心律异常识别模型训练方法、装置、设备及存储介质与流程

1.本发明实施例涉及心电技术，尤其涉及一种心律异常识别模型训练方法、装置、设备及存储介质。


背景技术：

2.心律异常是心脏活动的起源和(或)传导障碍导致心脏搏动的频率和(或)节律异常，是心血管疾病中重要的一组疾病。它可单独发病，亦可与其他心血管病伴发。
3.心电图作为一种常规的体检项目，对心血管疾病的诊断和监测具有重要意义。从心电图中检测心律异常对心脏疾病的诊断尤为重要，可以帮助医生针对病情有效治疗，提高治愈率。为了减轻医生检查心电图的工作压力，基于心电图的心律异常识别算法被广泛研究。其中，深度学习由于其强大的信息提取和分析能力是解决心律异常识别问题的重要方法。
4.但是，由于用于心律异常识别的训练数据量有限，深度学习模型在训练中容易过拟合，从而导致在实际应用时的性能较差。而随机丢弃(dropout)是改善过拟合问题的一种常用手段。图1为dropout的处理示意图，如图1所示，其核心操作是通过在网络模型训练过程中随机屏蔽计算节点，避免网络性能对某些局部特征过于依赖，从而减轻过拟合，增强模型泛化性能。
5.但是，传统的dropout方法会在心电信号这类连续性周期信号上失效。图2为现有的dropout方法在连续性周期信号上的处理结果示意图，如图2所示，(a)为原始信号，原始信号中圆点表示dropout的节点。(b)为原始信号和dropout后信号的幅值差异，如图2所示，对比原始信号，dropout后的信号并没有明显信息损失，即使丢弃某个节点的信息，丢弃的单个节点信息可以通过其他临近的保留节点进行弥补，从而无法让网络在训练中有效忽略局部信息，导致过拟合问题无法解决，进而导致模型预测的准确率较低。


技术实现要素：

6.本发明提供一种心律异常识别模型训练方法、装置、设备及存储介质，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。
7.第一方面，本发明实施例提供了一种心律异常识别模型训练方法，包括：
8.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；
9.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；
10.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；
11.将所述特征信号划分为病理区和非病理区；
12.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；
13.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；
14.计算该批次的样本数据的损失值；
15.基于所述损失值更新所述心律异常识别模型的参数。
16.第二方面，本发明实施例还提供了一种心律异常识别方法，基于本发明第一方面提供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：
17.获取待识别的心电信号；
18.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。
19.第三方面，本发明实施例还提供了一种心律异常识别模型训练装置，包括：
20.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；
21.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；
22.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；
23.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；
24.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；
25.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；
26.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；
27.参数更新模块，用于基于所述损失值更新所述心律异常识别模型的参数。
28.第四方面，本发明实施例还提供了一种心律异常识别装置，基于本发明第一方面提供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：
29.心电信号获取模块，用于获取待识别的心电信号；
30.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。
31.第五方面，本发明实施例还提供了一种计算机设备，包括：
32.一个或多个处理器；
33.存储装置，用于存储一个或多个程序；
34.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本发明第一方面提供的心律异常识别模型训练方法，或实现如本发明第二方面提供的心律异常识别方法。
