基于深度神经网络的心律失常的检测系统的制作方法

本发明涉及神经网络技术领域，尤其涉及一种基于深度神经网络的心律失常的检测系统。

背景技术：

随着计算机技术的飞速发展与广泛应用，计算机辅助诊断对人类的健康发挥出越来越重要的作用。

现有技术中，通过计算机辅助诊断系统对心律失常的检测的方法如下：首先，根据样本用户数据，利用支持向量机(supportvectormachine，svm)算法对统计模型进行训练学习；然后，采集患者在一个采样周期内的心电数据，分析并提取心电数据中的多项特征数据，计算得到每项特征数据在采样周期内的平均值和方差；将平均值、方差和多项特征数据组合，得到患者对应的多维向量；将多维向量与预先确定的用户心律失常类型的统计模型进行匹配，确定该患者的心律失常类型。

由于现有技术的检测系统中，利用支持向量机算法对统计模型进行训练学习，而svm一般用在二类问题的分类，对于多类分类问题效果不好，心律失常类型多达十余种，导致对心律失常的分析结果不准确。

技术实现要素：

(一)要解决的技术问题

本发明的目的是提供一种基于深度神经网络的心律失常的检测系统，解决了现有技术中的心律失常检测系统的检测结果不准确的技术问题。

(二)技术方案

为了解决上述技术问题，一方面，本发明提供一种基于深度神经网络的心律失常的检测系统，其特征在于，包括：

分段模块，用于对获取的待检测患者的k导联心电数据按时间顺序进行分段处理，获取多个k导联心电数据段，每个k导联心电数据段的长度相等，k为正整数；

检测模块，用于将所述多个k导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。

进一步地，还包括：

训练模块，用于获取训练样本集，所述训练样本集包含多组训练样本，每组训练样本包含一位样本患者的多个k导联心电数据段；

基于所述训练样本集，对所述深度神经网络模型进行训练。

进一步地，所述深度神经网络模型包括：输入单元、卷积神经网络单元、循环神经网络单元和输出单元。

进一步地，还包括：

频谱变换模块，用于分别对每个k导联心电数据段进行频谱变换，得到多个经过频谱变换的k导联心电数据段；

相应地，所述检测模块，用于将所述多个k导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。具体为：

检测模块，用于将所述多个经过频谱变换的k导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。

进一步地，还包括：

滤波模块，用于对获取的待检测患者的k导联心电数据进行滤波。

进一步地，还包括：

数据增广模块，用于对所述训练样本集进行数据增广；

相应地，基于所述训练样本集，对所述深度神经网络模型进行训练，具体为：

基于经过数据增广后的训练样本集，对所述深度神经网络模型进行训练。

另一方面，本发明提供一种用于心律失常检测的电子设备，包括：

存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下步骤：

对获取的待检测患者的k导联心电数据按时间顺序进行分段处理，获取多个k导联心电数据段，每个k导联心电数据段的长度相等，k为正整数；

将所述多个k导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。

再一方面，本发明提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如下步骤：

对获取的待检测患者的k导联心电数据按时间顺序进行分段处理，获取多个k导联心电数据段，每个k导联心电数据段的长度相等，k为正整数；

将所述多个k导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。

又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：

对获取的待检测患者的k导联心电数据按时间顺序进行分段处理，获取多个k导联心电数据段，每个k导联心电数据段的长度相等，k为正整数；

将所述多个k导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。

(三)有益效果

本发明提供的基于深度神经网络的心律失常的检测系统，通过将深度神经网络与心电数据相结合，利用人工对心律失常进行诊断的临床经验知识作为先验，对病例作出高可靠的预测，从而提高了心律失常检测的准确度。

附图说明

图1为依照本发明实施例的基于深度神经网络的心律失常的检测系统示意图；

图2为依照本发明实施例的深度神经网络模型的示意图；

图3为本发明实施例提供的用于心律失常检测的电子设备的结构示意图。

具体实施方式

为了使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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。

实施例1：

图1为依照本发明实施例的基于深度神经网络的心律失常的检测系统示意图，如图1所示，本发明实施例提供一种基于深度神经网络的心律失常的检测系统，包括分段模块10和检测模块20，其中，

