一种阵发房颤标记方法、终端设备及存储介质与流程

本发明涉及心电图分析领域，尤其涉及一种阵发房颤标记方法、终端设备及存储介质。

背景技术：

1、房颤的心电图表现为：p波消失代之以f波，rr间期绝对不规则。阵发房颤是指间歇性发作的房颤，动态心电图医生遇到阵发房颤病例时，需要将每段房颤的发生起止位置进行精确到心搏位置的标记，从而评估房颤的严重程度。然而遇到大量事件时，手动标记很费时，需要自动化的标记方法帮助人类。目前流行的做法是基于有监督的深度学习训练模型进行识别。它的应用效果取决于训练数据的丰富程度和训练效果，一份24小时的动态心图会放大模型泛化误差，导致结果出现很多假阳性或者假阴性片段，反而增加了使用者的修订负担。而且模型黑盒性质导致发生错误是不可解释，降低了使用者的信赖程度。

技术实现思路

1、为了解决上述问题，本发明提出了一种阵发房颤标记方法、终端设备及存储介质。

2、具体方案如下：

3、一种阵发房颤标记方法，包括以下步骤：

4、s1：读取心电图并进行心搏识别；

5、s2：基于心电图中用户标记的一段房颤区间，计算房颤心搏相对于正常心搏的心率分散度临界值；

6、s3：构建心电数据片段集合, 从标记房颤区间中截取各心搏对应的心电数据片段存入心电数据片段集合中，并记录此时心电数据片段集合中的元素数目；

7、s4：遍历心电图的所有心搏，计算每个心搏的心率分散度，如果存在心搏序号，使得且，或者且，其中，和分别表示第i个和第i-1个心搏的心率分散度，则将心搏序号为的心搏添加至心电数据片段集合中；遍历结束后，删除心电数据片段集合中的重复心搏，并记录此时心电数据片段集合中的元素数目， l表示心搏序号增量；

8、s5：初始化聚类指示向量，其中，表示第i个心搏的类型，设置的值表示房颤；初始化标签选择向量，其中，表示第i个心搏的可信度，初始设置的值均表示可信；初始化设置可信度阈值、不可信的样本个数和软化超参数；

9、s6：构建卷积神经网络模型，设定模型的输入为心电数据片段集合，输出为特征张量；

10、s7：将输入模型得到特征张量；

11、s8：保持固定，通过k-means聚类算法对模型输出的特征张量进行聚类处理，使得下式成立后，得到新的聚类指示向量；

12、；

13、其中，表示第i个心搏的特征张量，k表示心搏的类型，k∈{1,2}，表示第k类心搏的特征张量的均值，表示求模运算；

14、s9：基于新的聚类指示向量，对两类心搏的特征张量的均值均进行更新，并对特征张量进行l2正则化；

15、s10：针对所有满足类型为非房颤且心搏序号大于m的心搏，计算其特征张量与类型为非房颤的心搏的特征张量的均值的内积，如果内积大于或等于可信度阈值，则设置该心搏的可信度的值表示可信，否则设置该心搏的可信度的值表示不可信；

16、针对所有满足类型为房颤且心搏序号大于m的心搏，计算其特征张量与类型为房颤的心搏的特征张量的均值的内积，如果内积大于或等于可信度阈值，则设置该心搏的可信度的值表示可信，否则设置该心搏的可信度的值表示不可信；

17、更新心电数据片段集合中可信度的值表示不可信的样本个数；

18、s11：判断不可信的样本个数的值是否大于更新前的值，如果是，则从所有可信度的值表示不可信的样本中提取内积最接近可信度阈值的样本对应的心电数据片段，并发送至显示界面供用户分类，根据接收到的分类结果固定其心搏类型，同时固定其可信度的值表示可信；基于接收到的分类结果对可信度阈值进行更新；

