[发明专利]用于心律失常分类的深度模型、利用该模型的方法及装置

说明书

本申请提出一种用于心律失常分类的深度模型、利用该模型的方法及装置，其中，该深度模型包括：表征学习部分和序列学习部分；表征学习部分用于接收由原始心电信号解析的等长序列；表征学习部分基于MSCNN结构进行构建，由两个不同尺度堆叠的卷积块支路构成；支路一卷积核尺度较大，用以捕获心电信号的低频信息，以多尺度特征输出；支路二卷积核尺度较小，用以捕获心电信号的高频信息，以多尺度特征输出；支路一输出的多尺度特征和支路二输出的多尺度特征进行拼接，形成多尺度深度特征，用于输入到序列学习部分；序列学习部分基于以LSTM为基本单元的Seq‑Seq网络进行构建，所述Seq‑Seq网络在其编码器和解码器之间设置有注意力机制层；其输出为时序深度特征。

技术领域

本发明涉及心律失常检测技术，尤其涉及一种无需滤波降噪、异常值检测、人工特征提取的心律失常自动检测方法。

背景技术

据统计，急性心脏病死亡占心血管疾病死亡总数的近一半，全世界近31％的死亡与心血管疾病有关，突发性心源性猝死的主要原因是心律失常。心电图是标准的记录心脏活动的非侵入性工具，是目前应用最广泛的最可信的心律失常检测手段。而心搏信号的心律失常分类对于心脏病专家来说，不仅会花费大量的时间，也增加了工作负担，仍是较为挑战的任务。这就需要一种轻量级的自动心律失常检测算法，为医生提供辅助决策支持，能极大改善甚至提高诊断效率，同时也可支持社区群体人群利用可穿戴设备实时高精度地自我监测(或自我诊断)心脏状况。

心电图按照监测时间长短可分为短时静态心电图、传统动态心电图和长程连续动态心电监测。临床健康筛查通常使用具有多导联静态心电图，但其受限于应用场景及医疗资源，往往穿戴不便且监测时间较短，许多阵发性心律失常如房颤、室性早搏等很难在短时内捕捉到异常。而传统动态心电图能够弥补监测时间短的不足，但其也同样穿戴不方便、监测时间较短、信号质量很难保证，且现有的计算机辅助诊断系统的效果差，导致浪费较大的人力资源。

针对上述心电监测手段的诸多不足，我们采用了经过国家食品药品监督管理局认证的贴片式单导联长程连续动态生理参数监测设备(SensEcho^TM)。其穿戴方便、信号质量较高、可长程连续动态监测心电和呼吸信号。目前也存在大量针对长程记录的单导联心电信号自动分析算法，主要包括基于模板匹配的算法、基于规则和基于传统机器学习技术的算法。基于模板匹配的算法旨在利用医生手动标注的若干异常心博去自动匹配其它相似度较高的心博，其存在如下缺陷：由于过于简单的匹配操作导致算法对噪声特别敏感；纯模板匹配方式不能给医生一个完整的初步结果，医生的工作量极大。基于规则的算法旨在利用心电相关医学知识对心博进行自动分析，其存在如下缺陷：规则本身由人为制定的，人类对于某种设备产生的心电图的知识本身可能是不全面的；另一方面心电图自身的不确定性导致规则中各参数普适性不强。基于传统机器学习技术的算法旨在利用人工提取特征、极端梯度提升树等分类器对心博进行分析。这些算法大多遵循三个主要步骤，包括：1)信号预处理，包括噪声滤波、数据增强等；2)人工提取特征；3)构造线性或非线性分类器。然而，数据清洗等信号预处理的方法将不可避免地损失生理信号中的有用信息，而且心电波形的个体差异导致依赖经验设计的特征往往会使得模型的鲁棒性和性能较低。

申请号为201910038442.8的专利公开了一种基于深度学习技术的心搏异常识别算法，其通过去基线漂移、低通滤波、提取心搏间期等信号处理算法，使用CNN-RNN的基本结构，以用于信号质量差、干扰大的长程动态心电信号。

申请号为201910095804.7的专利公开了一种基于BiLSTM-Attention深度神经网络的心搏分类算法，其采用双正交小波变换去除高频噪声和基线漂移，并通过二进样条小波变换检测R波峰值，进而计算RR间期及对QRS波群数据进行人工特征提取，在PhysioNetMIT-BIH(Massachusetts institute of Technology and the Boston Hospital)心律失常公开数据集上获得了较好的分类结果。