心电信号检测装置及设备的制作方法

1.本技术实施例涉及心电信号分析技术领域，尤其涉及一种心电信号检测装置及设备。


背景技术：

2.心电信号可以反映心脏活动的电生理过程，常用于辅助于心脏疾病的诊断。便携式的心电检测仪作为一种心电信号检测设备得到了广泛的普及。便携式的心电检测仪可以在人们的日常生活中有规律地随时随地记录心电信号的数据并进行计算和分析，以确定心电信号是否出现异常，进而实现对心脏活动的监测。
3.为了提高便携式的心电检测仪的性能，需要使便携式的心电检测仪能够分析复杂的心电信号。一些相关技术中，在便携式的心电检测仪中应用机器学习技术，以使便携式的心电检测仪具备分析复杂的心电信号的能力。例如，在便携式的心电检测仪中应用人工神经网络和支持向量机，以识别复杂的心电信号的异常类型，然而，这类方式需要利用专业领域知识构建人工特征，使得检测结果易受人为因素的干扰，如构建人工特征时容易出现特征维度不全和特征表达能力较弱的问题，进而影响便携式心电检测仪的性能。再如，在便携式的心电检测仪中应用深度神经网络对心电信号进行异常检测，但是，深度神经网络需要大量的训练样本，当作为训练样本的异常心电信号的数据量较少时，训练出的深度神经网络存在较大的性能缺陷，进而影响便携式心电检测仪的性能。
4.综上，如何使便携式的心电检测仪高性能的分析复杂的心电信号，成为了亟需解决的技术问题。


技术实现要素：

5.本技术实施例提供了一种心电信号检测装置及设备，以解决相关技术中无法使便携式的心电检测仪高性能的分析复杂的心电信号的技术问题。
6.第一方面，本技术实施例提供了一种心电信号检测装置，包括：
7.信号获取模块，用于获取待检测的第一心电信号；
8.特征提取模块，用于将所述第一心电信号输入至第一神经网络，由所述第一神经网络提取所述第一心电信号的深度特征；
9.先验获取模块，用于获取预先设置的心电先验特征；
10.特征融合模块，用于融合所述深度特征和所述心电先验特征，得到融合特征；
11.信号检测模块，用于将所述融合特征输入至第二神经网络，由所述第二神经网络根据所述融合特征输出所述第一心电信号的检测结果。
12.第二方面，本技术实施例还提供了一种心电信号检测设备，包括：
13.一个或多个处理器；
14.存储器，用于存储一个或多个程序；
15.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理
器实现如第一方面所述的心电信号检测装置的计算。
16.上述心电信号检测装置及设备，通过信号获取模块获取待检测的第一心电信号，由特征提取模块利用第一神经网络提取第一心电信号的深度特征，由先验获取模块获取预先设置的心电先验特征，由特征融合模块融合深度特征和心电先验特征，由信号检测模块将融合后得到的融合特征输入至第二神经网络以得到第一心电信号检测结果的技术手段，解决了无法使便携式的心电检测仪高性能的分析复杂的心电信号的技术问题。通过设置心电先验特征，并将心电先验特征和深度特征进行融合可以得到辨别能力更强的融合特征，避免当作为训练样本的异常心电信号的数据量较少时，第一神经网络和第二神经网络出现性能缺陷的情况，使得心电信号检测装置具备更强的实用性，并且，可以避免单独使用心电先验特征时，出现特征维度不全和特征表达能力较弱的问题。
附图说明
17.图1为本技术一个实施例提供的一种心电信号检测装置的结构示意图；
18.图2为本技术一个实施例提供的一种残差卷积网络的结构示意图；
19.图3为本技术一个实施例中提供的一种深度神经网络示意图；
20.图4为本技术一个实施例提供的心电信号的处理流程图；
21.图5为本技术一个实施例提供的一种心电信号检测设备的结构示意图。
具体实施方式
22.下面结合附图和实施例对本技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例用于解释本技术，而非对本技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本技术相关的部分而非全部结构。
23.本技术一个实施例提供了一种心电信号检测装置，该心电信号检测装置可用于对心电信号进行检测，以分析出心电信号是否异常。该心电信号检测装置可以集成在心电信号检测设备中。心电信号检测设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。心电信号检测设备可以是心电图机、心电检测仪、便携式心电检测仪等。一个实施例中，以便携式的心电检测仪为例进行描述，便携式的心电检测仪可以采集人体的心电信号并分析心电信号以得到心电信号的异常检测结果。
24.示例性的，为了便于理解心电信号检测装置的工作过程，一个实施例中，以心电信号检测装置可通过心电信号检测心房颤动(atrial fibrillation，af)为例进行描述。
25.心房颤动简称房颤，其是临床常见的一种心律失常疾病，心房颤动的特点是紊乱的心房活动和随之而来的脑卒、心肌梗死等并发症，心房颤动具有较高的致残率和死亡率，严重危害着人类的健康和生命，心房颤动时心房激动的频率达300～600次/分，使得心跳频率往往快而且不规则，有时候可达100～160次/分，不仅比正常人心跳快得多，而且绝对不整齐，并且心房失去有效的收缩功能。心房颤动发作时，两个重要的临床表现是：1、心电信号中的p波消失，代以形态、间距及振幅均绝对不规则的心房颤动波(f波)；2、心电信号中qrs波间距绝对不规则，其形态和振幅可常有不等，即心电信号中rr间期绝对不规则。可理解，心电信号由多个心拍组成，其中，心拍是指包含p波、qrs波和t波的一段信号。p波表示了心房极化的电活动。qrs波和t波分别表示了心室极化和复极化的电活动。qrs波中第一个向
下的波为q波，向上的波为r波，接着向下的波是s波。有时，心拍中还会包含u波，u波是t波后0.02s～0.04s出现的宽而低的波。rr间期是指心电信号中两个r波之间的时限(时间长度)。一个实施例中，心电信号检测装置检测心房颤动时，以上述两个临床表现作为参考，构建心电先验特征，以使得心电信号检测装置可能处理复杂的心电信号。