19、s12：使用梯度下降方式，通过下式对模型参数进行优化：

20、；

21、其中，表示模型中的超参数，表示卷积神经网络模型，表示心电数据片段集合中第i个心搏；

22、s13：重复步骤s7，直至s8中得到的新的聚类指示向量与之前的聚类指示向量的值相比不再发生变化，基于此时的聚类指示向量，将类型表示房颤的心搏标记为房颤。

23、进一步的，步骤s2中心率分散度临界值的计算过程包括以下步骤：

24、s201：初始化直方图中bin的大小，基于计算标记房颤区间的起始心搏对应的心率分散度，判断是否等于心率分散度阈值，如果是，进入s203；否则，进入s202；

25、s202：调整的大小，返回s201；

26、s203：基于计算标记房颤区间的结束心搏对应的心率分散度；

27、s204：基于心率分散度阈值和，通过下式计算心率分散度临界值：

28、；

29、其中，为经验系数，1<<2。

30、进一步的，基于计算第i个心搏的心率分散度的计算过程为：

31、计算第i个心搏和其之后的 l个心搏的瞬时心率，并提取其中的最小值作为最小瞬时心率；

32、令第i个心搏和其之后的 l个心搏的瞬时心率均减去最小瞬时心率后得到差值心率；

33、基于直方图中bin的大小，绘制第i个心搏和其之后的 l个心搏的差值心率对应直方图；

34、设定直方图中高度大于0的bin的数目为i个心搏的心率分散度。

35、进一步的，设定心率分散度阈值为7。

36、进一步的，心电数据片段截取两个qrs波之间的片段。

37、进一步的，步骤s3中从标记房颤区间中截取时，将标记房颤区间的开始心搏和结束心搏均向外扩一个心搏。

38、进一步的，可信度阈值的更新方法为：当分类结果为房颤时，设定，当分类结果为非房颤时，设定，表示取最小值。

39、一种阵发房颤标记终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。

40、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。

41、本发明采用如上技术方案，能够不依赖大数据训练和模型泛化能力，让用户提供最小程度但最有价值的监督信息，达到更可信的房颤标记效果。

技术特征：

1.一种阵发房颤标记方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的阵发房颤标记方法，其特征在于：步骤s2中心率分散度临界值的计算过程包括以下步骤：

3.根据权利要求2所述的阵发房颤标记方法，其特征在于：设定心率分散度阈值为7。

4.根据权利要求1所述的阵发房颤标记方法，其特征在于：心电数据片段截取两个qrs波之间的片段。

5.根据权利要求4所述的阵发房颤标记方法，其特征在于：步骤s3中从标记房颤区间中截取时，将标记房颤区间的开始心搏和结束心搏均向外扩一个心搏。

6.根据权利要求1所述的阵发房颤标记方法，其特征在于：可信度阈值的更新方法为：当分类结果为房颤时，设定，当分类结果为非房颤时，设定，表示取最小值。

7.一种阵发房颤标记终端设备，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1~6中任一所述方法的步骤。

8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1~6中任一所述方法的步骤。

技术总结
本发明涉及一种阵发房颤标记方法、终端设备及存储介质，该方法中包括：基于标记房颤区间，计算房颤心搏相对于正常心搏的心率分散度临界值；基于心率分散度临界值，遍历心电图选择房颤候选心搏；通过神经网络模型得到心搏的特征张量；通过聚类算法对特征张量进行聚类，聚类指示向量；通过特征张量与均值的内积与可信度阈值的大小关系，判断是否可信；基于不可信样本个数更新可信度阈值；使用梯度下降对模型参数进行优化；重复上述过程直至收敛。本发明能够不依赖大数据训练和模型泛化能力，让用户提供最小程度但最有价值的监督信息，达到更可信的房颤标记效果。

技术研发人员：李熙,钟玉秋,徐拥军
受保护的技术使用者：厦门纳龙健康科技股份有限公司
技术研发日：
技术公布日：2024/1/12