35.第六方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明第一方面提供的心律异常识别模型训练方法，或实现如本发明第二方面提供的心律异常识别方法。
36.本发明实施例提供的心律异常识别模型训练方法，包括：获取一个批次的样本数据，样本数据包括多个心电信号样本，确定心律异常识别模型，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，将心电信号样本输入特征提取网络中进行处理，得到特征信号，将特征信号划分为病理区和非病理区，对特征信号中非病理区的信号进行信号抑制，得到心电特征，将心电特征输入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，基于损失值更新心律异常识别模型的参数。通过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。
附图说明
37.图1为dropout的处理示意图；
38.图2为现有的dropout方法在连续性周期信号上的处理结果示意图；
39.图3a为本发明实施例一提供的一种心律异常识别模型训练方法的流程图；
40.图3b为本发明实施例一提供的一个心电信号的示意图；
41.图3c为本发明实施例提供的一种病理区和非病理区的划分示意图；
42.图4a为本发明实施例二提供的一种心律异常识别模型训练方法的流程图；
43.图4b为本发明实施例提供的一种心律异常识别模型的网络结构示意图；
44.图4c为本发明实施例提供的一种心律异常识别模型的训练流程图；
45.图5为本发明实施例三提供的一种心律异常识别方法的流程图；
46.图6为本发明实施例四提供的一种心律异常识别模型训练装置的结构示意图；
47.图7为本发明实施例五提供的一种心律异常识别装置的结构示意图；
48.图8为本发明实施例六提供的一种计算机设备的结构示意图。
具体实施方式
49.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
50.实施例一
51.图3a为本发明实施例一提供的一种心律异常识别模型训练方法的流程图，本实施例可用于解决心律异常识别模型训练过程中出现的过拟合现象，该方法可以由本发明实施例提供的心律异常识别模型训练装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于计算机设备中，如图3a所示，该方法具体包括如下步骤：
52.s101、获取一个批次的样本数据，样本数据包括多个心电信号样本。
53.心脏在搏动前后，心肌发生激动。在心肌激动过程中，会产生微弱的生物电流。这样，心脏的每一个心动周期均伴随着生物电变化。这种生物电变化可传达到身体表面的各个部位。由于身体各部分组织不同，距心脏的距离不同，心电信号在身体不同的部位所表现出的电位也不同。对正常心脏来说，这种生物电变化的方向、频率、强度是有规律的。若通过电极将体表不同部位的电信号检测出来，再用放大器加以放大，并用记录器描记下来，就可
得到心电图。
54.心电图是心脏在每个心动周期中，由起搏点、心房、心室相继兴奋，伴随着生物电的变化，通过心电描记器从体表引出多种形式的电位变化的图形。由于心脏的每次跳动是有规律的，因此心电图中的波形图也是有规律的。心电图中可以完整代表心脏一次心动周期的波形图被称为一个心拍信号。一次心电记录通常包含上十万个心拍信号，心电记录可以从用户的体检结果中获取。在本发明实施例中，从心电记录截取预设长度(例如10s)的连续的信号作为心电信号样本，且该样本标注有心律异常种类标签，例如，房扑、房颤或窦性心律失常等。
55.图3b为本发明实施例一提供的一个心拍信号的示意图，参考图3b可见，一个心拍包括p波、q波、r波、s波、t波和u波。通过检测p波、q波、r波、s波、t波和u波中的一个或多个波的特征，可以在心电图中确定心拍信号。其中，横轴为电平基线，以时间为单位，纵轴为心电信号的强度，以电压来表征。在临床中通常将心电信号中t波和s波之间平直段(ts段)延长得到电平基线。
56.s102、确定心律异常识别模型，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。
57.在本发明实施例中，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，其中，特征提取网络用于从心电信号中提取用于表征心电信号样本的特征的特征信号，心律异常分类网络用于对特征信号进行处理，得到分类结果。
58.在本发明实施例中，特征提取网络可以包括多个卷积层、池化层和特征融合层等，分别用于执行卷积、池化和特征融合等操作，得到特征信号，本发明在此不做限定。在本发明实施例中，心律异常分类网络可以包括全连接层和分类函数，全连接层用于将学到的特征信号映射到样本标记空间，得到logits向量，分类函数用于对logits向量进行归一化处理，得到心电信号样本为各心律异常种类的概率值。在本发明的另一实施例中，前级网络输出与心律异常种类数相等的特征信号，每一特征信号对应一心律异常种类，心律异常分类网络可以包括一池化层和一分类结果输出层，池化层用于对各特征信号进行池化操作处理，得到对应的池化值，分类结果输出层根据各池化值的大小确定心电信号样本的心律异常种类。
