[发明专利]一种面向心电信号的半监督房颤自动检测系统

权利要求书

1.一种面向心电信号的半监督房颤自动检测系统，其特征在于，包括：

心电信号处理模块，用于对心电信号进行R峰检测，得到RR间期序列；对所述RR间期序列进行预处理，并基于滑动窗口对预处理后的RR间期序列从其对应心电信号的初始时刻开始进行采样，得到RR间期样本；

训练模块，用于对采集到的若干心电信号，分别输入到心电信号处理模块中，得到对应的RR间期样本；所述采集到的若干心电信号包括有房颤的心电信号和无房颤的心电信号；仅部分心电信号携带房颤标签；将各RR间期样本以及部分房颤标签输入到房颤信号检测模型中进行半监督训练；所述房颤信号检测模型为机器学习模型；

房颤检测模块，用于将待检测的心电信号输入到所述心电信号处理模块中，得到待检测的心电信号的RR间期样本，并将所得RR间期样本输入到所述房颤信号检测模型中，以检测其是否为房颤信号，从而确定待检测的心电信号是否为包含房颤信号，以及房颤发生的时刻；

其中，携带房颤标签的心电信号所对应的RR间期样本记为标记样本；未携带房颤标签的部分心电信号所对应的RR间期样本记为未标记样本；

所述训练模块通过以下方式对所述房颤信号检测模型进行半监督训练：

将标记样本输入到所述房颤信号检测模型中，得到标记样本的预测概率，进而得到标记样本的预测标签；通过最小化标记样本的预测标签与房颤标签的差异，对所述房颤信号检测模型进行训练；

将未标记样本输入到所述房颤信号检测模型中，得到未标记样本的预测概率；对未标记样本进行扰动后输入到所述房颤信号检测模型中，得到未标记样本的伪预测概率；通过平衡伪预测概率中未标记样本为房颤信号和非房颤信号的概率值来对伪预测概率进行更新；对更新后的伪预测概率进行锐化后，通过最小化未标记样本的预测概率和锐化后的伪预测概率之间的差异，对所述房颤信号检测模型进行训练；

重复上述过程进行迭代，直至迭代次数达到预设迭代次数。

2.根据权利要求1所述的半监督房颤自动检测系统，其特征在于，所述房颤信号检测模型为CNN-LSTM模型。

3.根据权利要求1所述的半监督房颤自动检测系统，其特征在于，所述房颤信号检测模型包括第一子模型和第二子模型；所述第一子模型和所述第二子模型均为机器学习模型；

所述训练模块通过以下方式对所述房颤信号检测模型进行半监督训练：

将标记样本输入到所述第一子模型中，得到标记样本的预测概率，进而得到标记样本的预测标签；通过最小化标记样本的预测标签与房颤标签的差异，对所述第一子模型进行训练；

将未标记样本输入到所述第一子模型中，得到未标记样本的预测概率；对未标记样本进行扰动后输入到所述第二子模型中，得到未标记样本的伪预测概率；通过平衡伪预测概率中未标记样本为房颤信号和非房颤信号的概率值来对伪预测概率进行更新；对更新后的伪预测概率进行锐化后，通过最小化未标记样本的预测概率和锐化后的伪预测概率之间的差异，对所述第一子模型进行训练；

计算当前所述第二子模型的参数和所述第一子模型的参数的指数移动平均值，以对所述第二子模型的参数进行更新；

重复上述过程，直至迭代次数达到预设迭代次数；

房颤信号检测模型训练完成后，所述第一子模型用于检测输入的RR间期样本是否为房颤信号。

4.根据权利要求3所述的半监督房颤自动检测系统，其特征在于，所述第一子模型和所述第二子模型均为CNN-LSTM模型。

5.根据权利要求3或4所述的半监督房颤自动检测系统，其特征在于，所述第一子模型和所述第二子模型均包括dropout层。