[发明专利]房颤检测方法、分类模型训练方法及终端设备

权利要求书

1.一种终端设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：

对心电图信号进行预处理，获取每个心搏对应的预设长度的心搏间隔序列；

将所述心搏间隔序列输入变换卷积神经网络，所述变换卷积神经网络包括变换层、局部卷积层和全局卷积层；

其中，将所述心搏间隔序列输入变换卷积神经网络包括：将所述心搏间隔序列输入所述变换层，分别进行多种预设的变换处理得到对应的多个变换结果；

将所述多个变换结果输入所述局部卷积层，分别进行局部卷积和池化处理，得到多个局部卷积结果；

将所述多个局部卷积结果组成一个序列并输入所述全局卷积层，经过卷积、池化和全连接处理后得到房颤检测分类结果；

其中，将所述心搏间隔序列输入所述变换层，分别进行多种预设的变换处理得到对应的多个变换结果包括：

对所述心搏间隔序列分别进行滤波、下采样和保持原始序列处理；

其中，所述将所述多个变换结果输入所述局部卷积层，分别进行局部卷积和池化处理，得到多个局部卷积结果包括：

对原始数据使用一种卷积核，对滤波结果使用另一种卷积核，对下采样结果采用又一种卷积核。

2.根据权利要求1所述的终端设备，其特征在于，所述全连接处理为利用softmax回归模型对经过卷积、池化处理的特征进行二分类，得到包括房颤和非房颤两个类别的分类结果。

3.根据权利要求1所述的终端设备，其特征在于，所述处理器还被配置为执行：

利用预设统计周期内积累的所述心电图信号及其对应的房颤检测分类结果训练所述变换层、局部卷积层和全局卷积层滤波器的权重矩阵和偏置。

4.根据权利要求3所述的终端设备，其特征在于，利用预设统计周期内积累的所述心电图信号及其对应的房颤检测分类结果训练所述变换层、局部卷积层和全局卷积层的权重矩阵和偏置包括：

训练时通过反向传播算法依次调整所述全局卷积层、局部卷积层和变换层滤波器的权重矩阵和偏置。

5.一种终端设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行：

对心电图信号进行预处理，获取每个心搏对应的预设长度的心搏间隔序列作为训练数据；

将所述训练数据输入初始化的变换卷积神经网络，所述变换卷积神经网络包括变换层、局部卷积层和全局卷积层；

按照预设迭代次数进行迭代并完成对所述局部卷积层和全局卷积层的训练；

其中，按照预设迭代次数进行迭代并完成对所述局部卷积层和全局卷积层的训练包括：

将所述训练数据输入所述变换层，分别进行多种预设的变换处理得到对应的多个变换结果；

将所述多个变换结果输入所述局部卷积层，分别进行局部卷积和池化处理，得到多个局部卷积结果；

将所述多个局部卷积结果组成一个序列并输入所述全局卷积层，经过卷积、池化和全连接处理；

其中，将所述训练数据输入所述变换层，分别进行多种预设的变换处理得到对应的多个变换结果包括：

对所述心搏间隔序列分别进行滤波、下采样和保持原始序列处理；

其中，所述将所述多个变换结果输入所述局部卷积层，分别进行局部卷积和池化处理包括：

对原始数据使用一种卷积核，对滤波结果使用另一种卷积核，对下采样结果采用又一种卷积核。

6.根据权利要求5所述的终端设备，其特征在于，将所述训练数据输入初始化的变换卷积神经网络包括：

按照预设参数初始化所述变换层、局部卷积层和全局卷积层并确定所述训练数据的训练批次；

将所述训练数据按照所述训练批次分批输入所述初始化的变换卷积神经网络。

7.根据权利要求5所述的终端设备，其特征在于，按照预设参数进行迭代并完成所述局部卷积层和全局卷积层的训练包括：

对所述变换卷积神经网络进行前向传播、反向传播和梯度下降优化，完成一次迭代；

根据预设迭代次数完成所述变换卷积神经网络的训练，得到变换卷积神经网络模型。