59.s103、将心电信号样本输入特征提取网络中进行处理，得到特征信号。
60.如上所述，特征提取网络可以包括多个卷积层、池化层和特征融合层等，分别用于执行卷积、池化和特征融合等操作，得到特征信号。
61.s104、将特征信号划分为病理区和非病理区。
62.在本发明实施例中，病理区即为包含对心律异常识别具有参考价值的病理信息的有效信号，非病理区即为对心律异常识别不具有参考价值的无效信号。因此，可以预先根据待识别的心律异常种类的临床经验，对心电信号样本进行划分，划分为病理区和非病理区，进而对特征信号进行相同区域的划分，得到特征信号的病理区和非病理区。
63.示例性的，以心律异常识别模型用于识别房颤和房扑为例，对本发明实施例进行示例性说明。图3c为本发明实施例提供的一种病理区和非病理区的划分示意图，如图3c所示，根据临床知识，房颤和房扑分类的病理信息主要表达在t波终点到q波起点之间的部分片段，即病理区，其他部分为非病理区。
64.需要说明的是，图3c所示的病理区和非病理区的划分为对房颤和房扑识别的一种示例说明，在本发明其他实施例中，如需要识别的心律异常为其他种类，病理区和非病理区可以根据其他种类的临床经验进行划分，本发明实施例在此不做限定。
65.s105、对特征信号中非病理区的信号进行信号抑制，得到心电特征。
66.在本发明实施例中，在将特征信号划分为病理区和非病理区之后，可以采用加权抑制和置零屏蔽等方式，对特征信号中非病理区的信号进行信号抑制，抑制非病理区的信息传递，得到心电特征。
67.通过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。
68.s106、将心电特征输入心律异常分类网络中进行处理，得到心律异常分类结果。
69.在本发明实施例中，在对特征信号中非病理区的信号进行信号抑制，得到心电特征之后，将心电特征输入心律异常分类网络中进行处理，得到心律异常分类结果。
70.如上所述，在本发明实施例中，心律异常分类网络可以包括全连接层和分类函数，全连接层用于将心电特征映射到样本标记空间，得到logits向量，分类函数用于对logits向量进行归一化处理，得到心电信号样本为各心律异常种类的概率值。在本发明的另一实施例中，前级网络输出与心律异常种类数相等的特征信号，相应的，对特征信号中对应非病理区的信号进行信号抑制，得到多个心电特征，每一心电特征对应一心律异常种类，心律异常分类网络可以池化层，池化层用于对各心电特征进行池化操作处理，得到对应的池化值，根据各池化值的大小确定心电信号样本的心律异常种类。
71.s107、计算该批次的样本数据的损失值。
72.在本发明实施例中，心电信号样本标注有心律异常种类标签，基于心律异常分类结果和心律异常种类标签计算该批次的样本数据的损失值。其中，损失值可以是交叉熵损失、负对数似然损失、指数损失或平方损失等，本发明实施例在此不做限定。
73.s108、基于损失值更新心律异常识别模型的参数。
74.在本发明实施例中，将计算得到的该批次的样本数据的损失值与预设的损失阈值进行比较，当损失值大于损失阈值时，返回获取一个批次的样本数据的步骤，从数据集中获取下一批样本数据，并更新心律异常识别模型的参数，再次执行上述训练过程，对心律异常识别模型进行训练，如此反复，直至得到的损失值小于或等于损失阈值，则确定心律异常识别模型训练完毕。
75.本发明实施例提供的心律异常识别模型训练方法，包括：获取一个批次的样本数据，样本数据包括多个心电信号样本，确定心律异常识别模型，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，将心电信号样本输入特征提取网络中进行处理，得到特征信号，将特征信号划分为病理区和非病理区，对特征信号中非病理区的信号进行信号抑制，得到心电特征，将心电特征输入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，基于损失值更新心律异常识别模型的参数。通过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。
76.实施例二
77.图4a为本发明实施例二提供的一种心律异常识别模型训练方法的流程图，本实施例在上述实施例一的基础上进行细化，详细描述了上述实施例中各步骤的详细过程，如图4a所示，该方法包括：
78.s201、获取一个批次的样本数据，样本数据包括多个心电信号样本。
79.在本发明实施例中，从心电记录截取预设长度(例如10s)的连续的信号作为心电信号样本x＝(x1,x2,...,xn)，心电记录的采样频率为250hz(即10s信号具有2500个采样点，即n＝2500)，且该样本标注有心律异常种类标签。在本发明实施例中，心律异常识别模型用于识别房扑和房颤，则该样本标注有心律异常种类标签为房扑或房颤。
80.s202、确定心律异常识别模型，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。
