心律异常识别模型训练方法、装置、设备及存储介质与流程

技术特征：
1.一种心律异常识别模型训练方法，其特征在于，包括：获取一个批次的样本数据，所述样本数据包括多个心电信号样本；确定心律异常识别模型，所述心律异常识别模型包括特征提取网络和心律异常分类网络；将所述心电信号样本输入所述特征提取网络中进行处理，得到特征信号；将所述特征信号划分为病理区和非病理区；对所述特征信号中非病理区的信号进行信号抑制，得到心电特征；将所述心电特征输入所述心律异常分类网络中进行处理，得到心律异常分类结果；计算该批次的样本数据的损失值；基于所述损失值更新所述心律异常识别模型的参数。2.根据权利要求1所述的心律异常识别模型训练方法，其特征在于，所述特征提取网络包括多个卷积层，将所述心电信号样本输入所述特征提取网络中进行处理，得到特征信号，包括：将所述特征信号经多个卷积层依次卷积处理，得到特征信号。3.根据权利要求1所述的心律异常识别模型训练方法，其特征在于，将所述特征信号划分为病理区和非病理区，包括：从所述心电信号样本中确定参考特征波的位置信息；根据所述参考特征波的位置信息将所述特征信号划分病理区和非病理区。4.根据权利要求3所述的心律异常识别模型训练方法，其特征在于，所述参考特征波为r波，所述参考特征波的位置信息包括r波的峰值点的位置，从所述心电信号样本中确定参考特征波的位置信息，包括：从所述心电信号样本中确定极大值点；确定所述极大值点的邻域内信号的幅度变化率；将幅值大于幅值阈值且邻域内信号的幅度变化率大于变化率阈值的所述极大值点作为所述r波的峰值点。5.根据权利要求4所述的心律异常识别模型训练方法，其特征在于，所述心律异常分类结果包括房扑和房颤，根据所述参考特征波的位置信息将所述特征信号划分病理区和非病理区，包括：将所述r波的峰值点之前的第一预设区域和所述r波的峰值点之后的第二预设区域作为非病理区，其余区域作为病理区。6.根据权利要求1-5任一所述的心律异常识别模型训练方法，其特征在于，对所述特征信号中非病理区的信号进行信号抑制，得到心电特征，包括：构建一个随机模型，所述随机模型随机输出第一数值和第二数值；当所述随机模型的输出值为第二数值时，将所述特征信号中非病理区的信号乘以预设权值，所述预设权值小于1。7.根据权利要求6所述的心律异常识别模型训练方法，其特征在于，所述随机模型为伯努利函数，所述伯努利函数具有随机的返回值0或1，当所述随机模型的输出值为第二数值时，将所述特征信号中非病理区的信号乘以预设权值，包括：生成与所述特征信号同等长度的掩层向量，所述掩层向量中对应非病理区的值作为预
设权值，所述预设权值为0，所述掩层向量中对应病理区的值为1；当所述伯努利函数的返回值为0时，将所述特征信号与所述掩层向量相乘，得到心电特征。8.根据权利要求6所述的心律异常识别模型训练方法，其特征在于，所述心律异常分类结果包括房扑和房颤，所述特征提取网络提取到房扑对应的第一特征信号和房颤对应的第二特征信号，将所述心电特征输入所述心律异常分类网络中进行处理，得到心律异常分类结果，包括：将所述第一特征信号对应的第一心电特征和所述第二特征信号对应的第二心电特征分别进行池化处理，得到第一池化值和第二池化值；当所述第一池化值大于所述第二池化值时，确定所述心律异常类型为房扑；当所述第一池化值小于所述第二池化值时，确定所述心律异常类型为房颤。9.根据权利要求1-5任一所述的心律异常识别模型训练方法，其特征在于，计算该批次的样本数据的损失值，包括：将所述心电特征输入一个全连接层中进行处理，得到logits向量；将所述logits向量输入softmax函数中进行归一化处理，得到所述心电信号样本属于各心律异常种类的概率值；基于所述概率值计算该批次的样本数据的交叉熵损失值。10.根据权利要求9所述的心律异常识别模型训练方法，其特征在于，基于所述损失值更新所述心律异常识别模型的参数，包括：判断所述损失值是否小于或等于损失阈值；在所述损失值大于损失阈值时，更新所述心律异常识别模型的参数，并返回执行获取一个批次的样本数据的步骤；在所述损失值小于或等于损失阈值时，确定所述心律异常识别模型训练完成。11.根据权利要求9所述的心律异常识别模型训练方法，其特征在于，还包括：重复所述心律异常识别模型的训练过程，得到多个训练好的心律异常识别模型；利用验证集对多个训练好的心律异常识别模型进行准确率验证，所述验证集包括多个心电信号验证样本；将准确率最高的心律异常识别模型作为最终的心律异常识别模型。12.一种心律异常识别方法，其特征在于，基于权利要求1-11任一所述的心律异常识别模型训练方法训练得到的心律异常识别模型，所述心律异常识别方法包括：获取待识别的心电信号；将所述心电信号输入训练好的心律异常识别模型中进行处理，得到心律异常分类结果。13.一种心律异常识别模型训练装置，其特征在于，包括：样本数据获取模块，用于获取一个批次的样本数据，所述样本数据包括多个心电信号样本；模型确定模块，用于确定心律异常识别模型，所述心律异常识别模型包括特征提取网络和心律异常分类网络；特征信号提取模块，用于将所述心电信号样本输入所述特征提取网络中进行处理，得
到特征信号；非病理区划分模块，用于将所述特征信号划分为病理区和非病理区；信号抑制模块，用于对所述特征信号中非病理区的信号进行信号抑制，得到心电特征；分类模块，用于将所述心电特征输入所述心律异常分类网络中进行处理，得到心律异常分类结果；损失值计算模块，用于基于所述心律异常分类结果计算该批次的样本数据的损失值；参数更新模块，用于基于所述损失值更新所述心律异常识别模型的参数。14.一种心律异常识别装置，其特征在于，基于权利要求1-11任一所述的心律异常识别模型训练方法训练得到的心律异常识别模型，所述心律异常识别装置包括：心电信号获取模块，用于获取待识别的心电信号；分类模块，用于将所述心电信号输入训练好的心律异常识别模型中进行处理，得到心律异常分类结果。15.一种计算机设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11中任一所述的心律异常识别模型训练方法，或实现如权利要求12中所述的心律异常识别方法。16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-11中任一所述的心律异常识别模型训练方法，或实现如权利要求12中所述的心律异常识别方法。

技术总结
本发明公开了一种心律异常识别模型训练方法、装置、设备及存储介质。通过对心电信号样本进行特征提取，得到特征信号，将特征信号划分为病理区和非病理区，并对特征信号中非病理区的信号进行信号抑制，避免由于临近节点带来的信息弥补作用，导致的Dropout失效的问题，改善病理区的信息表达，提高了心律异常识别模型的预测准确率。的预测准确率。的预测准确率。


技术研发人员：王飞 赵巍 李振齐 胡静 马云驹
受保护的技术使用者：广州视源人工智能创新研究院有限公司
技术研发日：2021.05.10
技术公布日：2022/11/10