26.图1为本技术一个实施例提供的一种心电信号检测装置的结构示意图。参考图1，该心电信号检测装置包括：信号获取模块101、特征提取模块102、先验获取模块103、特征融合模块104以及信号检测模块105。
27.其中，信号获取模块101，用于获取待检测的第一心电信号；特征提取模块102，用于将第一心电信号输入至第一神经网络，由第一神经网络提取第一心电信号的深度特征；先验获取模块103，用于获取预先设置的心电先验特征；特征融合模块104，用于融合深度特征和心电先验特征，得到融合特征；信号检测模块105，用于将融合特征输入至第二神经网络，由第二神经网络根据融合特征输出第一心电信号的异常检测结果。
28.示例性的，信号获取模块101可以获取当前待检测的心电信号，一个实施例中，将当前待检测的心电信号记为第一心电信号。可选的，第一心电信号的长度为预先设定的长度，如预先设定的长度为10s，那么，第一心电信号便是一段长度为10s的心电信号。第一心电信号可以为一个或多个，一般而言，一个第一心电信号中包含多个心拍。
29.一个实施例中，心电信号检测设备中配置有采集心电信号的装置，以通过该装置直接采集人体的心电信号。可选的，采集心电信号的装置可以为导联、传感器等，实施例对此不作限定。其中，在心电图的专业术语中，将记录心电图时电极在人体体表的放置位置及电极与放大器的连接方式称为心电图的导联，按照导联通道数，可以将通过导联得到的心电信号分为单导联心电信号(即通过一个导联采集到的导联心电信号)和多导联心电信号(即通过多个导联采集到的导联心电信号)，其中，多导联心电信号可认为由多个单导联心电信号组成，较为常见的多导联心电信号的导联数为三导联、六导联、十二导联以及十八导联等。一个实施例中，信号获取模块101可以获取当前采集的心电信号，并作为待检测的第一心电信号。一般而言，从人体直接采集的心电信号为模拟信号，而后续检测时需要的心电信号是数字信号，即第一心电信号需要为数字信号，因此，一个实施例中，信号获取模块101还需要对采集的心电信号进行预处理，以得到满足要求的第一心电信号。可选的，预处理时，信号获取模块101获取直接从人体采集的心电信号(模拟信号)后，先对心电信号进行阻抗匹配、过滤、放大等处理，以提高心电信号的质量，之后，信号获取模块101利用模数转换器将模拟的心电信号转换成数字的心电信号，之后，信号获取模块101滤除心电信号中的噪声干扰，对心电信号进行重采样，以将心电信号重采样至目标频率，其中，目标频率的数值可以根据实际情况设定。之后，信号获取模块101将重采样后的心电信号切割成预先设定的长度，以得到至少一个心电信号片段，再对心电信号片段进行归一化处理，以得到待处理的第一心电信号。
30.信号获取模块101得到第一心电信号后，将第一心电信号发送至特征提取模块102。特征提取模块102提取第一心电信号的深度特征。其中，深度特征是与心拍有关的特征。一个实施例中，特征提取模块102可以利用神经网络提取第一心电信号的深度特征，并将特征提取模块102使用的神经网络记为第一神经网络。其中，第一神经网络可以采用残差卷积网络(resnet)、vgg net(visual geometry group network)或alexnet等。一个实施例
中，以第一神经网络采用残差卷积网络为例进行描述，此时，第一神经网络包括至少一个残差卷积网络。其中，残差卷积网络的具体结构可以根据实际情况设定，例如，图2为本技术一个实施例提供的一种残差卷积网络的结构示意图，参考图2，一个残差卷积网络包括：idconvolution(id卷积层)、batchnormalization(批标准化层)、relu函数、idconvolution(id卷积层)、batch normalization(批标准化层)和downsample(下采样层)。一个实施例中，第一神经网络中残差卷积网络的数量和参数可以结合实际需求设置。可选的，第一神经网络中除了包括至少一个残差卷积网络外，还可包括由idconvolution、batch normalization、relu函数和maxpool(最大池化层)组成的模块。第一心电信号输入至第一神经网络后，先经过上述模块进行卷积处理，之后，再输入至残差卷积网络，以得到更优的深度特征。其中，maxpool的size可以根据实际需求设置。需说明，特征提取模块102使用的第一神经网络为训练完成且可以部署应用的神经网络。
31.示例性的，为了提高心电信号检测装置的检测能力，使用了心电先验特征，其中，心电先验特征的特征类别由人为设定，即结合心电信号检测装置可检测的心电信号异常类型，设定与心电信号异常类型有关的特征类别作为心电先验特征。例如，心电信号检测装置检测心房颤动时，心电先验特征的特征类别便与心房颤动发作时心电信号的临床表现有关。举例而言，对于心房颤动来说，心电信号的rr间期不规则是较为显著的一个临床表现，因此，可以将rr间期的标准差作为心电先验特征的一个特征类别，以通过rr间期的标准差体现rr间期是否规则。一个实施例中，利用公开数据集中的心电信号构建心电先验特征。举例而言，获取公开数据集中的心电信号，并确定心电信号中的各rr间期，之后，计算rr间期的标准差，以得到心电先验特征。可理解，除了rr间期标准差外，还可以结合心房颤动的临床表现，构建其他的心电先验特征，以丰富心电先验特征的特征类别。可选的，心电先验特征构建完成后，先对心电先验特征进行归一化，以便后续使用，其中，归一化的实现方式实施例不作限定，例如，采用min-max归一化，使得心电先验特征的值映射到[0-1]之间。可选的，心电先验特征可以由心电信号检测装置构建，此时，心电信号检测装置中还包括构建心电先验特征的相关模块，或者是，心电先验特征可以由其他设备构建，并在构建完成后发送至心电信号检测设备，以供心电信号检测设备中的心电信号检测装置使用。一个实施例中，由先验获取模块103直接获取构建好的心电先验特征。需说明，先验获取模块103获取心电先验特征与信号获取模块101获取第一心电信号之间的发生时序实施例中不作限定。