81.示例性的，在本发明实施例中，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。其中，特征提取网络用于从心电信号中提取用于表征心电信号样本的特征的特征信号，心律异常分类网络用于对特征信号进行处理，得到分类结果。
82.在本发明实施例中，特征提取网络可以包括多个卷积层、池化层和特征融合层等，分别用于执行卷积、池化和特征融合等操作，得到特征信号，本发明在此不做限定。在本发明实施例中，心律异常分类网络可以包括全连接层和分类函数。在本发明另一实施例中，心律异常分类网络可以包括一池化层和一分类结果输出层。
83.图4b为本发明实施例提供的一种心律异常识别模型的网络结构示意图，如图4b所示，在本发明实施例中，特征提取网络包括4个依次连接的卷积层，心律异常分类网络包括一层池化层和一分类结果输出层。
84.s203、将心电信号样本输入特征提取网络中进行处理，得到特征信号。
85.如图4b所示，特征提取网络包括4个依次连接的卷积层，每一卷积层对输入的特征进行卷积操作，每一卷积层的卷积操作类似，示例性的，第一层卷积层对输入的心电信号样本x＝(x1,x2,...,xn)进行卷积操作，得到输出特征该卷积操作的卷积操作的数学表达式如下：
[0086][0087]
其中，l为输出通道编号(即该卷积层的卷积核的编号，卷积层具有多个卷积核)，h为心电信号样本x中采样点的编号，h≤n，i为该卷积核参数编号(卷积核具有多个参数)，c为输入通道编号(即前一卷积层的卷积核的编号)，p为输入通道数量(即前一卷积层的卷积核的数量)，m为卷积核参数的数量。k为卷积核，g为激活函数，激活函数用于加入非线性因素，解决线性模型所不能解决的问题。
[0088]
在本发明实施例中，激活函数为relu函数，relu函数的表达式为：
[0089]
g(x)＝max(0,x)
[0090]
当输入为负数时，则完全不激活，relu函数死掉。relu函数输出要么是0，要么是正数。relu函数可以克服梯度消失的问题，加快训练速度。需要说明的是，在本发明的其他实施例中，激活层中的激活函数也可以是其他激活函数，例如，sigmoid函数或tanh函数，本发
明实施例在此不做限定。
[0091]
经过特征提取网络多层卷积层依次卷积处理，得到特征信号。
[0092]
本发明实施例中，其他卷积层的卷积操作与上述卷积操作类似，区别在于卷积核的数量和卷积核参数的不同，本发明实施例在此不再赘述。
[0093]
s204、从心电信号样本中确定参考特征波的位置信息。
[0094]
在本发明实施例中，参考特征波可以是心拍信号中的p波、q波、r波、s波、t波或u波，本发明实施例在此不做限定。参考特征波的位置信息可以是参考特征波的基准点的位置信息，例如，参考特征波的峰值点的位置信息或参考特征波的起点和终点的位置信息。示例性的，在本发明一具体实施例中，考虑到心拍信号中r波的幅值和斜率最大，辨识度最高，可以选择r波作为参考特征波，从心电信号样本中确定r波的峰值点位置信息作为参考特征波的位置信息。
[0095]
具体的，由于r波的峰值点整个心电信号样本中的幅值最大，r波的峰值点的邻域内的幅度变化率最大，因此，确定r波的峰值点的位置信息的过程如下：
[0096]
首先，可以采用滑动窗口法，从心电信号样本中确定局部极大值点，接着，确定局部极大值点的邻域内信号的幅度变化率(即斜率)，将局部极大值点中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极大值点作为r波的峰值点。
[0097]
需要说明的是，上述实施例中，以从心电信号样本中确定r波的峰值点的位置信息为示例，对本发明实施例中确定参考特征波的位置信息进行说明，在本发明的其他实施例中，参考特征波也可以是其他特征波，也可以采用其他方法确定参考特征波的位置信息，本发明实施例在此不做赘述。
[0098]
s205、根据参考特征波的位置信息将特征信号划分病理区和非病理区。
[0099]
在确定参考特征波的位置信息之后，根据参考特征波的位置信息，结合临床经验，将心电信号样本划分病理区和非病理区，进而对特征信号进行相同区域的划分，得到特征信号的病理区和非病理区。
[0100]
示例性的，以心律异常识别模型用于识别房颤和房扑为例，对本发明实施例进行示例性说明。如图3c所示，根据临床知识，房颤和房扑分类的病理信息主要表达在t波终点到q波起点之间的部分片段，即病理区，其他部分为非病理区。
[0101]
图4c为本发明实施例提供的一种心律异常识别模型的训练流程图，如图4c所示，示例性的，在本发明实施例中，在确定参考特征波的位置信息(r波峰值点的位置信息)之后，结合临床经验，将r波的峰值点之前的第一预设区域和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。示例性的，基于本发明实施例中采样频率为250hz，因此，将r波的峰值点之前的12个采样点和r波的峰值点之后的24个采样点作为非病理区，其余区域作为病理区。
[0102]
接下来，对特征信号中非病理区的信号进行信号抑制，得到心电特征。在本发明实施例中，在将特征信号划分为病理区和非病理区之后，可以采用加权抑制和置零屏蔽等方式，对特征信号中对应非病理区的信号进行信号抑制，抑制非病理区的信息传递，得到心电特征。