分段模块10用于对获取的待检测患者的k导联心电数据按时间顺序进行分段处理，获取多个k导联心电数据段，每个k导联心电数据段的长度相等，k为正整数；

检测模块20用于将所述多个k导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。

进一步地，还包括：

训练模块，用于获取训练样本集，所述训练样本集包含多组训练样本，每组训练样本包含一位样本患者的多个k导联心电数据段；

基于所述训练样本集，对所述深度神经网络模型进行训练。

进一步地，所述深度神经网络模型包括：输入单元、卷积神经网络单元、循环神经网络单元和输出单元。

进一步地，还包括：

频谱变换模块，用于分别对每个k导联心电数据段进行频谱变换，得到多个经过频谱变换的k导联心电数据段；

相应地，所述检测模块，用于将所述多个k导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。具体为：

检测模块，用于将所述多个经过频谱变换的k导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。

进一步地，还包括：

滤波模块，用于对获取的待检测患者的k导联心电数据进行滤波。

进一步地，还包括：

数据增广模块，用于对所述训练样本集进行数据增广；

相应地，基于所述训练样本集，对所述深度神经网络模型进行训练具体为：

基于经过数据增广后的训练样本集，对所述深度神经网络模型进行训练。

具体的，本发明实施例提供的基于深度神经网络的心律失常的检测系统包括两大部分，第一部分：分段模块10；第二部分：检测模块20。

在利用深度神经网络模型对心律失常进行检测之前，需要通过系统中的训练模块对深度神经网络进行训练，具体如下：

首先，通过训练模块，获取多个样本患者的一段时间内(如24小时)的k导联心电数据，k为正整数，实际应用中可以根据具体情况选择导联的数量。

由于在采集过程中心电数据容易受到各种干扰(如静电干扰、工频干扰、高频干扰、肌电干扰等)的影响，所以需要对其进行滤除干扰处理，以尽量减少干扰对心律失常检测的影响，通过系统中的滤波模块，对k导联心电数据进行滤除干扰处理(如滤除基线干扰)，得到滤除干扰后的k导联心电数据。

选取合适的长度(如10秒)，按时间顺序将滤除干扰后的k导联心电数据拆分成多个k导联心电数据段。每个样本患者的多个k导联心电数据段就构成了一组训练样本，多组训练样本就构成了训练样本集，每组训练样本是由职业医生对样本患者的k导联心电数据进行分析后标注得到，标注的心律失常的类型，包括窦性心动过速、窦性心动过缓、窦性心律不齐、窦性停搏、窦房阻滞、逸搏、逸搏心律、房性过早搏动、室性过早搏动、心房扑动、心房颤动、心室扑动、心室颤动、窦房传导阻滞、心房内传导阻滞、房室传导阻滞、心室内传导阻滞等。

另外，为了提高训练质量，需要对训练样本集进行数据增广处理，即通过系统中的数据增广模块，对训练样本集中的多个数据段进行时间偏移等处理，使训练样本集中的训练样本增多，从而达到提高训练质量的目的。

为了进一步提高训练质量，也可以通过系统中的频谱变换模块，对训练样本集中的每个数据段进行频谱变换(如短时傅里叶变换)，得到高维心电数据，从而达到提高训练质量的目的。

经过以上操作，完成训练样本集的采集。

然后，基于所述训练样本集，对所述深度神经网络模型进行训练。

对深度神经网络进行训练完成之后，得到训练好的深度神经网络模型，即，心律失常检测模型，通过系统中的检测模块20，利用得到的训练好的深度神经网络模型对心律失常进行检测，具体如下：

首先，获取待检测患者的一段时间内(如24小时)的k导联心电数据，然后通过滤波模块对k导联心电数据进行滤除干扰处理(如滤除基线干扰)，得到滤除干扰后的k导联心电数据。通过系统中的分段模块10，选取合适的长度(如10秒)按时间顺序将滤除干扰后的k导联心电数据拆分成多个k导联心电数据段。

然后，通过系统中的检测模块20，将所述多个k导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。

其中，所述深度神经网络模型包括：输入单元、卷积神经网络单元、循环神经网络单元和输出单元。

图2为依照本发明实施例的深度神经网络模型的示意图，如图2所示，深度神经网络模型包括：输入单元100、卷积神经网络单元200、循环神经网络单元300和输出单元400。

需要说明的是，在实际应用中所述深度神经网络模型的具体结构可以根据实际需要利用已知的神经网络结构组合而成。

本发明提供的基于深度神经网络的心律失常的检测系统，通过将深度神经网络与心电数据相结合，利用人工对心律失常进行诊断的临床经验知识作为先验，对病例作出高可靠的预测，从而提高了心律失常检测的准确度。

实施例2：

图3为本发明实施例提供的用于心律失常检测的电子设备的结构示意图，如图3所示，所述设备包括：处理器(processor)801、存储器(memory)802和总线803；

其中，处理器801和存储器802通过所述总线803完成相互间的通信；

处理器801用于调用存储器802中的程序指令，以执行如下步骤：

对获取的待检测患者的k导联心电数据按时间顺序进行分段处理，获取多个k导联心电数据段，每个k导联心电数据段的长度相等，k为正整数；

将所述多个k导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。

实施例3：

本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行如下步骤：

对获取的待检测患者的k导联心电数据按时间顺序进行分段处理，获取多个k导联心电数据段，每个k导联心电数据段的长度相等，k为正整数；

将所述多个k导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。

实施例4：

本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下步骤：

对获取的待检测患者的k导联心电数据按时间顺序进行分段处理，获取多个k导联心电数据段，每个k导联心电数据段的长度相等，k为正整数；

将所述多个k导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。

本领域普通技术人员可以理解：以上所描述的装置及设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。