CN111723622B - 心拍分类方法、装置、可穿戴设备及存储介质 - Google Patents
心拍分类方法、装置、可穿戴设备及存储介质 Download PDFInfo
- Publication number
- CN111723622B CN111723622B CN201910220835.0A CN201910220835A CN111723622B CN 111723622 B CN111723622 B CN 111723622B CN 201910220835 A CN201910220835 A CN 201910220835A CN 111723622 B CN111723622 B CN 111723622B
- Authority
- CN
- China
- Prior art keywords
- detected
- heart beat
- heart
- learning model
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013136 deep learning model Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000747 cardiac effect Effects 0.000 description 28
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- 208000002102 Atrial Premature Complexes Diseases 0.000 description 1
- 208000000418 Premature Cardiac Complexes Diseases 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003183 myoelectrical effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000036620 skin dryness Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Psychiatry (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本公开是关于一种心拍分类方法、装置、可穿戴设备及存储介质，该方法包括：获取目标心电数据；从所述目标心电数据对应的心电图像中识别出多个待测心拍；将所述多个待测心拍输入到预先训练的深度学习模型中，基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类。本公开通过从所述目标心电数据对应的心电图像中识别出多个待测心拍，然后通过预先训练的深度学习模型对输入的待测心拍进行划分，可以提高对待测心拍进行分类的准确性。
Description
技术领域
本公开涉及可穿戴技术领域，尤其涉及一种心拍分类方法、装置、可穿戴设备及存储介质。
背景技术
心电(Electrocardiogram，简称ECG)信号可以以时间为单位记录心脏的电生理活动，对是评估心脏基本功能和病理研究具有重要的参考价值。近年来，随着可穿戴技术的发展，利用可穿戴技术来测量心电信号慢慢被大众所接受。
目前可测量心电信号的可穿戴设备包括手环、手表、胸贴以及智能衣服等，为用户进行自助性的心电探测提供了极大的方便。
然而，现有的可穿戴设备在检测用户的心电数据过程中容易受多种因素(如，用户处于运动状态、皮肤干燥、肌电干扰或可穿戴设备上传感器自身的电极干扰等)的影响，导致所采集的心电数据不够准确，进而会降低后续基于所采集的心电数据进行心拍分类的准确性。
发明内容
为克服相关技术中存在的问题，本公开实施例提供一种心拍分类方法、装置、可穿戴设备及存储介质，以解决相关技术中的不足。
根据本公开实施例的第一方面，提供一种心拍分类方法，包括：
获取目标心电数据；
从所述目标心电数据对应的心电图像中识别出多个待测心拍；
将所述多个待测心拍输入到预先训练的深度学习模型中，基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类。
在一实施例中，所述从所述目标心电数据对应的心电图像中识别出多个待测心拍，包括：
将所述目标心电数据基于预设时间间隔划分为多个数据段；
从每个所述数据段对应的心电图像中识别待测心拍。
在一实施例中，所述方法还包括：
确定每个所述待测心拍位于所述多个待测心拍中的位置。
在一实施例中，所述基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类，包括：
基于所述深度学习模型的输出结果确定每个所述待测心拍属于多个预设分类中每个预设分类的概率；