[0032]
示例性的，特征融合模块104获取特征提取模块102提取的深度特征以及先验获取模块103获取的心电先验特征，并将深度特征和心电先验特征进行融合，一个实施例中，将深度特征和心电先验特征融合后得到的特征记为融合特征。可选的，采用拼接融合的方式融合深度特征和心电先验特征。例如，深度特征表示为x
df
，心电先验特征表示为x
hf
，那么拼接融合后得到的融合特征表示为x
fusion
，且x
fusion
＝[x
df
，x
hf
]。
[0033]
示例性的，由信号检测模块105获取特征融合模块104得到的融合特征，并通过融合特征得到第一心电信号的检测结果。其中，检测结果的内容与心电信号检测装置可检测的异常类型有关，一个实施例中，心电信号检测装置可检测心房颤动时，检测结果可为第一心电信号为心房颤动类型或者第一心电信号为非心房颤动类型。一个实施例中，信号检测模块105利用神经网络处理融合特征，并得到第一心电信号的检测结果，此时，将当前使用的神经网络记为第二神经网络。可选的，第二神经网络的结构可以根据实际情况设定，一个
实施例中，第二神经网络包括双向长短期记忆网络层(bi-directional long short-term memory，bilstm)、flatten层和dense层。其中，bilstm由前向lstm与后向lstm组成，bilstm用于增强心电先验特征，flatten层用于将多维的输入一维化，dense层为全连接层。可选的，bilstm层还可以由长短期记忆网络(long short-term memory，lstm)层、循环神经网络(recurrent neural network,rnn)层或时间卷积网络(temporal convolutional network,tcn)层等替代。一个实施例中，第二神经网络处理融合特征时，可以理解为融合特征进行分类，并将分类结果作为检测结果，举例而言，心电信号检测装置检测心房颤动时，第二神经网络的分类包括心房颤动型和非心房颤动型。此时，第二神经网络的dense层后还可以softmax函数，以通过softmax函数得到分类结果，即得到检测结果。第二神经网络中各层的参数可以根据实际需求设置。需说明，信号检测模块105使用的第二神经网络为训练完成且可以部署应用的神经网络。
[0034]
可理解，第一神经网络和第二神经网络可以组成一个深度神经网络，并部署在心电信号检测设备中，供特征提取模块102和信号检测模块105使用。例如，图3为本技术一个实施例中提供的一种深度神经网络示意图。参考图3，该深度神经网络采用端到端的lstm+cnn(卷积神经网络)的网络结构，其中，cnn为第一神经网络，cnn包括idconvolution、batch normalization、relu函数和maxpool组成的模块，还包括4个残差卷积网络，4个残差卷积网络后接有第二神经网络，其中，第二神经网络包括依次放置的bilstm层、flatten层、dense层和softmax函数。cnn可以根据第一心电信号提取深度特征。之后，cnn提取的深度特征与心电先验特征融合后输入至bilstm层，实现心电先验特征增强，之后，利于后续flatten层、dense层和softmax函数输出检测结果。可选的，bilstm层的神经元数为32，dense层的神经元数为64，残差卷积网络中，idconvolution的卷积核大小和通道分别设置为11和64。idconvolution、batch normalization、relu函数和maxpool组成的模块中，idconvolution的卷积核大小和通道分别设置为11和128，maxpool的size为2。
[0035]
可理解，上述实施例中以检测心房颤动为例进行描述，实际应用中，心电信号检测装置还可以检测其他的异常类型，如心电信号检测装置还可检测心房扑动，此时，心电先验特征还与心房扑动时的临床表现有关，检测结果还可以包括第一心电信号是否为心房扑动。
[0036]
上述，通过信号获取模块获取待检测的第一心电信号，由特征提取模块利用第一神经网络提取第一心电信号的深度特征，由先验获取模块获取预先设置的心电先验特征，由特征融合模块融合深度特征和心电先验特征，由信号检测模块将融合后得到的融合特征输入至第二神经网络以得到第一心电信号检测结果的技术手段，解决了无法使便携式的心电检测仪高性能的分析复杂的心电信号的技术问题。通过设置心电先验特征，并将心电先验特征和深度特征进行融合可以得到辨别能力更强的融合特征，避免当作为训练样本的异常心电信号的数据量较少时，第一神经网络和第二神经网络出现性能缺陷的情况，使得心电信号检测装置具备更强的实用性，并且，可以避免单独使用心电先验特征时，出现特征维度不全和特征表达能力较弱的问题。由第一神经网络和第二神经网络组成的cnn-lstm深度神经网络可以提高检测的准确性，避免单独使用第一神经网络(cnn)时，由第一神经网络的局部感知带来的局限性，并且可以对减少心电先验特征中噪声对检测结果干扰，以及无效特征对检测结果的干扰。
[0037]
一个实施例中，由心电信号检测装置构建心电先验特征，此时，心电信号检测装置还包括：心拍标注采集模块，用于采集带有心拍标注的第二心电信号，心拍标注用于标注第二心电信号中各心拍的心拍位置；先验特征确定模块，用于根据心拍标注中的心拍位置，基于第二心电信号得到心电先验特征。
[0038]
