[发明专利]一种基于时序深度模型的心电信号异常检测方法

说明书

本发明涉及一种基于时序深度模型的心电信号异常检测方法，通过设计一个全部由注意力机制构成的编码器与解码器，试图通过编码器挖掘患者心电信号本身的特征信息，通过解码器分析标准心电信号的特征信息，以及患者心电信号与标准心电信号之间的相似性关系，以此判断患者心电信号是否异常，最终给出辅助诊疗结果，提高医护人员诊疗的工作效率以及准确率。实现对患者进行非接触式实时监控，避免疾病在医患之间发生传播。

技术领域

本发明涉及辅助诊疗医疗器械装置领域，具体是一种基于时序深度模型的心电信号异常检测方法。

背景技术

心电信号作为反应患者生命体征的一种重要信息，在诊疗过程中常需要投入大量的人力物力进行监控患者状况，以防止突发情况的发生。对于某些重症患者往往可能在某些时刻其生命体征已经出现些微异常，但由于察觉不及时，而错过最佳救治时间，造成无法挽回的严重后果。而对于某些患有传染类疾病的重症患者在治疗期间不可避免地会与医护人员发生直接接触，而这种接触往往具有较高的疾病传播风险。

由于患者心电信号是一种典型的时序信号，处理时序信号的深度学习方法大多以由递归神经网络(Recurrent Neural Network，RNN)[2]演变的长短时记忆模型(Long-Short Term Memory，LSTM)作为基础构建模型，将前一个神经元的输出，作为下一个神经元的输入，以此最大程度保留了时序信号间的时序关联性。但由于其模型结构过于简单，只能处理简单的单一维度的时序信号数据，而不能解决结构复杂，维度较多的时序信号数据；只能解决短期依赖问题，不能很好地解决长期依赖问题。这使得学者们从以下两方面对基础LSTM模型做出改进，第一种为针对待处理信号的特殊性做出的改进，如：多用于处理文本情感分析的双向长短时记忆模型(Bidirectional Long-Short Term Memory，BiLSTM)；针对处理区域型时序数据的卷积长短时记忆模型；更擅长于处理多维度时序信号的多维长短时记忆模型等；另一种则针对梯度消失问题做出的改进，如peephole connection模型、GatedRecurrent Unit模型(GRU)、Clockwork RNN模型[9]等，以通过上述两种方式使得模型具备捕捉跨度更长，距离更远的两个时间点的数据之间的关联性。

近段时间，随着通过为数据元素赋予不同权重，以模拟人在处理数据中的感知过程的注意力机制的发展，开始有科研人员尝试打破用递归神经网络单元处理时序信号的固有思维模式，构建了全部由注意力机制组成的Transformer模型，其中首次提出自注意力机制，通过将查询向量，键向量以及数值向量赋予相同的数值以发现该向量各元素间的内在联系，并在运算效率上实现了突破性进展。同时也诞生了越来越多的与自注意力机制有关的模型被用于解决传统卷积网络，递归神经网络难以很好解决的问题，如：语义分析问题、图分类问题，知识融合问题等。本发明使用基于时序的深度模型方法实现远程非接触式实时监控患者心电信号，并在检测到异常时进行报警，并向医护人员给出辅助诊疗信息。

发明内容

本发明所要解决的技术问题是提供一种基于时序深度模型的心电信号异常检测方法，以解决现有技术中存在的缺陷。

本发明解决上述技术问题的技术方案如下：

一种基于时序深度模型的心电信号异常检测方法，包括如下步骤：

S1、通过可穿戴设备中的传感器对患者心电信号进行实时采集并远程传输至云端；

S2、在云端通过由注意力机制构成的时序深度模型对采集到的患者心电信号进行实时处理、分析，对患者状况进行无接触式远程实时监控；

S3、在检测到患者当前状况异常时，再次通过数据传输，向医护人员发出警告，并给出对于当前异常状况的辅助诊断信息；

更具体的，步骤S2包括如下过程：

S21、在云端通过基于时序的深度模型中的编码器对输入的患者心电信号进行特征分析；