基于所述概率确定每个所述待测心拍的预设分类。
在一实施例中，所述方法还包括预先基于以下步骤训练所述深度学习模型：
获取多个样本心电数据；
从每个所述样本心电数据对应的心电图像中识别出多个样本心拍；
标定每个所述样本心拍对应的预设分类；
将所述多个样本心拍和对应的预设分类作为训练集，训练深度学习模型。
在一实施例中，所述深度学习模型包括基于Squeeze-Excitation块技术训练的ResNet架构的深度学习模型。
根据本公开实施例的第二方面，提供一种心拍分类装置，包括：
目标数据获取模块，用于获取目标心电数据；
待测心拍识别模块，用于从所述目标心电数据对应的心电图像中识别出多个待测心拍；
待测心拍分类模块，用于将所述多个待测心拍输入到预先训练的深度学习模型中，基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类。
在一实施例中，所述待测心拍识别模块包括：
目标数据划分单元，用于将所述目标心电数据基于预设时间间隔划分为多个数据段；
待测心拍识别单元，用于从每个所述数据段对应的心电图像中识别待测心拍。
在一实施例中，所述装置还包括：
心拍位置确定模块，用于确定每个所述待测心拍位于所述多个待测心拍中的位置。
在一实施例中，所述待测心拍分类模块，包括：
分类概率确定单元，用于基于所述深度学习模型的输出结果确定每个所述待测心拍属于多个预设分类中每个预设分类的概率；
待测心拍分类单元，用于基于所述概率确定每个所述待测心拍的预设分类。
在一实施例中，所述装置还包括深度学习模型训练模块；
所述深度学习模型训练模块，包括：
样本数据获取单元，用于获取多个样本心电数据；
样本心拍识别单元，用于从每个所述样本心电数据对应的心电图像中识别出多个样本心拍；
样本特征标定单元，用于标定每个所述样本心拍对应的预设分类；
深度学习模型训练单元，用于将所述多个样本心拍和对应的预设分类作为训练集，训练深度学习模型。
在一实施例中，所述深度学习模型包括基于Squeeze-Excitation块技术训练的ResNet架构的深度学习模型。
根据本公开实施例的第三方面，提供一种可穿戴设备，所述设备包括：
处理器；
被配置为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上述任一所述的方法。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器处理时实现上述任一所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开中，通过获取目标心电数据，并从所述目标心电数据对应的心电图像中识别出多个待测心拍，然后将所述多个待测心拍输入到预先训练的深度学习模型中，基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类，由于从所述目标心电数据对应的心电图像中识别出多个待测心拍，然后通过预先训练的深度学习模型对输入的待测心拍进行划分，可以实现同时检测到多种心拍种类，提高对待测心拍进行分类的准确性。进一步地，通过确定每个待测心拍位于识别出的多个待测心拍中的位置，可以实现在检测出特定类型心拍的同时对该心拍进行准确定位。进一步地，由于采用深度学习模型对待测心拍进行分类，因而可以增强对噪声的抗干扰性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种心拍分类方法的流程图；
图2是根据一示例性实施例示出的如何识别待测心拍的流程图；
图3是根据一示例性实施例示出的如何确定待测心拍的预设分类的流程图；
图4是根据又一示例性实施例示出的一种心拍分类方法的流程图；
图5是根据一示例性实施例示出的一种心拍分类装置的框图；
图6是根据一示例性实施例示出的另一种心拍分类装置的框图；
图7是根据一示例性实施例示出的一种可穿戴设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种心拍分类方法的流程图。该实施例可以用于终端设备(例如手机、平板电脑、个人计算机等移动终端，或智能手环或智能手表等可穿戴设备)，如图1所示，该方法包括以下步骤S101-S103：
在步骤S101中，获取目标心电数据。
在一可选的实施例中，当用户使用终端设备时，该终端设备可以通过内置的传感器采集该用户的心电数据，作为本实施例中的目标心电数据。
在一可选的实施例中，上述终端设备的传感器可以按照预设频率采集用户的心电数据。
值得说明的是，上述传感器的类型以及传感器采集心电数据的预设频率可以由开发人员根据实际需要进行自由设置，本实施例对此不进行限定。
在步骤S102中，从所述目标心电数据对应的心电图像中识别出多个待测心拍。
在一可选的实施例中，当获取目标心电数据后，可以基于该目标心电数据绘制对应的心电图像，进而可以采用预设的图像识别算法从该心电图像中识别出多个待测心拍。