示例性的，将用于构建心电先验特征的心电信号记为第二心电信号，可选的，第二心电信号为公开数据集中的心电信号。一个实施例中，第二心电信号带有心拍标注，其中，心拍标注用于示出第二心电信号中的心拍位置，心拍位置可包括：p波位置、qrs波位置和t波位置，或者包括：qrs波位置。可选的，使用的公开数据集可以包含心拍标注或也可以不包含心拍标注，如使用公开数据集mit-ar时，mit-ar中的心电信号均带有心拍标注，再如，使用公开数据集cpsc2018时，cpsc2018中的心电信号不带有心拍标注。当公开数据集包含心拍标注时，心拍标注采集模块可以直接获取该公开数据集中的心电信号作为第二心电信号并获取对应的心拍标注。当公开数据集中不包含心拍标注，心拍标注采集模块获取公开数据集中的第二心电信号后，对第二心电信号进行检波，以得到心拍位置，并构建对应的心拍标注。此时，心拍标注采集模块包括：第一信号采集单元，用于采集第二心电信号；心拍标注单元，用于识别第二心电信号中的qrs波，并根据qrs波在第二心电信号中的位置确定第二心电信号的心拍标注。示例性的，由第二信号获取单元在公开的数据集中获取一条第二心电信号。之后，由心拍标注单元对第二心电信号进行检波以得到qrs波位置，并根据qrs波位置得到心拍位置，进而得到心拍标注。可理解，一个心拍包含一组连续的p波、qrs波和t波，定位出qrs波位置，便可根据qrs波的位置推测出心拍中p波和t波的位置。其中，心拍标注单元对第二心电信号进行检波以得到qrs波位置时所采用的技术手段实施例不作限定，如心电标注单元利用一预先训练好的神经网络识别第二心电信号，以得到qrs波位置。
[0039]
示例性的，先验特征确定模块构建心电先验特征时，先将第二心电信号的长度设置为预先设定的长度，以保证第二心电信号的长度与第一心电信号的长度相同。可选的，先验特征确定模块获取心拍标注采集模块发送的第二心电信号后，截取一段长度为预先设定长度的心电信号。之后，先验特征确定模块利用心拍标注构建心电先验特征。一个实施例中，结合心拍标注中的心拍位置构建对应的心电先验特征，例如，心电先验特征为rr间期标准差时，先验特征确定模块根据心拍位置确定第二心电信号中各r波的位置，并根据r波的位置得到rr间期，进而计算rr间期的标准差。示例性的，先验特征确定模块构建心电先验特征后，采用min-max归一化对心电先验特征进行归一化，并保存归一化后的心电先验特征，以供先验获取模块获取。
[0040]
可选的，每次心电信号检测时，均可由心拍标注采集模块和先验特征确定模块构建心电先验特征。或者是，心拍标注采集模块和先验特征确定模块构建心电先验特征后保存，以在每次心电信号检测时，直接使用构建的心电先验特征。
[0041]
可理解，上述以心电信号检测装置自行构建心电先验特征为例描述了心电先验特征的构建过程。实际应用中，还可以由其他装置构建心电先验特征，此时，心电检测装置可以直接保存构建的心电先验特征，以供先验获取模块103直接获取心电先验特征。
[0042]
一个实施例中，以心电信号检测装置可检测心房颤动为例进行描述，此时，心电先验特征包括：rr间期标准差、rr间期变异系数、pr间期变异性的标准差、p波变异性的标准差中的至少一项。相应的，检测结果为第一心电信号为心房颤动类型或第一心电信号为非心
房颤动类型。
[0043]
从生理学角度分析，心房颤动发作时，心电信号的rr间期绝对不规则，因此，可以使用rr间期标准差作为心电先验特征，以通过rr间期标准差评估rr间期是否规则，进而进行心房颤动的判断。其中，rr间期是指心电信号中两个r波之间的时限(时间长度)。
[0044]
一个实施例中，心电先验特征包括：rr间期标准差，先验特征确定模块包括：第一提取单元，用于根据心拍标注中的心拍位置，在第二心电信号中提取各rr间期，rr间期是指相邻的两个r波之间的时限；第一标准差计算单元，用于计算rr间期的第一标准差，并将第一标准差作为rr间期标准差。
[0045]
示例性的，第一提取单元根据心拍标注中的心拍位置，在第二心电信号中找到各r波的位置，并根据各r波的位置计算相邻两个r波之间的时限(时间长度)，以得到rr间期。此时，每个两个r波存在一个rr间期。需说明，第二心电信号包含多个rr间期。之后，第一标准差计算单元获取第一提取单元得到的各rr间期，并计算各rr间期的标准差，标准差能反映各rr间期的离散程度。一个实施例中，将当前计算得到的标准差记为第一标准差，并将第一标准差作为rr间期标准差。
[0046]
从生理学角度分析，心房颤动发作时，心电信号的rr间期变异系数也能够在一定程度上反映rr间期不规则，因此，可以使用rr间期变异系数作为心电先验特征，以进行心房颤动的判断。其中，rr间期变异系数是指rr间期标准差与rr间期平均值的比。
[0047]
一个实施例中，心电先验特征包括：rr间期变异系数，先验特征确定模块包括：第二提取单元，用于根据心拍标注中的心拍位置，在第二心电信号中提取各rr间期；第一参数确定单元，用于计算rr间期的第二标准差和第一平均值；变异系数确定单元，用于根据第二标准差和第一平均值得到rr期间变异系数。
[0048]
示例性的，第二提取单元与第一提取单元的功能相同，在此不做赘述。第二提取单元提取rr间期后，由第一参数确定单元计算各rr间期的标准差，并将当前计算的标准差记为第二标准差，可理解，第二标准差和第一标准差的计算方式相同，在此不做赘述。第一参数确定单元还计算各rr间期的平均值，并将当前计算的平均值记为第一平均值。之后，由变异系数确定单元获取第一参数确定单元计算得到的第二标准差和第一平均值，之后，计算第二标准差与第一平均值的比值，并将该比值作为rr间期变异系数。
[0049]
从生理学角度分析，心房颤动发作时，心电信号的临床表现为p波消失，此时，无法检测到心电信号中的p波位置，进而使得心电信号的pr间期不规则，其中，pr间期是指心电信号中p波至相邻的qrs波起点之间的时限(时间长度)。由于pr间期变异性的标准差可以评估pr间期是否规则，因此，一个实施例中，使用pr间期变异性的标准差作为心电先验特征，以进行心房颤动的判断。其中，一个心拍的pr间期与心电信号的平均pr间期的比值可以作为pr间期变异性。
[0050]
一个实施例中，心电先验特征包括：pr间期变异性的标准差，先验特征确定模块包括：第三提取单元，用于根据心拍标注中的心拍位置，在第二心电信号中提各pr间期，pr间期是指p波起点至相邻qrs波起点的时限；第二参数确定单元，用于计算pr间期的第二平均值；第一变异性计算单元，用于计算各pr间期与第二平均值的第一比值，并将第一比值作为pr间期变异性；第二标准差计算单元，用于计算pr间期变异性的第三标准差，并将第三标准差作为pr间期变异性的标准差。
