申请/专利权人：浙江好络维医疗技术有限公司

申请日：2022-01-13

公开（公告）日：2024-06-14

公开（公告）号：CN114224351B

主分类号：A61B5/318

分类号：A61B5/318;A61B5/361;A61B5/352;A61B5/363;A61B5/00

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2022.04.12#实质审查的生效;2022.03.25#公开

摘要：一种基于融合多个深度学习模型的房颤识别方法，能够准确快速的分析心电信号是否出现房颤症状，方法包括1数据采集和预处理；2搭建神经网络模型；3训练神经网络模型；4对测试集样本进行自动识别；5模型融合与评估，本发明能够准确快速的分析心电信号是否出现房颤症状然后根据每个模型的输出置信度，进行结果融合，并最终给出房颤的诊断结果。

主权项：1.一种基于融合多个深度学习模型的房颤识别方法，能够准确快速的分析心电信号是否出现房颤症状，其特征在于：所述方法包括：1数据采集和预处理：1输入心电数据，对所述的心电数据进行滤波处理，然后对滤波后的心电数据进行R波定位检测，识别出心电数据中的R波位置，计算出所有的RR间期，同时限制心电信号电压值的绝对值在一定范围内，由此防止个别大数值带来的不好影响；2将心电数据按照30秒钟长度切片，每一份数据为一个长度为L的一维向量，记为Xori；同时将这30秒内数据对应的RR间期数组，记为XRR，其中XRR的长度为100，若这30秒内数据对应的RR间期个数不足100，则补零，若这30秒内数据对应的RR间期个数超过100，则只取前100个RR间期；2搭建神经网络模型：包括两个神经网络模型，其中Model1包含两个依次并联的输入通道，第一个输入通道由四个串联的卷积层单元和一个自注意力层单元组成，第二个输入通道由四个串联的卷积层单元组成，在每一路输入通道的输出端有一个Averagepool层，将每一路输入通道Averagepool层的特征图沿深度方向合并，记为合并层，在合并层之后，串联一个全连接层，最后通过softmax层得到Model1的输出结果，其中Model2只有一个输入通道，先串联三个残差卷积层单元和一个Averagepool层，再串联一个全连接层，最后通过softmax层得到Model2的输出结果，所述卷积层单元使用的是一维卷积；3训练神经网络模型：初始化所述两个神经网络模型参数后，将所有30秒心电信号数据集U划分为数据集U1和数据集U2，把数据集U1的样本作为训练集，把数据集U2的样本作为测试集；将训练集的xori和XRR输入到初始化后的Model1中，将XRR输入到初始化后的Model2中，以最小代价函数为目标，用Adam优化器进行训练，直到模型收敛，生成所述两个神经网络的参数并保存模型为PB文件；4对测试集样本进行自动识别：将划分好的测试集Xori和XRR输入到已保存的所述神经网络Model1中，运行深度神经网络，即可获得测试集样本对应的2维预测值向量输出y1，其中y1的第一个维度代表预测房颤的概率值，第二个维度代表预测非房颤的概率值，将划分好的测试集XRR输入到已保存的所述神经网络Model2中，运行深度神经网络，即可获得测试集样本对应的2维预测值向量输出y2，其中y2的第一个维度代表预测房颤的概率值，第二个维度代表预测非房颤的概率值；5模型融合与评估：将y1加上y2的结果记为yt，若yt的第一个维度的值大于第二维度的值，则最后的融合结果为房颤，否则为非房颤，将最后的融合结果与测试集样本的标签进行对比，来评估模型的精度和召回率。

全文数据：

权利要求：

百度查询： 浙江好络维医疗技术有限公司 一种基于融合多个深度学习模型的房颤识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD