)指的是以x作为输入，通过网络中的特征提取模块计算出的输出；||x||₁指的是向量x的1范数；α和β为正则化参数。