在一可选的实施例中，上述预设的图像识别算法可以由开发人员根据实际业务需要进行选取，本实施例对此不进行限定。
在一可选的实施例中，上述从心电图像中识别出待测心拍的方式还可以参见下述图2所示实施例，在此先不进行详述。
在步骤S103中，将所述多个待测心拍输入到预先训练的深度学习模型中，基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类。
在一可选的实施例中，当从所述目标心电数据对应的心电图像中识别出多个待测心拍后，可以将该待测心拍输入到预先训练的深度学习模型中，以根据深度学习模型的输出结果确定上述多个待测心拍中每个心拍所属的预设分类。
在一可选的实施例中，当确定待测心拍的预设分类后，可以判断该待测心拍的预设分类是否为需要定位的心拍分类，若是，则对该心拍进行定位，以确定该待测心拍位于上述多个待测心拍中的位置。
举例来说，若当前预设的需要定位的心拍分类为“C类”，且确定第一待测心拍的预设分类为“A类”，而确定第二待测心拍的预设分类为“C类”，则可以确定该第二待测心拍的预设分类为需要定位的心拍分类，进而可以采用预设的定位方法对该心拍进行定位，以确定该待测心拍位于上述多个待测心拍中的位置。
值得说明的是，上述对心拍进行定位的方法可以由开发人员根据实际需要进行选取，本实施例对此不进行限定。
可以理解的是，通过确定每个待测心拍位于识别出的多个待测心拍中的位置，可以实现在检测出特定类型心拍的同时对该心拍进行准确定位，有利于在后续对其进行分析及处理。
在一可选的实施例中，上述预设分类可以由开发人员根据实际业务需要进行设置，如设置为现有技术中划分的正常心拍、心室早搏、室性逸搏以及房性期前收缩等类型中的一种或多种，本实施例对此不进行限定。
在一可选的实施例中，确定上述每个待测心拍的预设分类的方式还可以参见下述图3所示实施例，在此先不进行详述。
值得说明的是，上述心拍的位置可以为心拍的中心位置，也可以由开发人员根据实际业务需要设置心拍上的其他的位置作为心拍的位置，本实施例对此不进行限定。
在一可选的实施例中，可以预先基于Squeeze-Excitation块技术训练ResNet架构的所述深度学习模型，该模型的具体训练方式还可以参见下述图4所示实施例，在此先不进行详述。
在另一实施例中，上述深度学习模型的类型还可以由开发人员根据实际业务需求选取现有的深度学习模型进行训练，本实施例对此不进行限定。
由上述描述可知，本公开实施例获取目标心电数据，并从所述目标心电数据对应的心电图像中识别出多个待测心拍，然后将所述多个待测心拍输入到预先训练的深度学习模型中，基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类，由于通过从所述目标心电数据对应的心电图像中识别出多个待测心拍，然后通过预先训练的深度学习模型对输入的待测心拍进行划分，可以提高对待测心拍进行分类的准确性。
图2是根据一示例性实施例示出的如何识别待测心拍的流程图；本实施例在上述实施例的基础上以如何识别待测心拍为例进行示例性说明。如图2所示，上述步骤S102中所述从所述目标心电数据对应的心电图像中识别出多个待测心拍，包括以下步骤S201-S202：
在步骤S201中，将所述目标心电数据基于预设时间间隔划分为多个数据段。
在一可选的实施例中，当获取到目标心电数据后，可以将所述目标心电数据基于预设时间间隔划分为多个数据段。
在一可选的实施例中，可以利用预先设定好长度的滑窗，依次在上述目标心电数据上滑动，以将该目标心电数据划分为多个数据段。
值得说明的是，上述滑窗的长度可以由开发人员根据实际需要或被检体的生理极限进行自由设置，如设置为200毫秒等，本实施例对此不进行限定。
在一可选的实施例中，上述多个数据段中每相邻的两个数据段可以重叠，本实施例对此不进行限定。
在步骤S202中，从每个所述数据段对应的心电图像中识别待测心拍。
在一可选的实施例中，当将该目标心电数据划分为多个数据段后，可以绘制每个所述数据段对应的心电图像，进而可以采用预设的图像识别算法从该心电图像中识别出相应的待测心拍。
在一可选的实施例中，上述预设的图像识别算法可以由开人员根据实际业务需要进行选取，如选取图像中的物体检测YOLO(You Only Look Once)算法等，本实施例对此不进行限定。
由上述描述可知，本实施例通过将所述目标心电数据基于预设时间间隔划分为多个数据段，并从每个所述数据段对应的心电图像中识别待测心拍，可以实现从目标心电数据对应的心电图像中准确地识别出多个待测心拍，可以为后续对待测心拍提取特征以及对待测心拍进行分类提高准确的依据。
图3是根据一示例性实施例示出的如何确定待测心拍的预设分类的流程图；本实施例在上述实施例的基础上以如何确定待测心拍的预设分类为例进行示例性说明。如图3所示，上述步骤S103中基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类，包括以下步骤S301-S302：
