本发明涉及监测设备技术领域，尤其涉及一种心电监测方法、装置、终端及计算机可读存储介质。
背景技术：
传统的心电监测方法需要通过导线把电极采集到的信号传输到采集盒的设备进行识别处理。如果是通过多个电极，多个导联来实现的心电监测，则多个电极会对应有多条导线，且对各个电极的粘贴方位要求较高，使用不方便。
虽然目前心电监测方法可采用无线方式连接心电监测终端以实现远程的心电监测。但是，目前的远程心电监测技术并不成熟，监测精度较低，且涉及监测设备的操作复杂，不便于大众化使用以进行全天候监测心电活动。
技术实现要素：
本发明实施例所要解决的技术问题在于，提供一种心电监测方法、装置、终端及计算机可读存储介质，能够降低监测操作难度、提高监测精度和实现全天候监测心电活动。
为了解决上述技术问题，本发明实施例提供了一种心电监测方法，至少包括如下步骤：
接收心电监测设备发送的实时采集的心电信号；
对所述心电信号进行滤波和去噪处理后，检测所述心电信号的r波，并根据所述r波提取qrs波群；
将所述qrs波群输入预先训练好的的神经网络模型中进行识别；
当识别出所述qrs波群失常时，则对该失常的qrs波群进行分类，得到该失常的qrs波群对应的心率失常类型；
根据所述心率失常类型生成心电监测报告，输出所述心电监测报告并触发警报。
进一步地，所述神经网络模型的训练步骤为：
接收心电监测设备发送的实时采集的心电信号；
对所述心电信号进行滤波和去噪处理后，检测所述心电信号的r波，并根据所述r波提取qrs波群；
将所述qrs波群输入到神经网络中进行监督训练，得到神经网络训练参数；
根据所述神经网络训练参数构建并保存神经网络模型。
进一步地，所述心电监测报告包括心率失常类型和用于触发监测终端发出警报动作的指令；所述qrs波群为以r波为中心，分别向前取40个数据和向后取169个数据形成的以210个数据作为特征的样本数据；所述心电信号包含至少一个qrs波群及p波，u波以及t波。
进一步地，所述神经网络模型包括三层lstm网络；每一层所述lstm网络包括含有70个神经元的可见层、含有200个神经元的隐层和含有14个神经元的输出层；所述输出层的14个神经元代表14种心率失常类型。
进一步地，将所述qrs波群输入预先训练好的的神经网络模型中进行识别，具体为：
将所述qrs波群输入预先构建好的的的神经网络模型中进行训练，并在训练完成后保存模型用于未来心电信号的识别与分类。
进一步地，所述心电设备包括至少一个电极以及心电处理芯片；所述心电处理芯片用于通过无线方式与监测终端进行通信。
本发明实施例还提供了一种心电监测装置，包括：
心电信号接收单元，用于接收心电监测设备发送的实时采集的心电信号；
qrs波群提取单元，用于对所述心电信号进行滤波和去噪处理后，检测所述心电信号的r波，并根据所述r波提取qrs波群；
qrs波群识别单元，用于将所述qrs波群输入预先训练好的的神经网络模型中进行识别；
判断单元，用于当识别出所述qrs波群失常时，则对该失常的qrs波群进行分类，得到该失常的qrs波群对应的心率失常类型；
警报单元，用于根据所述心率失常类型生成心电监测报告，输出所述心电监测报告并触发警报。
进一步地，所述心电监测报告包括心率失常类型和用于触发监测终端发出警报动作的指令；所述qrs波群为以r波为中心，分别向前取40个数据和向后取169个数据形成的以210个数据作为特征的样本数据；所述心电信号包含至少一个qrs波群及p波，u波以及t波；
所述神经网络模型包括三层lstm网络；每一层所述lstm网络包括含有70个神经元的可见层、含有200个神经元的隐层和含有14个神经元的输出层；所述输出层的14个神经元代表14种心率失常类型。
本发明实施例还提供了一种心电监测终端，包括处理器、存储器以及存储在所述存储器中且被配置为有所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1所述的心电监测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1所述的心电监测方法。
实施本发明实施例，具有如下有益效果：
本发明实施例提供的一种心电监测方法、装置、终端及计算机可读存储介质，所述方法包括：接收心电监测设备发送的实时采集的心电信号；对所述心电信号进行滤波和去噪处理后，检测所述心电信号的r波，并根据所述r波提取qrs波群；将所述qrs波群输入预先训练好的的神经网络模型中进行识别；当识别出所述qrs波群失常时，则对该失常的qrs波群进行分类，得到该失常的qrs波群对应的心率失常类型；根据所述心率失常类型生成心电监测报告，输出所述心电监测报告并触发警报，即若发现异常的心电波形则触发警报。本发明能够降低监测操作难度、提高监测精度和实现全天候监测心电活动。