[0103]
在本发明的一些实施例中，可以预先构建一个随机模型，随机模型随机输出第一数值(例如1)和第二数值(例如0)，示例性的，其中，输出第一数值的概率大于输出第二数值
的概率，例如，输出第一数值的概率为0.8。在每一次对心电信号样本进行特征提取得到特征信号之后，随机模型随机输出一个数值，当随机模型的输出值为第二数值时，将特征信号中对应非病理区的信号乘以预设权值，该预设权值小于1，实现对特征信号中对应非病理区的信号进行抑制；当随机模型的输出值为第一数值时，不对特征信号进行任何操作。
[0104]
在本发明一具体实施例中，如图4c所示，采用掩层向量对特征信号中对应非病理区的信号置零屏蔽，实现非病理区的信号抑制，具体步骤如下：
[0105]
s206、建立伯努利函数，伯努利函数具有随机的返回值0或1。
[0106]
在本发明的一些实施例中，可以预先构建伯努利函数，伯努利函数具有随机的返回值0或1，示例性的，返回1的概率大于返回0的概率，例如，返回1的概率为0.8。
[0107]
s207、生成与特征信号同等长度的掩层向量，掩层向量中对应非病理区的值为0，掩层向量中对应病理区的值为1。
[0108]
在本发明实施例中，生成与特征信号f＝(f1,f2,...,fn)同等长度的掩层向量a＝(a1,a2,...,an)，其中，掩层向量a中，非病理区对应的元素的值为0，病理区对应的元素的值为1。
[0109]
s208、当伯努利函数的返回值为0时，将特征信号与掩层向量相乘，得到心电特征。
[0110]
具体的，在每一次对心电信号样本进行特征提取得到特征信号之后，伯努利函数随机输出一个数值，当伯努利函数的输出值为0时，将特征信号与掩层向量对应元素相乘(elementwise multiplication)，得到心电特征；当伯努利函数的输出值为1时，不对特征信号进行任何操作。
[0111]
s209、将心电特征输入心律异常分类网络中进行处理，得到心律异常分类结果。
[0112]
在本发明实施例中，心律异常识别模型用于识别房扑和房颤，心律异常分类结果包括房扑和房颤，特征提取网络中最后一层卷积层具有两个卷积核，对应两个输出通道，分别提输出房扑对应的第一特征信号和房颤对应的第二特征信号，心律异常分类网络包括一层池化层和一分类结果输出层。心律异常分类网络的处理过程如下：
[0113]
将第一特征信号对应的第一心电特征和第二特征信号对应的第二心电特征分别输入池化层中进行池化处理，得到第一池化值和第二池化值。示例性的，池化层可以对输入的心电特征进行全局平局池化，将心电特征所有元素相加求平均值，得到一个平均值，即用该平均值表示对应心电特征。在本发明其他实施例中，池化层可以对输入的心电特征进行最大池化，将心电特征中的最大值表示对应心电特征。
[0114]
分类结果输出层对第一池化值和第二池化值进行比较，当第一池化值大于第二池化值时，确定心律异常类型为房扑。当第一池化值小于第二池化值时，确定心律异常类型为房颤。
[0115]
s210、计算该批次的样本数据的损失值。
[0116]
在本发明实施例中，心电信号样本标注有心律异常种类标签，基于心律异常分类结果和心律异常种类标签计算该批次的样本数据的损失值。示例性的，计算该批次的样本数据的损失值，可以包括如下子步骤：
[0117]
s2101、将心电特征输入一个全连接层中进行处理，得到logits向量。
[0118]
示例性的，将上述步骤中得到的第一心电特征和第二心电特征进行融合(concatenate)，得到新的心电特征，然后将新的心电特征输入一个全连接层中进行处理，
将心电特征映射到样本标记空间，得到logits向量。
[0119]
s2102、将logits向量输入softmax函数中进行归一化处理，得到心电信号样本属于各心律异常种类的概率值。
[0120]
示例性的，将logits向量输入softmax函数中进行归一化处理，得到心电信号样本分别属于房扑和房颤的概率值。
[0121]
s2103、基于概率值计算该批次的样本数据的交叉熵损失值。
[0122]
在本发明实施例中，心电信号样本标注有心律异常种类标签，基于心电信号样本属于各心律异常种类的概率值和心律异常种类标签计算该批次的样本数据的交叉熵损失值。具体的，该批次的样本数据的交叉熵损失值的计算公式如下：
[0123][0124]
其中，l为该批次的样本数据的交叉熵损失值，m为一批次的样本数据中心电信号样本的数量，pi为心律异常识别模型预测的第i个心电信号为房扑的概率值，l为类别标签，且l∈{0,1}，本发明实施例中，标签训练样本属于房扑和房颤两个类别，“1”表示标签为房扑，“0”表示标签为房颤。
[0125]
需要说明的是，上述实施例中，以计算交叉熵损失值作为该批次的样本数据的损失值为例对本发明进行示例性说明，在本发明其他实施例中，也可以计算负对数似然损失、指数损失或平方损失等，本发明实施例在此不做限定。
[0126]
s211、基于损失值更新心律异常识别模型的参数。
[0127]