在步骤S301中，基于所述深度学习模型的输出结果确定每个所述待测心拍属于多个预设分类中每个预设分类的概率。
在一可选的实施例中，当从所述目标心电数据对应的心电图像中识别出多个待测心拍后，可以将各待测心拍分别输入到预先训练的深度学习模型中，得到每个待测心拍对应的模型输出结果。
在一可选的实施例中，上述模型输出结果中可以包括每个所述待测心拍属于多个预设分类中每个预设分类的概率。
在一可选的实施例中，若存在N(N为正整数)个心拍类型，则可以将模型输出结果设置为一个N维的向量，且向量中第i个元素可以用于表征待测心拍属于第i个分类的概率。
在一可选的实施例中，可以将上述向量的每一维设置为一种心拍类型的概率，进而可以通过向量的形式一次检测多种心拍类型，提高对待测心拍进行分类的效率和准确性。
在步骤S302中，基于所述概率确定每个所述待测心拍的预设分类。
在一可选的实施例中，当确定每个所述待测心拍属于多个预设分类中每个预设分类的概率后，可以确定其中概率最大的分类，即为上述待测心拍的预设分类。
在一可选的实施例中，可以对上述多个预设分类的概率进行升序排列或降序排列，进而确定其中概率最大的分类。
由上述描述可知，本实施例通过基于所述深度学习模型的输出结果确定每个所述待测心拍属于多个预设分类中每个预设分类的概率，并基于所述概率确定每个所述待测心拍的预设分类，可以实现基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类，可以提高对待测心拍进行分类的准确性。
图4是根据又一示例性实施例示出的一种心拍分类方法的流程图；该实施例可以用于终端设备(例如手机、平板电脑、个人计算机等移动终端，或智能手环或智能手表等可穿戴设备)，如图4所示，该方法包括以下步骤S401-S407：
在步骤S401中，获取多个样本心电数据。
在一可选的实施例中，可以获取不同样本用户的样本心电数据。
在一可选的实施例中，上述样本心电数据可以是多个长度不等的心电数据，其长度可以为30秒至300秒，本实施例对此不进行限定。
在步骤S402中，从每个所述样本心电数据对应的心电图像中识别出多个样本心拍。
在一可选的实施例中，当获取样本心电数据后，可以基于该样本心电数据绘制对应的心电图像，进而可以采用预设的图像识别算法从该心电图像中识别出多个样本心拍。
在一可选的实施例中，上述预设的图像识别算法可以由开发人员根据实际业务需要进行选取，如选取图像中的物体检测YOLO(You Only Look Once)算法等，本实施例对此不进行限定。
在一可选的实施例中，上述识别样本心拍的方式与上述图2所示实施例中的识别待测心拍的方式相同，在此不进行赘述。
在步骤S403中，标定每个所述样本心拍对应的预设分类。
在一可选的实施例中，当从每个所述样本心电数据对应的心电图像中识别出多个样本心拍后，可以确定每个所述样本心拍对应的、多个预设分类中每个预设分类的概率，进而可以确定每个所述样本心拍对应的预设分类。
在一可选的实施例中，可以采用多维向量的形式表示每个心拍对应的预设分类，其中，向量的每一维可以设置为一种心拍类型，进而可以实现后续通过向量的形式一次检测多种心拍类型，提高对待测心拍进行分类的效率和准确性。
值得说明的是，上述确定每个所述样本心拍对应的每个预设分类的概率，可以由开发人员根据实际业务经验或相关数据的统计结果进行确定，本实施例对此不进行限定。
在步骤S404中，将所述多个样本心拍和对应的预设分类作为训练集，训练深度学习模型。
在一可选的实施例中，当标定每个所述样本心拍对应的预设分类后，可以将所述多个样本心拍和对应的预设分类作为训练集，训练预先选好的训练深度学习模型。
值得说明的是，上述深度学习模型的类型可以由开发人员根据实际需要进行选取，如选取为基于Squeeze-Excitation块技术训练的ResNet架构的深度学习模型，或多标签随机森林回归模型等，本实施例对此不进行限定。
在步骤S405中，获取目标心电数据。
在步骤S406中，从所述目标心电数据对应的心电图像中识别出多个待测心拍。
在步骤S407中，将所述多个待测心拍输入到预先训练的深度学习模型中，基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类。
其中，步骤S405-S407的相关解释和说明可以参见上述实施例在此不进行赘述。
由上述描述可知，本实施例通过获取多个样本心电数据，并从每个所述样本心电数据对应的心电图像中识别出多个样本心拍，然后标定每个所述样本心拍对应的预设分类，以将所述多个样本心拍和对应的预设分类作为训练集，训练深度学习模型，可以实现后续基于训练的深度学习模型确定每个待测心拍的预设分类，提高对待测心拍进行分类的准确性。
图5是根据一示例性实施例示出的一种心拍分类装置的框图；如图5所示，该装置包括：目标数据获取模块110、待测心拍识别模块120以及待测心拍分类模块130，其中：
