[发明专利]一种基于动脉压力波特征的人工智能检测心律失常的方法

权利要求书

1.一种基于动脉压力波特征的人工智能检测心律失常的装置，其特征在于，所述装置包括：

压力波数据获取模块，用于获取目标对象的肱动脉压力波数据；

特征数据确定模块，用于将肱动脉压力波数据从时域转换到频域，并根据预设频率范围进行频率选取，得到肱动脉压力波的频域数据；确定每个频域数据是否满足预设条件，并将满足预设条件的频域数据确定为关键点；按照预设区间长度对所述预设频率范围进行划分，得到多个频率区间；根据每个频率区间中的关键点，计算各所述频率区间对应的特征数据；所述特征数据包括所述频率区间中的关键点数量、关键点的振幅累加值和关键点的频率累加值；其中，所述特征数据用于表征所述肱动脉压力波的波动状态；预设条件包括：频域数据的振幅大于前一频域数据的振幅和后一频域数据的振幅，且大于预设阈值；

心律类型检测模块，用于根据所述特征数据进行心律类型检测，得到所述目标对象的心律类型。

2.根据权利要求1所述的装置，其特征在于，所述预设阈值为频域数据序列中的预设百分位数；所述频域数据序列为由多个频域数据按照振幅从小到大排列得到的数据序列。

3.根据权利要求1所述的装置，其特征在于，

所述肱动脉压力波数据包括升降压数据和定压数据；所述升降压数据包括收缩压数据和舒张压数据；所述定压数据与所述升降压数据呈线性关系。

4.根据权利要求1-3任一项所述的装置，其特征在于，

所述心律类型检测模块，还用于将所述特征数据输入到预先训练的心律类型检测模型中，得到所述心律类型检测模型输出的所述目标对象的心律类型。

5.根据权利要求4所述的装置，其特征在于，所述装置还包括：

训练样本获取模块，用于获取多个训练对象的样本特征数据和各样本特征数据对应的金标准；所述样本特征数据对应的金标准用于表征所述训练对象对应的心律类型；所述训练对象对应的心律类型根据心电图的诊断结果确定；

训练模块，用于基于所述多个训练对象的样本特征数据和各样本特征数据对应的金标准进行分类模型的训练，得到所述心律类型检测模型。

6.根据权利要求5所述的装置，其特征在于，所述训练样本获取模块包括：

特征数据获取子模块，用于获取多个候选对象的特征数据；

评分子模块，用于采用预设评分函数对各所述候选对象的特征数据进行评分处理，得到各所述候选对象对应的评分结果；

训练对象确定子模块，用于根据各所述候选对象对应的评分结果，从所述多个候选对象中选取出所述训练对象，并将所述训练对象的特征数据作为所述样本特征数据。

7.根据权利要求6所述的装置，其特征在于，

所述训练对象确定子模块，还用于按照分数由高到低的顺序对所述多个候选对象进行排序；将排序靠前的k个候选对象确定为所述训练对象；其中，k为正整数。

8.根据权利要求5所述的装置，其特征在于，所述训练模块包括：

取值获取子模块，用于获取所述分类模型的模型参数的取值范围和取值步长；

训练子模块，用于根据所述模型参数的取值范围和取值步长，以及各所述样本特征数据对应的金标准，确定所述模型参数的目标值，得到所述心律类型检测模型。

9.根据权利要求8所述的装置，其特征在于，

所述训练子模块，用于根据所述模型参数的取值范围对所述模型参数进行初始化；所述模型参数包括输入特征数量、误差容忍度和支持向量度；基于所述多个训练对象的样本特征数据对初始化后的分类模型进行训练，得到所述分类模型对应的平均准确率；根据所述模型参数的取值步长对各所述模型参数的取值进行更新，并重复执行得到所述分类模型对应的平均准确率的步骤，直至所述模型参数的取值更新完毕，得到多个所述平均准确率；根据多个所述平均准确率选取出所述模型参数的候选值，并根据所述模型参数的候选值和各所述样本特征数据对应的金标准，对所述分类模型进行性能检测，得到模型性能满足预设检测条件的所述心律类型检测模型。