示例性的，在本发明实施例中，将上述计算得到的叉熵损失值与预设的损失阈值进行比较，判断交叉熵损失值是否小于或等于损失阈值。在交叉熵损失值大于损失阈值时，更新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，再次重复上述训练步骤，直至当交叉熵损失值小于或等于损失阈值时，确定心律异常识别模型训练完成。
[0128]
在本发明的一些实施例中，为了提高心律异常识别模型的识别准确率，重复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，然后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，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。
[0129]
示例性的，在本发明实施例中，用于训练的心电信号样本的数量为30000个，一批数据样本包括32个心电信号样本，采用上述训练样本对待训练的心律异常识别模型进行100轮训练，得到100个心律异常识别模型。然后采用5000个验证样本对100个心律异常识别模型的准确率进行验证，验证样本与训练样本类似，同样标注有心律异常种类标签。比较各心律异常识别模型的准确率，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。
[0130]
经上述验证得到最好的心律异常识别模型的准确率可达0.88
±
0.01，相对与传统的心律异常识别模型(识别率为0.64
±
0.05)，识别准确率大幅提高。
[0131]
本发明实施例提供的心律异常识别模型训练方法，通过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。
[0132]
实施例三
[0133]
图5为本发明实施例三提供的一种心律异常识别方法的流程图，该方法基于本发明前述实施例提供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，该方法可以由本发明实施例提供的心律异常识别装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于计算机设备中，如图5所示，该方法具体包括如下步骤：
[0134]
s301、获取待识别的心电信号。
[0135]
在本发明实施例中，从心电记录截取预设长度(例如10s)的连续的信号作为待识别的心电信号。
[0136]
s302、将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。
[0137]
具体的，将心电信号输入前述实施例中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。
[0138]
在本发明实施例中，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，其中，特征提取网络用于从心电信号中提取用于表征心电信号的特征的特征信号，心律异常分类网络用于对特征提取网络输出的特征信号进行处理，得到分类结果。具体的，特征提取网络和心律异常分类网络的处理过程在前述实施例中已有详细记载，本发明实施例在此不再赘述。
[0139]
本发明实施例提供的心律异常识别方法，基于本发明前述实施例提供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，包括：获取待识别的心电信号，将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。在心律异常识别模型的训练过程中，通过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。
[0140]
实施例四
[0141]
图6为本发明实施例四提供的一种心律异常识别模型训练装置的结构示意图，如图6所示，心律异常识别模型训练装置包括：
[0142]
样本数据获取模块401，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；
[0143]
模型确定模块402，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；
[0144]
特征信号提取模块403，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；
[0145]
非病理区划分模块404，用于将所述特征信号划分为病理区和非病理区；
[0146]
信号抑制模块405，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；
[0147]
分类模块406，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；
[0148]
损失值计算模块407，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；
[0149]
参数更新模块408，用于基于所述损失值更新所述心律异常识别模型的参数。
[0150]