目标数据获取模块110，用于获取目标心电数据；
待测心拍识别模块120，用于从所述目标心电数据对应的心电图像中识别出多个待测心拍；
待测心拍分类模块130，用于将所述多个待测心拍输入到预先训练的深度学习模型中，基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类。
由上述描述可知，本公开实施例通过获取目标心电数据，并从所述目标心电数据对应的心电图像中识别出多个待测心拍，然后将所述多个待测心拍输入到预先训练的深度学习模型中，基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类，由于从所述目标心电数据对应的心电图像中识别出多个待测心拍，然后通过预先训练的深度学习模型对输入的待测心拍进行划分，可以提高对待测心拍进行分类的准确性。
图6是根据一示例性实施例示出的另一种心拍分类装置的框图；其中，目标数据获取模块210、待测心拍识别模块220以及待测心拍分类模块230与前述图5所示实施例中的目标数据获取模块110、待测心拍识别模块120以及待测心拍分类模块130的功能相同，在此不进行赘述。
如图6所示，待测心拍识别模块220可以包括：
目标数据划分单元221，用于将所述目标心电数据基于预设时间间隔划分为多个数据段；
待测心拍识别单元222，用于从每个所述数据段对应的心电图像中识别待测心拍。
在一可选的实施例中，待测心拍分类模块230，可以包括：
分类概率确定单元231，用于基于所述深度学习模型的输出结果确定每个所述待测心拍属于多个预设分类中每个预设分类的概率；
待测心拍分类单元232，用于基于所述概率确定每个所述待测心拍的预设分类。
在一可选的实施例中，上述装置还可以包括深度学习模型训练模块240；
所述深度学习模型训练模块240，可以包括：
样本数据获取单元241，用于获取多个样本心电数据；
样本心拍识别单元242，用于从每个所述样本心电数据对应的心电图像中识别出多个样本心拍；
样本特征标定单元243，用于标定每个所述样本心拍对应的预设分类；
深度学习模型训练单元244，用于将所述多个样本心拍和对应的预设分类作为训练集，训练深度学习模型。
在一可选的实施例中，上述装置还可以包括：
心拍位置确定模块250，用于确定每个所述待测心拍位于所述多个待测心拍中的位置。
在一可选的实施例中，上述深度学习模型可以包括基于Squeeze-Excitation块技术训练的ResNet架构的深度学习模型。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述心拍分类方法，可以由具备心电数据采集功能的可穿戴设备执行，该可穿戴设备的结构可以参见图7所示的示意图。如图7所示，可穿戴设备可以包括处理器(processor)1510、通信接口(Communications Interface)1520、存储器(memory)1530、总线1540。处理器1510、通信接口1520、存储器1530通过总线1540完成相互间的通信。
其中，存储器1530中可以存储有心拍分类逻辑指令，该存储器例如可以是非易失性存储器(non-volatile memory)。处理器1510可以调用执行存储器1530中的心拍分类逻辑指令，以执行上述心拍分类方法。例如，该心拍分类逻辑指令，可以是医疗图像处理***的控制软件的部分功能对应的程序，在处理器执行该指令时，可穿戴设备可以对应的在显示界面上显示该指令对应的功能界面。
心拍分类逻辑指令的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (12)
1.一种心拍分类方法，其特征在于，包括：
获取目标心电数据，并基于所述目标心电数据生成对应的心电图像，所述目标心电数据包括通过传感器按照预设频率采集的用户的心电数据；
利用预设的图像识别算法从所述目标心电数据对应的心电图像中识别出多个待测心拍；
将所述多个待测心拍输入到预先训练的深度学习模型中，基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类；
所述方法还包括：
若所述多个待测心拍中的任一待测心拍的预设分类属于预设的需要定位的心拍分类，确定所述任一待测心拍位于所述多个待测心拍中的位置。
2.根据权利要求1所述的方法，其特征在于，所述从所述目标心电数据对应的心电图像中识别出多个待测心拍，包括：
将所述目标心电数据基于预设时间间隔划分为多个数据段；
从每个所述数据段对应的心电图像中识别待测心拍。
3.根据权利要求1所述的方法，其特征在于，所述基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类，包括：
基于所述深度学习模型的输出结果确定每个所述待测心拍属于多个预设分类中每个预设分类的概率；
