换一批
换一批摘要本申请涉及心电异常事件识别方法及系统，通过对目标对象的心电信号采样到预设频率，并填充到预设时长、导联数，得到待评估心电信号，再采用心电表示学习模型处理，确定心电表示张量，其中心电表示学习模型是基于目标函数，采用历史心电信号和经过数据增广后的历史心电信号训练得到的，目标函数为自监督损失函数与有监督损失函数加权求和，再采用心拍识别模型处理心电表示张量，确定心拍预测结果；基于该结果，对心电表示张量进行分窗，确定心电表示序列；采用心电事件识别模型处理心电表示序列，确定心电事件预测结果，进而获取心电事件发生的起止点，该方法能够兼容任意导联、长度心电数据，并提高心电异常事件检测的准确度和计算效率。
更多相关知识
专利类型
发明专利
申请/专利号
CN202411015793.4
申请日期
2024-07-26
公开/公告号
CN118845035A
公开/公告日
2024-10-29
主分类号
A61B5/346(2021.01) A A61 A61B A61B5
分类号
A61B5/346(2021.01) A61B5/318(2021.01) A61B5/00(2006.01) G06F18/241(2023.01) G06N3/0499(2023.01) G06N3/0464(2023.01) G06N3/0895(2023.01) G06N3/09(2023.01) A61B5/346 A61B5/318 A61B5/00 G06F18/241 G06N3/0499 G06N3/0464 G06N3/0895 G06N3/09
申请/专利权人
中国医学科学院阜外医院
发明/设计人
学术成果认领
主申请人地址
100037 北京市西城区北礼士路167号
国别省市代码
北京;11
主权项：
1.一种心电异常事件识别方法，其特征在于，包括： 获取目标对象的心电信号； 对所述目标对象的心电信号采样到预设频率，并填充到预设时长和预设导联数，得到待评估心电信号； 基于所述待评估心电信号，采用心电表示学习模型，确定心电表示张量，其中，所述心电表示学习模型是基于目标函数，采用历史心电信号和经过数据增广后的历史心电信号进行训练得到的，所述目标函数为自监督损失函数与有监督损失函数的加权求和； 基于所述心电表示张量，采用心拍识别模型，确定心拍预测结果； 基于所述心拍预测结果，对所述的心电表示张量进行分窗，获取以每个心拍为中心，长度相同的心拍窗口，所有心拍窗口组成心电表示序列； 基于所述心电表示序列，采用心电事件识别模型，确定每个心拍窗口的心电事件预测结果，基于每个心拍窗口的心电事件预测结果获取心电事件发生的起止点。 2.根据权利要求1所述的方法，其特征在于，所述的心电表示学习模型包括多个并联的空洞卷积模块，每个空洞卷积模块由多个空洞卷积基本模块串联，每个空洞卷积基本模块包括一维空洞卷积，每个空洞卷积基本模块包括的一维空洞卷积的间隙不同，其中，所述基于所述待评估心电信号，采用心电表示学习模型，确定心电表示张量，包括： 将所述待评估心电信号分别输入第一、第二…第K空洞卷积模块，输出第一、第二…第K特征张量； 将第一、第二…第K特征张量沿通道维拼接在一起，得到心电表示张量，其中K为空洞卷积模块的个数。 3.根据权利要求1所述的方法，其特征在于，所述的心拍识别模型为多层感知机，包括多层线性全连接神经网络，所述的多层线性全连接神经网络，每层网络的神经元个数分别设置为2n，2n-1，…2n-m，其中m1Lself-supervised + w2Lsupervised-1+ w3Lsupervised-2， 其中w1、w2、w3为第一、第二、第三权重，Lself-supervised为所述自监督损失函数，Lsupervised-1为所述第一有监督损失函数，Lsupervised-2为所述第二有监督损失函数； 基于所述心电表示学习损失函数优化心电表示学习模型、心拍识别模型、有监督任务模型、自监督任务模型，得到训练好的心电表示学习模型、心拍识别模型。 6.根据权利要求5所述的方法，其特征在于，所述基于第一、第二自监督结果向量计算自监督损失函数，通过如下方式计算：
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