附图说明
图1是本发明第一实施例提供的一种心电监测方法的流程示意图；
图2是本发明第一实施例中单个qrs波群形态的示意图；
图3是本发明第一实施例中lstm网络结构的示意图；
图4是本发明第一实施例中神经网络模型构建的流程示意图；
图5是本发明第二实施例提供的一种心电监测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明实施例中的监测终端可以是移动终端以及非移动终端，非移动终端包括台式计算机，移动终端包括智能手机(smartphone，如android手机、ios手机等)、智能眼镜、智能手表、智能手环、平板电脑、笔记本电脑、个人数字助理等可以进行无线通信的移动互联网设备。
需要说明的是，心电图是由一系列的波组所构成，每个波组代表着每一个心动周期。一个波组包括p波、qrs波群、t波及u波。看心电图首先要了解每个波所代表的意义。
p波：心脏的激动发源于窦房结，然后传导到达心房。p波由心房除极所产生，是每一波组中的第一波，它反映了左、右心房的除极过程。前半部分代表右房，后半部分代表左房。
qrs波群：典型的qrs波群包括三个紧密相连的波，第一个向下的波称为q波，继q波后的一个高尖的直立波称为r波，r波后向下的波称为s波。因其紧密相连，且反映了心室电激动过程，故统称为qrs波群。这个波群反映了左、右两心室的除极过程。
t波：t波位于s-t段之后，是一个比较低而占时较长的波，它是心室复极所产生的。
u波：u波位于t波之后，比较低小，其发生机理未完全明确。一般认为是心肌激动的“激后电位”。
本发明第一实施例：
请参阅图1，图1是本发明第一实施例提供的一种心电监测方法的流程示意图。所述心电监测方法，至少包括如下步骤：
s101、接收心电监测设备发送的实时采集的心电信号。
在本实施例中，由于所述心电监测设备可通过无线方式与监测终端进行通信，无需导线连接，所以所述心电监测设备可根据实际需求设置成硬币大小并封装有电极、传感器和心电处理芯片。所述心电监测设备可利用专用胶贴或医用胶贴粘贴在胸前，并通过无线方式连接监测终端，以实时发送采集的心电信号至所述监测终端。
s102、对所述心电信号进行滤波和去噪处理后，检测所述心电信号的r波，并根据所述r波提取qrs波群。
在本实施例中，所述监测终端可以是手机终端，手机终端上下载有心电监测app，所述心电监测app封装有采用深度学习智能识别算法对心电信号处理进行处理的神经网络模型。通过所述深度学习智能识别算法处理后，生成心电报告并将所述心电监测报告输出所述监测终端，即手机端进行显示和提醒。
具体的，所述心电监测设备可以是三导联的心电装置，用于采集心电信号，然后将采集到的心电信号发送至监测终端。所述监测终端对所述心电信号进行滤波和去噪后，检测所述心电信号中的r波。以r波为中心，向前取40个数据，向后取169个数据，然后计算整条波形的相邻两个r波之间的平均间期，并以所述相邻两个r波之间的平均间期作为qrs波群的一个特征，如此，每一个qrs波群可用210个数据作为特征。请参阅图2，图2是本发明第一实施例中单个qrs波群形态的示意图。
s103、将所述qrs波群输入预先训练好的的神经网络模型中进行识别。
在本实施例中，请参阅图3，图3是本发明第一实施例中lstm网络结构的示意图。所述神经网络模型包括三层lstm网络，每一层所述lstm网络包括含有70个神经元的可见层、含有200个神经元的隐层和含有14个神经元的输出层。所述输出层的14个神经元代表14种心率失常类型。
需要说明的是，lstm(longshort-termmemory)网络是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。lstm网络使用三个门来控制信号的输入、输出。输入门用来控制当前输入的多少，遗忘门用来控制之前时刻的信息多少进入当前输入，输出门用来控制当前时刻的输出。
请参阅图4，图4是本发明第一实施例中神经网络模型构建的流程示意图。所述神经网络模型的构建步骤为：
s201、接收心电监测设备发送的实时采集的心电信号。
s202、对所述心电信号进行滤波和去噪处理后，检测所述心电信号的r波，并根据所述r波提取qrs波群。
s203、将所述qrs波群输入到神经网络中进行监督训练，得到神经网络训练参数。
在本实施例中，提取出整条波形的所有qrs波群，为每个所述qrs波群标上标签，每个所述标签对应每个qrs波群的类型。所述标签或类型代表心电监测到的心电信号属于正常或是房颤或是其它类型。