基于所述概率确定每个所述待测心拍的预设分类。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括预先基于以下步骤训练所述深度学习模型：
获取多个样本心电数据；
从每个所述样本心电数据对应的心电图像中识别出多个样本心拍；
标定每个所述样本心拍对应的预设分类；
将所述多个样本心拍和对应的预设分类作为训练集，训练深度学习模型。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述深度学习模型包括基于Squeeze-Excitation块技术训练的ResNet架构的深度学习模型。
6.一种心拍分类装置，其特征在于，包括：
目标数据获取模块，用于获取目标心电数据，并基于所述目标心电数据生成对应的心电图像，所述目标心电数据包括通过传感器按照预设频率采集的用户的心电数据；
待测心拍识别模块，用于利用预设的图像识别算法从所述目标心电数据对应的心电图像中识别出多个待测心拍；
待测心拍分类模块，用于将所述多个待测心拍输入到预先训练的深度学习模型中，基于所述深度学习模型的输出结果确定每个所述待测心拍的预设分类；
心拍位置确定模块，用于当所述多个待测心拍中的任一待测心拍的预设分类属于预设的需要定位的心拍分类时，确定所述任一待测心拍位于所述多个待测心拍中的位置。
7.根据权利要求6所述的装置，其特征在于，所述待测心拍识别模块包括：
目标数据划分单元，用于将所述目标心电数据基于预设时间间隔划分为多个数据段；
待测心拍识别单元，用于从每个所述数据段对应的心电图像中识别待测心拍。
8.根据权利要求6所述的装置，其特征在于，所述待测心拍分类模块，包括：
分类概率确定单元，用于基于所述深度学习模型的输出结果确定每个所述待测心拍属于多个预设分类中每个预设分类的概率；
待测心拍分类单元，用于基于所述概率确定每个所述待测心拍的预设分类。
9.根据权利要求6所述的装置，其特征在于，所述装置还包括深度学习模型训练模块；
所述深度学习模型训练模块，包括：
样本数据获取单元，用于获取多个样本心电数据；
样本心拍识别单元，用于从每个所述样本心电数据对应的心电图像中识别出多个样本心拍；
样本特征标定单元，用于标定每个所述样本心拍对应的预设分类；
深度学习模型训练单元，用于将所述多个样本心拍和对应的预设分类作为训练集，训练深度学习模型。
10.根据权利要求6-9任一项所述的装置，其特征在于，所述深度学习模型包括基于Squeeze-Excitation块技术训练的ResNet架构的深度学习模型。
11.一种可穿戴设备，其特征在于，所述设备包括：
处理器；
被配置为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上述权利要求1-5任一所述的方法。
12.一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，该程序被处理器处理时实现上述权利要求1-5任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910220835.0A CN111723622B (zh) | 2019-03-22 | 2019-03-22 | 心拍分类方法、装置、可穿戴设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910220835.0A CN111723622B (zh) | 2019-03-22 | 2019-03-22 | 心拍分类方法、装置、可穿戴设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111723622A CN111723622A (zh) | 2020-09-29 |
| CN111723622B true CN111723622B (zh) | 2024-04-26 |
Family
ID=72562824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910220835.0A Active CN111723622B (zh) | 2019-03-22 | 2019-03-22 | 心拍分类方法、装置、可穿戴设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111723622B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0776631A1 (en) * | 1995-11-29 | 1997-06-04 | Hewlett-Packard Company | Method and apparatus for classifying heartbeats in an ECG waveform |