在本发明的一些实施例中，所述特征提取网络包括多个卷积层，特征信号提取模块403包括：
[0151]
特征信号提取单元，用于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。
[0152]
在本发明的一些实施例中，非病理区划分模块404包括：
[0153]
参考波确定子模块，用于从所述心电信号样本中确定参考特征波的位置信息；
[0154]
划分子模块，用于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。
[0155]
在本发明的一些实施例中，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，参考波确定子模块包括：
[0156]
极大值点确定单元，用于从所述心电信号样本中确定极大值点；
[0157]
变化率确定单元，用于确定所述极大值点的邻域内信号的幅度变化率；
[0158]
峰值点确定单元，将幅值大于幅值阈值且邻域内信号的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。
[0159]
在本发明的一些实施例中，所述心律异常分类结果包括房扑和房颤，划分子模块包括：
[0160]
划分单元，用于将所述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。
[0161]
在本发明的一些实施例中，信号抑制模块405包括：
[0162]
随机模型构建子模块，用于构建一个随机模型，所述随机模型随机输出第一数值和第二数值；
[0163]
权值乘积子模块，用于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。
[0164]
在本发明的一些实施例中，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，权值乘积子模块包括：
[0165]
掩层向量生成单元，用于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；
[0166]
向量乘积单元，用于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。
[0167]
在本发明的一些实施例中，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，分类模块406包括：
[0168]
池化处理子模块，用于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；
[0169]
房扑确定子模块，用于在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；
[0170]
房颤确定子模块，用于在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。
[0171]
在本发明的一些实施例中，损失值计算模块407包括：
[0172]
logits向量计算子模块，用于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；
[0173]
归一化处理子模块，用于将所述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；
[0174]
交叉熵损失值计算子模块，用于基于所述概率值计算该批次的样本数据的交叉熵损失值。
[0175]
在本发明的一些实施例中，参数更新模块408包括：
[0176]
判断子模块，用于判断所述损失值是否小于或等于损失阈值；
[0177]
参数更新子模块，用于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；
[0178]
训练完成确定子模块，用于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。
[0179]
在本发明的一些实施例中，心律异常识别模型训练装置还包括：
[0180]
重复训练模块，用于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；
[0181]
验证模块，用于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；
[0182]
最终模型确定模块，用于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。
[0183]
上述心律异常识别模型训练装置可执行本发明任意实施例所提供的心律异常识别模型训练方法，具备执行方法相应的功能模块和有益效果。
[0184]
实施例五
[0185]
图7为本发明实施例五提供的一种心律异常识别装置的结构示意图，基于本发明前述实施例提供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，如图7所示，心律异常识别装置包括：
[0186]
