[发明专利]基于Transformer的房颤识别方法及装置

说明书

本发明公开了基于Transformer的房颤识别方法及装置，方法包括：获取原始心电数据；对所述原始心电数据进行分类标记，得到房颤心电数据和非房颤心电数据；对所述房颤心电数据和非房颤心电数据进行数据分段，构建用于神经网络训练的训练数据集和测试数据集；将所述训练数据集输入到Transformer中进行网络训练，得到目标模型；将所述测试数据集输入所述目标模型进行二分类，得到所述测试数据集中房颤心电数据和非房颤心电数据的分类结果。本发明的准确度高且精度高，可广泛应用于数据处理技术领域。

技术领域

本发明涉及数据处理技术领域，尤其是基于Transformer的房颤识别方法及装置。

背景技术

心房颤动一直是健康关注的焦点，因为它是最常见的心律失常，由于人口老龄化的激增，预计到2050年，其患病率将翻一番。 房颤很大程度上会导致心血管疾病风险的增加，包括卒中风险增加5倍。 心房颤动的错误诊断可能导致过度医疗、医疗资源的不当使用、以及无法及时预警心血管风险。 然而，无症状和阵发性心房颤动占心房颤动事件比例不小，这使得在医院常规心电图检查期间很难及时地发现心房颤动。

随着可穿戴式心电图仪的出现，长时间连续心电监护可以显着提高无症状和阵发性房颤的检出率，但缺乏心血管专家对所有长期记录进行诊断仍然是一个严峻的挑战。因此，对可穿戴式心电图自动诊断房颤的呼声迫在眉睫。

基于特征提取的房颤检测方法对噪声和个体差异不鲁棒，故现在的主流方法均是基于卷积神经网络或循环神经网络的，但对于时间序列而言，卷积网络无法很好地对长距离依赖建模，循环网络则并行性太差。

发明内容

有鉴于此，本发明实施例提供一种准确度高且精度高的基于Transformer的房颤识别方法及装置。

本发明的一方面提供了一种基于Transformer的房颤识别方法，包括：

获取原始心电数据；

对所述原始心电数据进行分类标记，得到房颤心电数据和非房颤心电数据；

对所述房颤心电数据和非房颤心电数据进行数据分段，构建用于神经网络训练的训练数据集和测试数据集；

将所述训练数据集输入到Transformer中进行网络训练，得到目标模型；

将所述测试数据集输入所述目标模型进行二分类，得到所述测试数据集中房颤心电数据和非房颤心电数据的分类结果。

可选地，所述获取原始心电数据，包括：

通过可穿戴设备获取原始心电数据。

可选地，所述对所述房颤心电数据和非房颤心电数据进行数据分段，构建用于神经网络训练的训练数据集和测试数据集，包括：

将监测数据的时间片段设置为15秒，将采样率设置为500Hz；

对采集到的所述房颤心电数据和非房颤心电数据进行数据分段；

计算数据分段后所有心电数据的均值和标准差；

根据所述均值和标准差对所有心电数据进行归一化处理；

通过带通滤波对所述心电数据中噪声进行滤除，得到训练数据集和测试数据集；

其中，所述训练数据集和测试数据集的数据集格式为HDF5格式。

可选地，所述将所述训练数据集输入到Transformer中进行网络训练，得到目标模型，包括投影步骤、位置嵌入步骤以及Transformer编码步骤；

其中，所述投影步骤包括：

将所述训练数据集等间隔划分为多个片段，每个小段为待投影数据；