[发明专利]基于深度学习的心搏定位分类方法、系统、介质及设备

说明书

本发明公开了基于深度学习的心搏定位分类方法、系统、介质及设备，其特征在于，所述方法包括：获取待检测的心电信号；对待检测的心电信号进行预处理；将预处理后的心电信号进行切分，确定心电数据集；获取心搏定位分类模型；将心电数据集输入心搏定位分类模型，确定待检测的心电信号的心搏顶点位置和心搏类别。本发明使用深度学习算法，实现自动提取特征，解决了传统算法中需要手动提取心电信号特征，并且降低了特征与特征之间的耦合度，减少对先验知识的依赖。进一步，不同于其它深度学习检波算法，本发明实现了同时提取心电信号形态和节律特征，并且不使用非极大值抑制任务实现端到端的检测，简化任务流程，减少心搏定位分类耗时。

技术领域

本发明涉及人工智能一维数据技术领域、医疗心电检测技术领域，特别是涉及基于深度学习的心搏定位分类的方法、系统、介质及设备。

背景技术

心血管疾病诊是依靠心电图进行判断，利用心电信号诊断各种心血管疾病，心电信号分析需要判断一段时间内所有心搏的类别，而心搏的类别的判断则需要同时参考心搏的形态特征和心搏的节律特征，对心血管疾病的判断上述两个特征缺一不可。如果能直接识别心搏类别，将有利于心血管疾病的预诊断，节省医生的工作时间。

目前使用传统算法的自动分析软件对心搏定位识别分类，大多数是通过手动增强QRS波信号强度，再设计阈值定位心搏位置。定位到心搏后进行手动特征提取，并通过先验证知识来对心搏进行识别分类。然而，通过传统算法首先需要确保QRS波定位准确率高，其次对心搏的特征值计算精度要求也高，通过先验知识设计的阈值。如果出现心搏误检、漏检或QRS波宽度计算不准确对心搏类别的识别也会出现误判,由此可以看出传统算法手动提取特征的方式耦合性较高，牵一发而动全身，并且心电信号的波形复杂，手动设置阈值方式自适应性低。

深度学习具有极强的自主学习能力能够在大量的训练数据中学习心电信号特征，自适应性较高，具有自动提取特征的优势，很好的解决了手工提取特征所带来的一系列问题。这为心电信号定位识别心搏提供了可能性。目前部分使用深度学习技术实现了心电信号心搏定位分类识别的算法，技术方案分为两个方向，一、将心搏截取后使用深度学习网络对单一心搏进行分类识别。二、使用深度学习目标检测网络，设计多个预选框进行定位识别。前者对单一心搏进行识别丢失了心电信号的节律特征，后者使用多个预选框得到预测结果后，需要做非极大值抑制，增加了任务耗时。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供基于深度学习的心搏定位分类方法、系统、介质及设备，用于解决现有技术中的至少一个问题。

为实现上述目的及其他相关目的，本发明提供一种基于深度学习的心搏定位分类的方法，包括：获取待检测的心电信号；对所述待检测的心电信号进行预处理；将预处理后的心电信号进行切分，确定心电数据集；获取心搏定位分类模型；将所述心电数据集输入所述心搏定位分类模型，确定所述待检测的心电信号的心搏顶点位置和心搏类别。

可选地，所述预处理包括：去噪处理和数据归一化处理。

可选地，所述获取心搏定位分类模型之前，所述方法还包括训练心搏定位分类模型。

可选地，所述训练心博定位分类模型包括：采集样本心电信号；对所述样本心电信号进行预处理；将预处理后的样本心电信号进行切分，确定样本心电数据集，所述样本心电数据集包含心搏顶点利用位置标记和心搏类别标记；利用特征提取网络对所述样本心电数据集进行特征提取；利用回归网络模型对提取的特征进行训练，确定所述心搏定位分类模型。

可选地，所述利用特征提取网络对所述样本心电数据集进行特征提取包括：利用卷积神经网络提取所述样本心电数据集的形态特征；利用transformer网络提取所述样本心电数据集的节律特征。