| CN104706366A (zh) * | 2013-12-13 | 2015-06-17 | ***通信集团公司 | 一种分心检测方法、装置及*** |
| CN108030488A (zh) * | 2017-11-30 | 2018-05-15 | 北京医拍智能科技有限公司 | 基于卷积神经网络的心律失常的检测*** |
| CN108039203A (zh) * | 2017-12-04 | 2018-05-15 | 北京医拍智能科技有限公司 | 基于深度神经网络的心律失常的检测*** |
| CN108464827A (zh) * | 2018-03-08 | 2018-08-31 | 四川大学 | 一种弱监督下的心电图像识别方法 |
| CN108596073A (zh) * | 2018-04-19 | 2018-09-28 | 郑州大学 | 一种基于深度学习识别心电数据的轻量级算法 |
| CN109091138A (zh) * | 2018-07-12 | 2018-12-28 | 上海微创电生理医疗科技股份有限公司 | 心律失常起源点的判断装置及标测*** |
| CN109288515A (zh) * | 2018-11-14 | 2019-02-01 | 东南大学 | 基于穿戴式心电信号中早搏信号的周期性监测方法及装置 |
| CN109350032A (zh) * | 2018-10-16 | 2019-02-19 | 武汉中旗生物医疗电子有限公司 | 一种分类方法、***、电子设备及存储介质 |
| CN109480825A (zh) * | 2018-12-13 | 2019-03-19 | 武汉中旗生物医疗电子有限公司 | 心电数据的处理方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8024030B2 (en) * | 2009-08-12 | 2011-09-20 | Siemens Aktiengesellschaft | System and method for analyzing an electrocardiogram signal |
-
2019
- 2019-03-22 CN CN201910220835.0A patent/CN111723622B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0776631A1 (en) * | 1995-11-29 | 1997-06-04 | Hewlett-Packard Company | Method and apparatus for classifying heartbeats in an ECG waveform |
| CN104706366A (zh) * | 2013-12-13 | 2015-06-17 | ***通信集团公司 | 一种分心检测方法、装置及*** |
| CN108030488A (zh) * | 2017-11-30 | 2018-05-15 | 北京医拍智能科技有限公司 | 基于卷积神经网络的心律失常的检测*** |
| CN108039203A (zh) * | 2017-12-04 | 2018-05-15 | 北京医拍智能科技有限公司 | 基于深度神经网络的心律失常的检测*** |
| CN108464827A (zh) * | 2018-03-08 | 2018-08-31 | 四川大学 | 一种弱监督下的心电图像识别方法 |
| CN108596073A (zh) * | 2018-04-19 | 2018-09-28 | 郑州大学 | 一种基于深度学习识别心电数据的轻量级算法 |
| CN109091138A (zh) * | 2018-07-12 | 2018-12-28 | 上海微创电生理医疗科技股份有限公司 | 心律失常起源点的判断装置及标测*** |
| CN109350032A (zh) * | 2018-10-16 | 2019-02-19 | 武汉中旗生物医疗电子有限公司 | 一种分类方法、***、电子设备及存储介质 |
| CN109288515A (zh) * | 2018-11-14 | 2019-02-01 | 东南大学 | 基于穿戴式心电信号中早搏信号的周期性监测方法及装置 |
| CN109480825A (zh) * | 2018-12-13 | 2019-03-19 | 武汉中旗生物医疗电子有限公司 | 心电数据的处理方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| An Automated ECG Beat Classification System Using Convolutional Neural Networks;Muhammad Zubair;《2016 6th International Conference on IT Convergence and Security (ICITCS)》;20161110;全文 * |