可以理解的是，从所述心电信号的一条波形中能提取到n个qrs波群，以及对应的n个标签，并将所述qrs波群输入神经网络中进行监督训练，得到神经网络训练参数，并保存训练完成之后的神经网络训练参数，即神经网络模型参数。
需要说明的是，所述qrs波群为以r波为中心，分别向前取40个数据和向后取169个数据形成的以210个数据作为特征的样本数据；所述心电信号包含至少一个qrs波群及p波，u波以及t波。
s204、根据所述神经网络训练参数构建并保存神经网络模型。
利用所述神经网络模型可以对新的心电信号进行识别和分类判断并输出心电监测报告。
s104、当识别出所述qrs波群失常时，则对该失常的qrs波群进行分类，得到该失常的qrs波群对应的心率失常类型。
在本实施例中，由于所述神经网络模型中的lstm网络得所述输出层的14个神经元代表14种心率失常类型。当所述神经网络模型识别出所述qrs波群失常时，则对该失常的qrs波群进行分类，得到该失常的qrs波群对应的心率失常类型，例如：心电监测到的心电信号属于正常或是房颤或是其它类型。
s105、根据所述心率失常类型生成心电监测报告，输出所述心电监测报告并触发警报。
可以理解的是，所述心电监测报告包括心率失常类型和用于触发监测终端发出警报动作的指令。即如果识别出所述qrs波群失常，并判断出所述心电信号对应的心率失常类型生成心电监测报告，则监测终端会在显示所述心电监测报告的同时，通过触发响铃或震动方式提醒用户。
在本实施例中，输出的所述心电监测报告将直接显示在所述监测终端的屏幕上，如手机终端的屏幕上。可以理解的是，所述监测终端也可以把所述心电监测报告上传至服务器保存。
进一步地，将所述qrs波群输入预先训练好的的神经网络模型中进行识别，具体为：
将所述qrs波群输入预先训练好的的神经网络模型中进行训练，并在训练完成后采用深度学习算法对所述qrs波群对应的心电信号进行识别。
在本实施例中，比如，在图像处理领域很擅长的cnn神经网络，使用“局部感受野”和“权植共享”的概念，可以大大减少了网络参数的数量。关键是这种结构确实很符合视觉类任务在人脑上的工作原理。
进一步地，所述心电设备包括至少一个电极以及心电处理芯片；所述心电处理芯片用于通过无线方式与监测终端进行通信。
本实施例提供的一种心电监测方法，包括：接收心电监测设备发送的实时采集的心电信号；对所述心电信号进行滤波和去噪处理后，检测所述心电信号的r波，并根据所述r波提取qrs波群；将所述qrs波群输入预先训练好的的神经网络模型中进行识别；当识别出所述qrs波群失常时，则对该失常的qrs波群进行分类，得到该失常的qrs波群对应的心率失常类型；根据所述心率失常类型生成心电监测报告，输出所述心电监测报告并触发警报，即若发现异常的心电波形则触发警报。本发明能够降低监测操作难度、提高监测精度和实现全天候监测心电活动。
本发明第二实施例：
请参阅图5，图5是本发明第二实施例提供的一种心电监测装置的结构示意图。
本实施例还提供了一种心电监测装置，包括：
心电信号接收单元301，用于接收心电监测设备发送的实时采集的心电信号。
在本实施例中，由于所述心电监测设备可通过无线方式与监测终端进行通信，无需导线连接，所以所述心电监测设备可根据实际需求设置成硬币大小并封装有电极、传感器和心电处理芯片。所述心电监测设备可利用专用胶贴或医用胶贴粘贴在胸前，并通过无线方式连接监测终端，以实时发送采集的心电信号至所述监测终端。
qrs波群提取单元302，用于对所述心电信号进行滤波和去噪处理后，检测所述心电信号的r波，并根据所述r波提取qrs波群。
在本实施例中，所述监测终端可以是手机终端，手机终端上下载有心电监测app，所述心电监测app封装有采用深度学习智能识别算法对心电信号处理进行处理的神经网络模型。通过所述深度学习智能识别算法处理后，生成心电报告并将所述心电监测报告输出所述监测终端，即手机端进行显示和提醒。
具体的，所述心电监测设备可以是三导联的心电装置，用于采集心电信号，然后将采集到的心电信号发送至监测终端。所述监测终端对所述心电信号进行滤波和去噪后，检测所述心电信号中的r波。以r波为中心，向前取40个数据，向后取169个数据，然后计算整条波形的相邻两个r波之间的平均间期，并以所述相邻两个r波之间的平均间期作为qrs波群的一个特征，如此，每一个qrs波群可用210个数据作为特征。请参阅图2，图2是本发明第一实施例中单个qrs波群形态的示意图。
qrs波群识别单元303，用于将所述qrs波群输入预先训练好的的神经网络模型中进行识别。
在本实施例中，请参阅图3，图3是本发明第一实施例中lstm网络结构的示意图。所述神经网络模型包括三层lstm网络，每一层所述lstm网络包括含有70个神经元的可见层、含有200个神经元的隐层和含有14个神经元的输出层。所述输出层的14个神经元代表14种心率失常类型。