[0051]
示例性的，第三提取单元根据心拍标注中的心拍位置，在第二心电信号中找到各p波的位置和各qrs波位置，之后，根据p波位置得到p波起点的位置，根据qrs波位置得到qrs波起点的位置，之后，将同一心拍中p波起点的位置到qrs波起点(即p波相邻的qrs波)的位置之间的时限(时间长度)作为pr间期。一个实施例中，采用基准点检测算法得到p波起点的位置和qrs波起点的位置，即将p波起点和qrs波起点作为基准点，并结合基准点在心电信号中位置特征(如p波起点一般出现在心拍中的位置范围)，得到p波起点和qrs波起点的位置，进而得到pr间期。可理解，当p波消失时，pr间期不规则的评估难道较大，因此，将p波起点的位置到qrs波起点的位置之间的时限(时间长度)作为pr间期，可以保证pr间期的可靠性，进而保证评估pr间期不规则的可靠性。之后，第二参数确定单元获取第三提取单元得到的各pr间期，并计算各pr间期的平均值，并将当前计算得到的平均值记为第二平均值。之后，第一变异性计算单元用于计算各pr间期与第二平均值之间的比值，并将该比值记为第一比值，此时，每个pr间期对应一个第一比值，各pr间期对应的第一比值可以作为相应pr间期的pr间期变异性。之后，第二标准差计算单元获取各pr间期的pr间期变异性，并计算各pr间期变异性的标准差，此时，将当前计算得到的标准差记为第三标准差，其中，第三标准差的计算方式与第一标准差和第二标准差的计算方式相同，在此不做赘述。第三标准差便可以认为是pr间期变异性的标准差。
[0052]
从生理学角度分析，心房颤动发作时，心电信号的临床表现除了p波消失外，还会出现f波。但是，检测心电信号中p波消失、f波出现的难度较大，其主要难点在于由于f波不规律，所以对f波的提取难度较大，这样并不利于通过提取f波的方式来判断是否发生房颤。然而，由于p波消失，使得心房颤动的心电信号和非心房颤动的心电信号之间的p波变异性的差别比较大，因此，可以基于p波变异性检测心房颤动，其中，p波变异性是指当前心拍中p波的宽度与心电信号中各p波宽度平均值的比值。p波宽度是指心电信号中p波的时间长度，每个p波对应一个p波宽度。一个实施例中，使用第二心电信号中p波变异性的标准差作为心电先验特征，以进行心房颤动的判断。
[0053]
一个实施例中，心电先验特征包括：p波变异性的标准差，先验特征确定模块包括：第四提取单元，用于根据心拍标注中的心拍位置，在第二心电信号中提各p波的p波宽度；参数确定单元，用于计算p波宽度的第三平均值；第二变异性计算单元，用于计算各p波宽度与第三平均值的第二比值，并将第二比值作为p波变异性；第三标准差计算单元，用于计述p波变异性的第四标准差，并将所第四标准差作为p波变异性的标准差。
[0054]
示例性的，第四提取单元根据心拍标注中的心拍位置，在第二心电信号中找到各p波的位置，并根据p波位置得到各p波的p波宽度。可选的，根据p波的起点来得到p波宽度，一个实施例中，采用基准点检测算法得到p波起点、p波终点的位置，进而根据p波起点位置和p波终点位置得到p波宽度，以保证p波宽度的可靠性。其中，该基准点检测算法与计算pr间期变异性的标准差时使用的基准点检测算法相同，在此不做赘述。之后，第三参数确定单元获取第四提取单元得到的各p波宽度，并计算各p波宽度的平均值，并将当前计算得到的平均值记为第三平均值。之后，第二变异性计算单元用于计算各p波宽度与第三平均值之间的比值，并将该比值记为第二比值，此时，每个p波对应一个第二比值，p波对应的第二比值可以作为该p波的p波变异性。之后，第三标准差计算单元获取各p波的p波变异性，并计算各p波变异性的标准差，此时，将当前计算得到的标准差记为第四标准差，其中，第四标准差的计
算方式与第一标准差、第二标准差和第三标准差的计算方式相同，在此不做赘述。第四标准差便可以认为是p波变异性的标准差。
[0055]
可理解，实际应用中，可以结合实际需求在上述四个心电先验特征中选择一个或多个心电先验特征。当选择多个心电先验特征时，多个心电先验特征通过同一第二心电信号确定，此时，可对计算心电先验特征的单元进行复用。例如，心电先验特征包括rr期间标准差和rr间期变异系数时，第一提取单元和第二提取单元可以为同一单元，第一标准差和第二标准差为同一数值，且第一参数确定单元和第一标准差计算单元可以为同一单元，该单元可以计算rr期间的标准差以得到rr期间标准差，同时还可以得到rr期间的平均值，以供变异系数确定单元计算rr期间变异系数。需说明，心电先验特征的类别越多时，第一心电信号的检测结果越准确，如四个心电先验特征同时使用时，第一心电信号的检测结果最准确。心电先验特征构建完毕后，便可以供先验获取模块使用，进而由特征融合模块实现特征融合，并由信号检测模块模块得到第一心电信号为为心房颤动类型或第一心电信号为非心房颤动类型的检测结果。
[0056]
可理解，对于第一神经网络和第二神经网络组成的深度神经网络(如图3所示)而言，其也可以直接基于深度特征对第一心电信号进行检测，而不加入心电先验特征。以心房颤动检测(af_detection)为例，在不加入心电先验特征时，测试该深度神经网络，此时，该深度神经网络的性能如表1所示。
[0057][0058][0059]
表1
[0060]
其中，深度神经网络的性能记为baseline1，表1中示出了深度神经网络进行房颤检测时，各项测试数据的敏感性(se)和特异性(sp)。
[0061]
考虑到加入心电先验特征时，需要融合深度特征和心电先验特征，因此，结合融合的需要，对深度神经网络进行global-pooling(全局池化)，此时，以心房颤动检测(af_detection)为例，在不加入心电先验特征时，测试进行global-pooling的深度神经网络，该深度神经网络的性能如表2所示。
[0062][0063]
表2
[0064]
