申请/专利权人：武汉大学

申请日：2022-05-10

公开（公告）日：2024-06-14

公开（公告）号：CN114847905B

主分类号：A61B5/024

分类号：A61B5/024;A61B5/346;A61B5/00

优先权：

专利状态码：有效-授权

法律状态：2024.06.14#授权;2022.08.23#实质审查的生效;2022.08.05#公开

摘要：本发明公开了一种心率失常数据检测识别方法及系统，所述方法包括步骤：S100、获取心电图数据，对心电图数据进行预处理得到标准心电数据；S200、构建神经网络模型，所述神经网络模型用于处理标准心电数据；S300、将标准心电数据输入神经网络模型，得到标准心电数据的分类结果。本发明通过构建神经网络模型对临床采集的心电图像数据进行识别，得到心电图像数据的分类结果，快速判断患者心率失常的类型，并且，该神经网络模型将卷积模块与LSTM模块（长短期记忆模型）结合实现心律失常的五分类任务，利用LSTM模块捕获心电数据之间的位置关联（序列特征），提高了心电图五分类任务的准确率。

主权项：1.一种心率失常数据检测识别方法，其特征在于，包括以下步骤：S100、获取心电图数据，对心电图数据进行预处理得到标准心电数据，具体包括S101、获取心电监测设备输出的心电图数据，S102、对所述心电图数据进行预处理，步骤S102中，采用中值滤波对心电图数据集进行预处理，中值滤波的中值运算公式为： ；其中，m为在这个窗口中某个样本点，m点周围区域中信号为x（m-k）、x（m）、x（m+k），med[]表示对窗口内的样本点m做中值运算；S200、构建神经网络模型，所述神经网络模型用于处理标准心电数据；S300、将标准心电数据输入神经网络模型，得到标准心电数据的分类结果，其中：步骤S200包括：S201、获取MIT-BIH心律失常数据库中的心电数据集，将心电数据集分为训练集、验证集和测试集；S202、构建神经网络模型，所述神经网络模型包括卷积模块和LSTM模块，卷积模块的输出作为LSTM模块的输入，所述卷积模块设有五段卷积，每段卷积均包括有卷积层、ReLu激活层和池化层，所述LSTM模块设有隐藏层、注意力层和加权输出层，所述神经网络模型还包括有输入层、拼接层、全连接层和输出层，所述输入层与卷积模块连接，卷积模块与LSTM模块连接，LSTM模块与拼接层连接，拼接层与全连接层连接，全连接层与和输出层连接，其中：卷积模块，用于提取心电图数据特征，然后使用Relu激活函数激活心电图数据特征，接着采用最大池化策略池化激活后心电图数据特征，得到心电图数据特征向量，记为： ；所述LSTM模块包括隐藏层、注意力层和加权输出层，其中：隐藏层，用于对心电图数据特征向量进行数据处理，得到隐藏层输出，其中： ；注意力层，基于Softmax函数对权重进行归一化，得到归一化权重，记为： ；其中：自学习函数，为函数，为网络权重，为偏置项，和通过模型训练进行参数更新；加权输出层，用于将隐藏层输出与归一化权重进行加权求和，得到向量数量为k的序列特征，记为： ；所述拼接层用于将卷积模块的心电图数据特征向量与序列特征进行拼接，得到输出特征向量F，其中： ；所述神经网络模型还包括有Dropout层，所述Dropout层设置于所述拼接层和全连接层之间；S203、使用训练集的数据对构建的神经网络模型进行训练，即将训练集数据输入到步骤S202中的神经网络模型进行迭代；S204、使用验证集的数据对训练好的神经网络模型进行验证；S205、将测试集的数据输入到训练好的神经网络模型，得到识别结果；S206、判断识别结果是否符合预期，结果不符合时，继续步骤S203；结果符合时，神经网络模型构建完成。

全文数据：

权利要求：

百度查询： 武汉大学 一种心率失常数据检测识别方法及系统

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