[发明专利]基于深度学习的多导联多尺度的心电检测方法及系统

权利要求书

1.一种基于深度学习的多导联多尺度的心电检测方法，其特征在于，包括：

步骤S1：利用心电图机采集体表电位数据，并对采集到的体表电位数据进行标注；

步骤S2：对采集到的体表电位数据进行预处理，得到预处理后的体表电位数据；

步骤S3：构建心律失常检测模型，并利用预处理后的体表电位数据样本训练心律失常检测模型，得到训练后的心律失常检测模型；

步骤S4：利用训练后的心律失常检测模型对待分析的心电数据进行心律失常的识别处理，获取识别结果；

所述心律失常检测模型是卷积神经网络引入多尺度卷积核，提取不同尺度下心电图的波形特征；同时通过不同卷积方式的级联，训练不同场景下的心律失常检测模型。

2.根据权利要求1所述的基于深度学习的多导联多尺度的心电检测方法，其特征在于，所述步骤S2采用：通过带通滤波器对体表心电数据中的各通道心电信号进行滤波处理。

3.根据权利要求1所述的基于深度学习的多导联多尺度的心电检测方法，其特征在于，所述心律失常检测模型包括：二维卷积神经网络和多尺度网络；

利用所述二维卷积神经网络将多导联心电图各导联信号进行叠加合成，从而能够有效应用多导联信号和单导联信号的输入；

利用所述多尺度网络进行多尺度特征提取。

4.根据权利要求3所述的基于深度学习的多导联多尺度的心电检测方法，其特征在于，所述多尺度网络包括预设数量的SE-Residual模块；

所述SE-Residual模块包括SE模块和Residual模块。

5.根据权利要求4所述的基于深度学习的多导联多尺度的心电检测方法，其特征在于，所述二维卷积神经网络包括64个卷积核；每个卷积核的大小为1*60；

所述多尺度网络包括SE-Residual模块1、SE-Residual模块2以及SE-Residual模块3；

所述SE-Residual模块1中一维卷积层包括64个卷积核；每个卷积核大小为5；

所述SE-Residual模块2中一维卷积层包括64个卷积核；每个卷积核大小为7；

所述SE-Residual模块3中一维卷积层包括64个卷积核；每个卷积核大小为9。

6.一种基于深度学习的多导联多尺度的心电检测系统，其特征在于，包括：

模块M1：利用心电图机采集体表电位数据，并对采集到的体表电位数据进行标注；

模块M2：对采集到的体表电位数据进行预处理，得到预处理后的体表电位数据；

模块M3：构建心律失常检测模型，并利用预处理后的体表电位数据样本训练心律失常检测模型，得到训练后的心律失常检测模型；

模块M4：利用训练后的心律失常检测模型对待分析的心电数据进行心律失常的识别处理，获取识别结果；

所述心律失常检测模型是卷积神经网络引入多尺度卷积核，提取不同尺度下心电图的波形特征；同时通过不同卷积方式的级联，训练不同场景下的心律失常检测模型。

7.根据权利要求6所述的基于深度学习的多导联多尺度的心电检测系统，其特征在于，所述模块M2采用：通过带通滤波器对体表心电数据中的各通道心电信号进行滤波处理。

8.根据权利要求6所述的基于深度学习的多导联多尺度的心电检测系统，其特征在于，所述心律失常检测模型包括：二维卷积神经网络和多尺度网络；

利用所述二维卷积神经网络将多导联心电图各导联信号进行叠加合成，从而能够有效应用多导联信号和单导联信号的输入；

利用所述多尺度网络进行多尺度特征提取。

9.根据权利要求8所述的基于深度学习的多导联多尺度的心电检测系统，其特征在于，所述多尺度网络包括预设数量的SE-Residual模块；

所述SE-Residual模块包括SE模块和Residual模块。

10.根据权利要求9所述的基于深度学习的多导联多尺度的心电检测系统，其特征在于，所述二维卷积神经网络包括64个卷积核；每个卷积核的大小为1*60；

所述多尺度网络包括SE-Residual模块1、SE-Residual模块2以及SE-Residual模块3；

所述SE-Residual模块1中一维卷积层包括64个卷积核；每个卷积核大小为5；

所述SE-Residual模块2中一维卷积层包括64个卷积核；每个卷积核大小为7；

所述SE-Residual模块3中一维卷积层包括64个卷积核；每个卷积核大小为9。