心电信号获取模块501，用于获取待识别的心电信号；
[0187]
分类模块502，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。
[0188]
上述心律异常识别装置可执行本发明任意实施例所提供的心律异常识别方法，具备执行方法相应的功能模块和有益效果。
[0189]
实施例六
[0190]
本发明实施例六提供了一种计算机设备，图8为本发明实施例六提供的一种计算机设备的结构示意图，如图8所示，该计算机设备包括处理器601、存储器602、通信模块603、输入装置604和输出装置605；计算机设备中处理器601的数量可以是一个或多个，图8中以一个处理器601为例；计算机设备中的处理器601、存储器602、通信模块603、输入装置604和输出装置605可以通过总线或其他方式连接，图8中以通过总线连接为例。上述处理器601、
存储器602、通信模块603、输入装置604和输出装置605可以集成在计算机设备的控制主板上。
[0191]
存储器602作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本实施例中的心律异常识别模型训练方法或心律异常识别方法对应的模块。处理器601通过运行存储在存储器602中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述实施例提供的心律异常识别模型训练方法或心律异常识别方法。
[0192]
存储器602可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器602可进一步包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0193]
通信模块603，用于与外界设备(例如智能终端)建立连接，并实现与外界设备的数据交互。输入装置604可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。
[0194]
本实施例提供的一种计算机设备，可执行本发明上述任意实施例提供的心律异常识别模型训练方法或心律异常识别方法，具体相应的功能和有益效果。
[0195]
实施例七
[0196]
本发明实施例七提供了一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明上述任意实施例提供的心律异常识别模型训练方法或心律异常识别方法。
[0197]
心律异常识别模型训练方法包括：
[0198]
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；
[0199]
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；
[0200]
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；
[0201]
将所述特征信号划分为病理区和非病理区；
[0202]
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；
[0203]
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；
[0204]
计算该批次的样本数据的损失值；
[0205]
基于所述损失值更新所述心律异常识别模型的参数。
[0206]
心律异常识别方法，基于前述实施例提供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，该方法包括：
[0207]
获取待识别的心电信号；
[0208]
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。
[0209]
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明实施例所提供的心律异常识别模型训练方法或心律异常识别方法中的相关操作。
[0210]
需要说明的是，对于装置、设备和存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0211]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是机器人，个人计算机，服务器，或者网络设备等)执行本发明任意实施例所述的心律异常识别模型训练方法或心律异常识别方法。
[0212]
值得注意的是，上述装置中，所包括的各个单元、子模块和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0213]
应当理解的是，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0214]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0215]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。