[发明专利]房颤模型训练、检测方法和装置

权利要求书

1.一种房颤检测方法，其特征在于，包括以下步骤：

对所获取的当前时刻之前设定时长的红外和红光两路PPG信号分别进行采样，得到两路分别包含设定数量采样数据点的数据序列；

基于CNN网络对两路所述数据序列进行特征提取，得到两路所述PPG信号对应的特征向量；

根据所述特征向量和预先设置的房颤检测模型得到两路所述PPG信号对应的属性类别，所述属性类别包括正常律动、房颤和其它律动，所述房颤检测模型用以使得PPG信号的特征向量与其对应的属性类别相关联；

其中，所述房颤检测模型通过以下方式构建：

对设定时长的多个历史PPG信号分别进行采样，每个所述历史PPG信号得到两路分别包含设定数量采样数据点的数据序列，其中，每个所述历史PPG信号包括红外和红光两路信号，每个所述历史PPG信号的属性类别已预先标记，所述属性类别包括正常律动、房颤和其它律动；

对每个所述历史PPG信号对应的两路数据序列分别进行特征提取，得到每个所述历史PPG信号对应的特征向量；

基于多个所述历史PPG信号的特征向量及其对应的属性类别生成训练样本集；

基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联；

其中，所述机器学习算法是基于注意力机制的双向LSTM模型；相应的，

基于机器学习算法建立房颤检测模型，所述房颤检测模型使得所述训练样本集中多个所述历史PPG信号的特征向量与其对应的属性类别相关联，包括：

通过双向LSTM单元和注意力单元构建双层堆叠的房颤检测模型；

利用所述训练样本集对所述房颤检测模型进行训练，所述房颤检测模型使得每个所述历史PPG信号的T维特征向量与其已标记的属性类别相关联；

其中，所述基于注意力机制的双向LSTM模型中，编码Encoder由一个双向的LSTM单元组成，所述Encoder与注意力单元构成网络的一层，所述基于注意力机制的双向LSTM模型中共有两层由所述Encoder与注意力单元构成的网络，其中，第二层的输出序列通过一个Softmax单元生成目标类别为4的目标序列，分别代表正常律动、房颤、其他律动和噪声四种类别；

其中，在基于注意力机制的LSTM模型中，输出序列的条件概率表示为：

p(y_i|y₁，...，y_i-1，x)＝g(y_i-1，s_i，c_i)，

其中s_i是LSTM的隐藏状态，表示为s_i＝f(s_i-1，s_i，c_i)，i为正整数；x为输入信号序列，y_i为输出序列；

语境向量c_i中的每一个元素是由所述Encoder的输出序列加权之和：

其中，h_j表示所述Encoder输出序列中的第j个元素，a_i,j表示权重，α是一个二维矩阵，其中第i个行向量代表由向量h到第i个输出的注意力权重；

a_i,j是由一个softmax计算得到：

其中

其中，Tx是输出序列元素的个数，k为介于1至Tx间的整数；v_a是权重系数，W_a和U_a为权重矩阵，其具体数值可以通过训练得到；

训练模型时使用Softmax损失函数作为目标函数：

其中，M为训练过程中存储中同时训练的样本的数量，f(m)为当前样本识别正确的后验概率，m是函数f(m)的自变量，取值为从1至M；L为计算得到的代价函数，根据L对深度网络进行反向梯度传递和训练，模型优化时采用基于一阶梯度来优化随机目标函数的算法adam方法进行。

2.根据权利要求1所述的房颤检测方法，其特征在于，在所述对所获取的当前时刻之前设定时长的红外和红光两路PPG信号分别进行采样，得到两路分别包含设定数量采样数据点的数据序列之前还包括：

对所采集的PPG信号进行降噪处理。