其中，将进行global-pooling的深度神经网络的性能记为baseline2，表2中示出了进行global-pooling的深度神经网络进行心房颤动检测时，各项测试数据的敏感性(se)和特异性(sp)。同时，表2中还示出了baseline1(未进行global-pooling的深度神经网络的性能)。通过比较表2中baseline1和baseline2的各项数据可知，未加入心电先验特征时，进行global-pooling的深度神经网络的性能存在一定的下降，下降幅度大约在1％至2％之间，造成下降的主要原因是进行global-pooling时，global-pooling对深度特征进行了压缩降维，一定程度上影响了深度神经网络的性能。
[0065]
一个实施例中，以深度神经网络检测(af_detection)为例，将rr间期标准差作为心电先验特征，并在上述进行global-pooling的深度神经网络中加入rr间期标准差，即将cnn得到的深度特征和rr间期标准差进行融合后输入至bilstm层。此时，测试深度神经网络后，深度神经网络的性能如表3所示。
[0066][0067]
表3
[0068]
其中，加入rr间期标准差后，将深度神经网络的性能记为b2+rr_sdnn，rr_sdnn表示rr间期标准差，表3中示出了，加入rr间期标准差的深度神经网络进行心房颤动检测时，
各项测试数据的敏感性(se)和特异性(sp)。同时，表3中还示出了表2中的baseline1和baseline2。通过表3可知，相比于baseline1，b2+rr_sdnn中大部分数据均有一定程度提升，即深度神经网络的性能有一定的提升，可参考表3中p(ours+b1)所在的列，其示出baseline1与b2+rr_sdnn中各项数据的显著相关性。
[0069]
一个实施例中，以心房颤动检测(af_detection)为例，将rr间期变异系数作为心电先验特征，并在上述进行global-pooling的深度神经网络中加入rr间期变异系数，即将cnn得到的深度特征和rr间期变异系数进行融合后输入至bilstm层，以进行心房颤动检测。此时，测试深度神经网络后，深度神经网络的性能如表4所示。
[0070][0071][0072]
表4
[0073]
其中，加入rr间期变异系数后，深度神经网络的性能记为b2+rr_cv，rr_cv表示rr间期变异系数，表4中示出了，加入rr间期变异系数的深度神经网络进行心房颤动检测时，各项测试数据的敏感性(se)和特异性(sp)。同时，表4中还示出了表2中的baseline1和baseline2。通过表4可知，相比于baseline1，b2+rr_cv中大部分数据均有一定程度提升，可参考表4p(ours+b1)所在的列，其示出baseline1与b2+rr_cv中各项数据的显著相关性。
[0074]
一个实施例中，以心房颤动检测(af_detection)为例，将rr期间标准差和rr间期变异系数作为心电先验特征，并在上述进行global-pooling的深度神经网络中加入rr期间标准差和rr间期变异系数，即将cnn得到的深度特征与rr期间标准差和rr间期变异系数进行融合后输入至bilstm层，以进行心房颤动检测。测试深度神经网络时，深度神经网络的性能如表5所示。
[0075][0076]
表5
[0077]
其中，加入rr期间标准差和rr间期变异系数后，深度神经网络的性能记为b2+rr_cv+rr_sdnn，表5中示出了，加入rr期间标准差和rr间期变异系数的深度神经网络进行心房颤动检测时，各项测试数据的敏感性(se)和特异性(sp)。同时，表5中还示出了只加入rr间期标准差时深度神经网络的性能(表5中为b2+rr_sdnn下的各项数据)和只加入rr间期变异系数时深度神经网络的性能(表5中为b2+rr_cv下的各项数据)。由表5可知，同时加入rr期间标准差和rr间期变异系数后，深度神经网络的性能优于仅加入rr期间标准差或rr间期变异系数的深度神经网络的性能，因此，可以将rr期间标准差和rr间期变异系数联合使用，均作为心电先验特征。
[0078]
一个实施例中，以心房颤动检测(af_detection)为例，将pr间期变异性的标准差作为心电先验特征，并在上述进行global-pooling的深度神经网络中加入pr间期变异性的标准差，即将cnn得到的深度特征和pr间期变异性的标准差进行融合后输入至bilstm层，以进行心房颤动检测。测试深度神经网络后，深度神经网络的性能如表6所示。
[0079][0080]
表6
[0081]
其中，加入pr间期变异性的标准差后，深度神经网络的性能记为b2+pr_csdnn，pr_csdnn表示pr间期变异性的标准差，表6中示出了加入pr间期变异性的标准差的深度神经网络进行心房颤动检测时，各项数据的敏感性(se)和特异性(sp)。同时，表6中还示出了表2中的baseline1和baseline2。通过表6可知，相比于baseline1，b2+pr_csdnn中的大部分数据均有一定程度提升，即深度神经网络的性能有一定的提升，可参考表6中p(ours+b1)所在的列，其示出baseline1与b2+pr_csdnn中各项数据的显著相关性。
[0082]
一个实施例中，以心房颤动检测(af_detection)为例，将rr期间标准差、rr间期变异系数和pr间期变异性的标准差作为心电先验特征，并在上述进行global-pooling的深度神经网络中加入rr期间标准差、rr间期变异系数和pr间期变异性的标准差，即将cnn得到的深度特征与rr期间标准差、rr间期变异系数和pr间期变异性的标准差进行融合后输入至bilstm层，以进行心房颤动检测。测试深度神经网络后，深度神经网络的性能如表7所示。
[0083][0084]
表7
[0085]