| ECG心率变异性分析的算法设计及FPGA实现;李梦妮;《中国优秀硕士论文全文数据库 信息科技辑》;第2017年卷(第03期);第I136-383页 * |
| 基于ARM的远程心电监护平台的设计与实现;晏晨伟;《中国优秀硕士论文全文数据库 信息科技辑》;第2014年卷(第05期);第I140-480页 * |
| 心律失常辅助诊断***的研制;陈晓俐 等;《中国医学物理学杂志》;第27卷(第02期);第1-6页 * |
| 王迪.低运算复杂度的心拍分类算法研究.《中国优秀硕士学位论文全文数据库 信息科技辑》.2019,第I136-361页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111723622A (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108186011B (zh) | 房颤检测方法、装置及可读存储介质 | |
| CN107981858B (zh) | 基于人工智能的心电图心搏自动识别分类方法 | |
| US20230131876A1 (en) | Systems and methods of identity analysis of electrocardiograms | |
| US20210153761A1 (en) | Method, system and non-transitory computer-readable recording medium for estimating arrhythmia by using artificial neural network | |
| Pollreisz et al. | A simple algorithm for emotion recognition, using physiological signals of a smart watch | |
| WO2019100566A1 (zh) | 基于人工智能自学习的静态心电图分析方法和装置 | |
| CN109009084B (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
| WO2019161611A1 (zh) | 心电信息处理方法和心电工作站 | |
| KR101796055B1 (ko) | 다중 뇌 연결망 구축을 통한 뇌 상태 모니터링 방법 및 장치 | |
| US10178974B2 (en) | Method and system for monitoring continuous biomedical signal | |
| CN108652640B (zh) | 一种基于心电信号的无创血糖检测方法及*** | |
| CN116602642B (zh) | 心率监测方法、装置、设备 | |
| US10172563B2 (en) | Method and system for analyzing noise in an electrophysiology study | |
| CN112788200B (zh) | 频谱信息的确定方法及装置、存储介质、电子装置 | |
| CN108962379B (zh) | 一种脑神经***疾病的手机辅助检测*** | |
| CN112957018A (zh) | 基于人工智能的心脏状态检测方法和装置 | |
| CN111723622B (zh) | 心拍分类方法、装置、可穿戴设备及存储介质 | |
| KR102149748B1 (ko) | 심폐음 신호 획득 방법 및 장치 | |
| CN116636856A (zh) | 心电分类方法、***、电子设备及存储介质 | |
| CN113171102B (zh) | 基于持续深度学习的ecg数据分类方法 | |
| CN111601539A (zh) | 一种自动诊断对象病症的方法及实施该方法的*** | |
| US20230248295A1 (en) | Method for selecting features from electroencephalogram signals | |
| KR102149753B1 (ko) | 심폐음 신호 획득 방법 및 장치 | |
| CN112842355A (zh) | 基于深度学习目标检测的心电信号心搏检测识别方法 | |
| CN116229521B (zh) | 基于多尺度特征的心脏信息检测方法、装置以及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |