[发明专利]一种基于多尺度深度学习神经网络的心电检测方法

说明书

本发明提供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。上述方法能够较准确的分析心电数据，且方便快捷，提高了实用性。

技术领域

本发明涉及心电检测技术，具体涉及一种基于多尺度深度学习神经网络的心电检测方法。

背景技术

目前的心律失常分析仪器主要采用的有波形分析法和模板匹配法。波形分析法根据心电信号(如心电图)中的特征波形来进行分析，心电信号的特征波形是指心电信号中一些具有指示意义的波峰和波谷，如P、Q、R、S、T波等，其中P波代表心房去极化，QRS复合波(如图1所示)代表心室去极化，T波代表心室复极化。波形分析法首先获取特征波形参数，如特征波形的幅值、时间长度、上升/下降时间、波形间期等，这些特征波形参数根据临床经验预先在心律失常分析仪器内部固化了对应的固定判断阀值，将获取的特征波形参数与固定判断阀值对比，当特征波形的参数超出固定参数阀值就可以判断出心律失常分析结果，如室早、室早二联律、房颤等。模板匹配法主要通过计算出被检测者心电信号中的平均R-R间期和R波平均形态作为模板，将被检测者的每次心跳的R-R间期(如图1所示)和R波形态与模板对比，若两者的差异超出一定范围，则认为发生了心律失常。

上述的心律失常分析方法都存在误判、漏判的情况，尤其是对特殊检测样本的心律失常分析会存在功能异常或失效现象。如波形分析法采用固化的特征波形参数的经验阀值作为判断依据，虽然具有普适性，但是遇到特殊年龄段和特殊体质的人群时，尤其是新生儿心电检测时，新生儿心电信号微弱，QRS波时限较短，新生儿哭闹对心电检测干扰较大，因此就容易得出错误的心律失常分析结果。而模板匹配法只有在被检测者的R波形态与模板具有较大差异时，才能做出有效判断，对差异不明显的心律失常波形不能有效判断。

为此，如何提供一种能够准确判断心律失常的方法成为当前亟需解决的问题。

发明内容

为解决现有技术中的问题，本发明提供一种基于多尺度深度学习神经网络的心电检测方法。

第一方面，本发明提供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。

可选地，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的步骤之前，所述方法还包括：

所述服务器离线收集多个心电数据样本，所述心电数据样本的类型包括：正常、房颤、早搏、房扑、室颤、室扑和三联律类型；

基于多尺度深度卷积人工神经网络算法，根据所述心电数据样本，离线训练方式构建心律失常检测模型。

可选地，所述每一个心电数据样本的心电时长为30s，采样率为256Hz；

所述心律失常检测模型包括：由多尺度卷积核构成的卷积神经网络结构以及所述卷积神经网络结构的每一个神经元之间对应的链接权重；