其中，加入rr期间标准差、rr间期变异系数和pr间期变异性的标准差后，深度神经网络的性能记为b2+rr_cv+rr_sdnn+pr_csdnn，表7中示出了加入rr期间标准差、rr间期变异系数和pr间期变异性的标准差的深度神经网络进行房颤检测时，各项测试数据的敏感性(se)和特异性(sp)。同时，表7中还示出了只加入rr间期标准差时深度神经网络的性能(表7中为b2+rr_sdnn下的各项数据)和只加入rr间期标准差和rr间期变异系数时深度神经网络的性能(表7中为b2+rr_cv+rr_sdnn下的各项数据)。由表7可知，同时加入rr期间标准差、rr间期变异系数和pr间期变异性的标准差后，深度神经网络的性能优于仅加入rr期间标准差或仅加入rr间期标准差和rr间期变异系数的深度神经网络的性能，因此，可以将rr期间标准差、rr间期变异系数和pr间期变异性的标准差联合使用，均作为心电先验特征。
[0086]
一个实施例中，以心房颤动检测(af_detection)为例，将p波变异性的标准差作为心电先验特征，并在上述进行global-pooling的深度神经网络中加入p波变异性的标准差，即将cnn得到的深度特征和p波变异性的标准差进行融合后输入至bilstm层，以进行心房颤动检测。测试深度神经网络后，深度神经网络的性能如表8所示。
[0087][0088]
表8
[0089]
其中，加入p波变异性的标准差后，深度神经网络的性能记为b2+p_csdnn，p_csdnn表示p波变异性的标准差，表8中示出了加入p波变异性的标准差的深度神经网络进行心房颤动检测时，各项测试数据的敏感性(se)和特异性(sp)。同时，表8中还示出了表2中的baseline1和baseline2。通过表8可知，相比于baseline1，b2+p_csdnn中的大部分数据均有一定程度提升，即深度神经网络的性能有一定的提升，可参考表8中p(ours+b1)所在的列，其示出于baseline1与b2+p_csdnn中各项数据的显著相关性。
[0090]
一个实施例中，以房颤检测(af_detection)为例，将rr期间标准差、rr间期变异系数、pr间期变异性的标准差和p波变异性的标准差作为心电先验特征，并在上述进行global-pooling的深度神经网络中加入rr期间标准差、rr间期变异系数、pr间期变异性的标准差和p波变异性的标准差，即将cnn得到的深度特征与rr期间标准差、rr间期变异系数、pr间期变异性的标准差和p波变异性的标准差进行融合后输入至bilstm层，以进行房颤检测时，测试深度神经网络，此时，深度神经网络的性能如表9所示。
[0091][0092][0093]
表9
[0094]
其中，加入rr期间标准差、rr间期变异系数、pr间期变异性的标准差和p波变异性的标准差后，深度神经网络的性能记为b2+rr_cv+rr_sdnn+pr_csdnn+p_csdnn，表9中示出了加入rr期间标准差、rr间期变异系数、pr间期变异性的标准差和p波变异性的标准差的深度神经网络进行心房颤动检测时，各项数据的敏感性(se)和特异性(sp)。同时，表9中还示出了只加入rr间期标准差时深度神经网络的性能(表9中为b2+rr_sdnn下的各项数据)、只加入rr间期标准差和rr间期变异系数时深度神经网络的性能(表9中为b2+rr_cv+rr_sdnn下的各项数据)以及只加入rr期间标准差、rr间期变异系数和pr间期变异性的标准差深度神经网络的性能(表9中为b2+rr_cv+rr_sdnn+pr_csdnn下的各项数据)。由表9可知，同时加入rr期间标准差、rr间期变异系数、pr间期变异性的标准差和p波变异性的标准差后，深度神经网络的性能优于仅加入rr期间标准差、仅加入rr间期标准差和rr间期变异系数以及仅加入rr期间标准差、rr间期变异系数和pr间期变异性的标准差深度神经网络的性能，因此，可以将rr期间标准差、rr间期变异系数、pr间期变异性的标准差和p波变异性的标准差联合使用，均作为心电先验特征。
[0095]
上述，心电先验特征的构建结合了心房颤动时的两种临床表现，避免了p波消失、f波信号微弱而出现难以检测心房颤动的情况，也避免了其他异常类型引起的rr间期不规则对心房颤动的检测干扰，避免出现异常类型误判的情况，提高了心房颤动检测的鲁棒性。
[0096]
一个实施例中，信号获取模块101包括：第二信号采集单元，用于采集原始的第三心电信号，第三心电信号为模拟心电信号；模数转换单元，用于将第三心电信号转换为第四心电信号，第四心电信号为数字心电信号；干扰去除单元，用于将第四心电信号输入至设定截止频率的带通滤波器，以去除第四心电信号中的噪声干扰；重采样单元，用于对去除噪声干扰的第四心电信号进行重采样，并切割成设定长度的心电信号片段；归一化单元，用于对心电信号片段进行归一化处理，以得到待检测的第一心电信号。
[0097]
其中，信号获取模块101获取第一心电信号时包括第二信号采集单元、模数转换单
元、干扰去除单元、重采样单元和归一化单元。第二信号采集单元用于采集人体的心电信号，该心电信号可以认为是采集到的原始心电信号。一个实施例中，将该心电信号记为第三心电信号。第三心电信号为采集到的模拟心电信号。可理解，第三心电信号可以由第二信号采集单元利用导联、传感器等设备进行采集。第三心电信号包括各种噪声且波形比较粗糙、不光滑。一个实施例中，第二信号采集单元可利用模拟电路对第三心电信号进行阻抗匹配、过滤、放大等处理，以提高第三心电信号的质量，其中，模拟电路的具体结构实施例中不作限定。之后，模数转换单元获取第二信号采集单元中的第三心电信号，并利用模数转换器将第三心电信号转换成数字心电信号。其中，模数转换器的具体结构实施例不作限定。一个实施例中，将模数转换单元获取的数字心电信号记为第四心电信号。可选的，模数转换单元将第四心电信号存储至心电信号检测设备的存储器中，以供心电信号检测装置使用。
[0098]