需要说明的是，lstm(longshort-termmemory)网络是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。lstm网络使用三个门来控制信号的输入、输出。输入门用来控制当前输入的多少，遗忘门用来控制之前时刻的信息多少进入当前输入，输出门用来控制当前时刻的输出。
请参阅图4，图4是本发明第一实施例中神经网络模型构建的流程示意图。所述神经网络模型的构建步骤为：
s201、接收心电监测设备发送的实时采集的心电信号。
s202、对所述心电信号进行滤波和去噪处理后，检测所述心电信号的r波，并根据所述r波提取qrs波群。
s203、将所述qrs波群输入到神经网络中进行监督训练，得到神经网络训练参数。
在本实施例中，提取出整条波形的所有qrs波群，为每个所述qrs波群标上标签，每个所述标签对应每个qrs波群的类型。所述标签或类型代表心电监测到的心电信号属于正常或是房颤或是其它类型。
可以理解的是，从所述心电信号的一条波形中能提取到n个qrs波群，以及对应的n个标签，并将所述qrs波群输入神经网络中进行监督训练，得到神经网络训练参数，并保存训练完成之后的神经网络训练参数，即神经网络模型参数。
需要说明的是，所述qrs波群为以r波为中心，分别向前取40个数据和向后取169个数据形成的以210个数据作为特征的样本数据；所述心电信号包含至少一个qrs波群及p波，u波以及t波。
s204、根据所述神经网络训练参数构建并保存神经网络模型。
利用所述神经网络模型可以对新的心电信号进行识别和分类判断并输出心电监测报告。
判断单元304，用于当识别出所述qrs波群失常时，则对该失常的qrs波群进行分类，得到该失常的qrs波群对应的心率失常类型。
在本实施例中，由于所述神经网络模型中的lstm网络得所述输出层的14个神经元代表14种心率失常类型。当所述神经网络模型识别出所述qrs波群失常时，则对该失常的qrs波群进行分类，得到该失常的qrs波群对应的心率失常类型，例如：心电监测到的心电信号属于正常或是房颤或是其它类型。
需要说明的是，所述神经网络模型包括三层lstm网络；每一层所述lstm网络包括含有70个神经元的可见层、含有200个神经元的隐层和含有14个神经元的输出层；所述输出层的14个神经元代表14种心率失常类型。
警报单元305，用于根据所述心率失常类型生成心电监测报告，输出所述心电监测报告并触发警报。
可以理解的是，所述心电监测报告包括心率失常类型和用于触发监测终端发出警报动作的指令。即如果识别出所述qrs波群失常，并判断出所述心电信号对应的心率失常类型生成心电监测报告，则监测终端会在显示所述心电监测报告的同时，通过触发响铃或震动方式提醒用户。
在本实施例中，输出的所述心电监测报告将直接显示在所述监测终端的屏幕上，如手机终端的屏幕上。可以理解的是，所述监测终端也可以把所述心电监测报告上传至服务器保存。
进一步地，将所述qrs波群输入预先训练好的的神经网络模型中进行识别，具体为：
将所述qrs波群输入预先训练好的的神经网络模型中进行训练，并在训练完成后采用深度学习算法对所述qrs波群对应的心电信号进行识别。
在本实施例中，比如，在图像处理领域很擅长的cnn神经网络，使用“局部感受野”和“权植共享”的概念，可以大大减少了网络参数的数量。关键是这种结构确实很符合视觉类任务在人脑上的工作原理。
进一步地，所述心电设备包括至少一个电极以及心电处理芯片；所述心电处理芯片用于通过无线方式与监测终端进行通信。
本实施例提供的一种心电监测装置，通过接收心电监测设备发送的实时采集的心电信号；对所述心电信号进行滤波和去噪处理后，检测所述心电信号的r波，并根据所述r波提取qrs波群；将所述qrs波群输入预先训练好的的神经网络模型中进行识别；当识别出所述qrs波群失常时，则对该失常的qrs波群进行分类，得到该失常的qrs波群对应的心率失常类型；根据所述心率失常类型生成心电监测报告，输出所述心电监测报告并触发警报，即若发现异常的心电波形则触发警报。本发明能够降低监测操作难度、提高监测精度和实现全天候监测心电活动。
本发明实施例还提供了一种心电监测终端，包括处理器、存储器以及存储在所述存储器中且被配置为有所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的心电监测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的心电监测方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。