[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

说明书

本发明提供了一种基于深度学习的多导联多尺度的心电检测方法及系统，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；本发明的目的是提供一种基于多尺度卷积神经网络的心律失常的检测系统，解决了现有技术中的心律失常检测系统的检测结果不准确、难以跨导联训练的技术问题。

技术领域

本发明涉及神经网络技术领域，具体地，涉及基于深度学习的多导联多尺度的心电检测方法及系统。

背景技术

随着计算机技术的飞速发展与广泛应用，计算机辅助诊断对人类的健康发挥出越来越重要的作用。现有技术中，针对单导联心电图和多导联心电图的计算机辅助诊断方案如下：1、利用支持向量机等分类方法，对统计特征进行训练，获得诊断模型。这种技术对特征要求高，且统计特征无法有效完整的囊括心电图特点，容易造成误判，除此之外，支持向量机方法主要针对二分类问题，对于心律失常诊断这类多分类问题，其诊断准确率不高；2、基于深度学习的方法；

专利文献CN108039203A(申请号：201711262407.1)公开了一种基于深度神经网络的心律失常的检测系统，包括：分段模块，用于对获取的待检测患者的K导联心电数据按时间顺序进行分段处理，获取多个K导联心电数据段，每个K导联心电数据段的长度相等，K为正整数；检测模块，用于将所述多个K导联心电数据段按照时间的先后顺序依次分别输入训练好的深度神经网络模型，获取所述待检测患者患心律失常的类型。

专利文献CN112906748A(申请号：202110096808.4)公开了一种基于残差网络的12导联ECG心律失常检测分类模型构建方法，将深度学习的思想引入心律失常疾病类型地检测分类中，在训练阶段将采集到的12导联ECG数据经过处理后作为输入，每条12导联ECG数据所对应的心律失常类型作为标签训练残差网络，利用了残差网络对输入数据进行充分的特征提取，然后利用SENet对不同通道之间的联系进行特征融合，再利用3层全连接层进行24种心律失常类型的分类，最终构建成为本网络模型。

现有技术中主要采用多种卷积神经网络结构进行特征提取，然而心电图本身存在波形变化细微，因此固定的卷积核无法有效的提取特征，使得最终诊断准确率不高。其次，当前根据使用场景的要求不同，心电图检测一般可分为单导联检测和多导联检测。现有技术无法有效适应多个使用场景，导致应用场景受限。

专利文献CN107510452A(申请号：201710939953.8)公开了一种基于多尺度深度学习神经网络的心电检测方法，包括：服务器接收任一客户端发送的待分析的心电数据，所述待分析的心电数据为所述客户端的采集单元采集的，或者独立客户端的采集设备采集并传送至所述客户端的；所述服务器利用预先构建的心律失常检测模型对所述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为预先利用多尺度深度卷积人工神经网络算法训练心电数据样本构建的；所述服务器将所述识别结果发送所述客户端，以使所述客户端展示所述识别结果。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于深度学习的多导联多尺度的心电检测方法及系统。

根据本发明提供的一种基于深度学习的多导联多尺度的心电检测方法，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；