干扰去除单元用于获取第四心电信号，并去除第四心电信号中的噪声干扰。一个实施例中，干扰去除单元使用fir(finite impulse response)带通滤波器去除第四心电信号中的噪声干扰，并且，fir带通滤波器的截止频率可根据噪声确定。可选的，干扰去除单元去除第四心电信号的低频噪声和工频噪声时，使用两个50阶fir带通滤波器，即将第四心电信号依次输入至两个50阶fir带通滤波器，以分别去除第四心电信号中的低频噪声和工频噪声。其中，低频噪声是指长波噪音，也就是波长较长的噪声。工频噪声是心电信号检测设备工作时产生的噪声。一个实施例中，用于去除低频噪声的fir带通滤波器的设定截止频率为0.8hz，用于去除工频噪声的fir带通滤波器的设定截止频率为48hz。可选的，两个fir带通滤波器可以配置在心电信号检测设备中，以供干扰去除单元使用。
[0099]
重采样单元用于对去除噪声后的第四心电信号进行重采样，以使重采样后的第四心电信号满足设定频率的要求，其中，设定频率可以根据实际需求设定，可选的，设定频率与第一神经网络和第二神经网络组成的深度神经网络所能处理信号的频率相等。一个实施例中，设定频率为250hz，即将第四心电信号重采样成250hz的第四心电信号。可理解，重采样可以通过插值等方式实现，实施例对此不作限定。之后，重采样单元对重采样后的第四心电信号进行切割，以切割成设定长度的心电信号片段，其中，设定长度可以根据实际情况设定，一个实施例中，设定长度为10s，即将第四心电信号切割成至少一段心电信号片段，并且，心电信号片段的长度为10s。可选的，切割时，若心电信号片段的长度不足10s，则可以通过补零的方式，将心电信号片段的长度补成10s。若心电信号片段的长度超过了10s，则对心电信号片段进行截断，即截掉超过10s的心电信号部分。
[0100]
归一化单元用于对重采样单元得到的心电信号片段进行归一化处理，以得到待检测的第一心电信号。其中，归一化处理后，第一心电信号中的各值均在[0,1]之间。归一化处理的方式可根据实际情况设定，一个实施例中，通过z-score归一化处理心电信号片段，此时，归一化处理时的计算公式可以为：
[0101][0102]
其中，μ表示心电信号片段的均值，σ表示心电信号片段的标准差，x表示心电信号片段中的数值，x
norm
表示对x进行归一化后的数值。
[0103]
可理解，实际应用中，也可以采用其他的归一化处理方式，实施例对此不作限定。
[0104]
上述，通过第二信号采集单元采集第三心电信号，通过模数转换单元、干扰去除单
元、重采样单元和归一化单元分别对第三心电信号进行模数转换、去除噪声、重采样、切割、归一化的预处理，可以得到供第一神经网络使用的待检测的第一心电信号。
[0105]
下面对心电信号检测装置的检测过程进行示例性描述。该检测过程以检测心房颤动为例进行描述。图4为本技术一个实施例提供的心电信号的处理流程图，参考图4，由第二信号采集单元采集第三心电信号后，依次使用模数转换单元、干扰去除单元、重采样单元对第三心电信号进行预处理(模数转换、去除噪声干扰、重采样)和切割，以得到三个心电信号片段，并利用归一化单元对三个心电信号片段进行归一化，以得到三段长度为10s的第一心电信号。之后，由特征提取模块利用第一神经网络提取各第一心电信号的深度特征，之后，先验获取模块获取心电先验特征，由特征融合模块将深度特征和心电先验特征进行融合，以得到融合特征，之后，信号检测模块将融合特征输入至第二神经网络提，以确定三个第一心电信号的检测结果，其中，三个第一心电信号的检测结果均为第一心电信号为非心房颤动类型(non-af)。
[0106]
值得注意的是，上述心电信号检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。
[0107]
本技术一个实施例还提供一种心电信号检测设备，图5为本技术一个实施例提供的一种心电信号检测设备的结构示意图。如图5所示，该心电信号检测设备包括处理器20、存储器21、输入装置22、输出装置23；心电信号检测设备中处理器20的数量可以是一个或多个，图5中以一个处理器20为例。无创血糖测量设备中处理器20、存储器21、输入装置22、输出装置23可以通过总线或其他方式连接，图5中以通过总线连接为例。
[0108]
存储器21作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本技术实施例中的的心电信号检测装置工作时，使用的程序指令/模块(例如，心电信号检测装置中的信号获取模块101、特征提取模块102、先验获取模块103、特征融合模块104以及信号检测模块105)。处理器20通过运行存储在存储器21中的软件程序、指令以及模块，从而执行心电信号检测设备的各种功能应用以及数据处理，即实现上述的心电信号检测装置的工作过程。
[0109]
存储器21可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据心电信号检测设备的使用所创建的数据等。此外，存储器21可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器20远程设置的存储器，这些远程存储器可以通过网络连接至心电信号检测设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0110]
输入装置22可用于接收输入的数字或字符信息，以及产生与心电信号检测设备的用户设置以及功能控制有关的键信号输入，还可以包括采集心电信号的导联、传感器等设备。输出装置23可包括显示屏等显示设备。
[0111]
该心电信号检测设备可以包含上述心电信号检测装置，以实现对心电信号的检测。可选的，心电信号检测设备可以是心电图机、便携式的心电检测仪等。可理解，心电信号检测设备与心电信号检测装置具备相同的功能和有益效果，未在心电信号检测设备中提及
的技术细节可参考心电信号检测装置。
[0112]
注意，上述仅为本技术的较佳实施例及所运用技术原理。本领域技术人员会理解，本技术不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本技术的保护范围。因此，虽然通过以上实施例对本技术进行了较为详细的说明，但是本技术不仅仅限于以上实施例，在不脱离本技术构思的情况下，还可以包括更多其他等效实施例，而本技术的范围由所附的权利要求范围决定。