本申请属于心电信号处理技术领域，尤其是涉及一种心电仿真模型的信号优化方法及心电检测装置。
背景技术：
采用深度学习模型对房颤进行辅助筛查时，得出的结果只可能有两种，房颤或者非房颤。而其得出房颤和非房颤的原因在于新的心电信号的数据与训练数据中的房颤数据的特征更为接近，还是与训练数据中的非房颤数据更为接近。然而现实中很难获得所有类型的房颤数据，特别是所有类型的非房颤数据。因此学习到的网络特征有些可能并不是用于区别房颤和非房颤的关键。因此，对于没有参与过训练的类型的非房颤心电信号，训练好的深度学习模型出错几率较大。另外，由于心电信号具有非线性和因人而异的特点，可能新的心电信号可能与训练样本中的所有信号特征都差别较大；传统的深度学习网络学习时往往仅仅减小总网络的输出与标签之间的误差，最多引入对权重和系数的限制。此时，新的心电信号被划入房颤和非房颤类型的几率接近，可能受到某些干扰就会导致判断错误。
技术实现要素：
本发明要解决的技术问题是：为解决现有技术中深度学习网络的不足，从而提供一种心电仿真模型的信号优化方法及心电检测装置。
本发明解决其技术问题所采用的技术方案是：
一种心电仿真模型的信号优化方法，包括以下步骤：
s1，收集n条静息十二导联心电图数据，房颤心电图数据和非房颤心电图数据的数量相等；
s2，进行预处理：如果信号采样频率低于200hz，则先重采样，使采样频率达到200hz以上，然后采用滤波器进行滤波；
s3，训练深度学习网络：深度学习网络包括至少3个卷积层，作为特征提取模块，最少包含2个全连接层，作为分类模块；
s4，通过最小化下的损失函数的损失值对深度学习网络的参数进行优化，采用近端梯度下降的方法最小化损失值，获取整个深度学习网络中所有的权重和偏移；
s5，根据s4中确定的权重和偏移，得出函数net(x)的公式。
优选地，本发明的心电诊断模型，步骤s4中，损失值的函数为：
其中，loss是损失值，
优选地，本发明的心电诊断模型，步骤s3中，采用的网络框架由layer1～layer9组成；特征提取模块包括layer1～layer7，layer1～layer7为卷积层，均由一个卷积运算和一个池化运算组成，分类模块包括layer8～layer9，layer8～layer9为全连接层；layer1中卷积运算包含5个核，卷积核大小均为29，layer1中池化运算中的步长和核大小均为2；layer2卷积运算包含5个核，卷积核大小均为15，layer2中池化运算中的步长和核大小均为2；layer3卷积运算包含5个核，卷积核大小均为13，layer3中池化运算中的步长和核大小均为2；layer4卷积运算包含10个核，卷积核大小均为5，layer4中池化运算中的步长和核大小均为2；layer5卷积运算包含10个核，卷积核大小均为5，layer5中池化运算中的步长和核大小均为2；layer6卷积运算包含10个核，卷积核大小均为3，layer6中池化运算中的步长和核大小均为2；layer7卷积运算包含10个核，卷积核大小均为3，layer7中池化运算中的步长和核大小均为2；layer7卷积层的输出作为输入，输入到layer8中，layer8包括30个神经元；layer8的输出作为layer9的输入，通过layer9输出整个网络的输出值。
优选地，本发明的心电诊断模型，layer9的激活函数采用sigmoid函数。
优选地，本发明的心电诊断模型，设定α＝1，β＝2。
优选地，本发明的心电诊断模型，s1中收集的房颤心电图数据和非房颤心电图数据均不少于1万条。
优选地，本发明的心电诊断模型，步骤s2中，采样频率使用500hz，采用0.1-100hz的巴特沃兹带通滤波器进行滤波。
优选地，本发明的心电诊断模型，还包括步骤s5，使用网络：将新的心电信号输入s4中得到深度学习网络中，输出结果大于0.5认为是房颤，否则认为是非房颤。
一种心电检测装置，包括：深度学习模块，所述深度学习模块能够运行上述的心电诊断模型。
本发明的有益效果是：
提出了一种新型的损失函数，不仅减小输入与标签之间的误差，还约束不同类别信号的特征层的输出之间误差。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的心电仿真模型的信号优化方法步骤流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本申请中的具体含义。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例
本实施例提供一种心电诊断模型心电诊断模型，包括以下步骤：
s1，收集n条静息十二导联心电图数据，房颤心电图数据和非房颤心电图数据的数量相等；
s2，进行预处理：如果信号采样频率低于200hz，则先重采样，使采样频率达到200hz以上，然后采用滤波器进行滤波；
s3，训练深度学习网络：深度学习网络包括至少3个卷积层，作为特征提取模块，最少包含2个全连接层，作为分类模块；
s4，通过最小化下的损失函数的损失值对深度学习网络的参数进行优化，采用近端梯度下降的方法最小化损失值，获取整个深度学习网络中所有的权重和偏移。
本实施例的心电仿真模型的信号优化方法，不同类别信号的特征层的输出之间误差的优化，主要靠约束loss函数中的1范数项来实现。fnet(x)指的是以x作为输入，通过网络中的特征提取模块计算出的输出。1范数项的存在能够使网络学习以后，对于房颤信号和非房颤信号他们在fnet(x)的输出结果大部分值一样，但是有个别值差别很大，这样就能够突出区别房颤和非房颤的特征。
优选地，本实施例的心电诊断模型，步骤s4中，损失值的函数为：
其中，loss是损失值，
优选地，本实施例的心电诊断模型，步骤s3中，采用的网络框架由layer1～layer9组成；特征提取模块包括layer1～layer7，layer1～layer7为卷积层，均由一个卷积运算和一个池化运算组成，分类模块包括layer8～layer9，layer8～layer9为全连接层；layer1中卷积运算包含5个核，卷积核大小均为29，layer1中池化运算中的步长和核大小均为2；layer2卷积运算包含5个核，卷积核大小均为15，layer2中池化运算中的步长和核大小均为2；layer3卷积运算包含5个核，卷积核大小均为13，layer3中池化运算中的步长和核大小均为2；layer4卷积运算包含10个核，卷积核大小均为5，layer4中池化运算中的步长和核大小均为2；layer5卷积运算包含10个核，卷积核大小均为5，layer5中池化运算中的步长和核大小均为2；layer6卷积运算包含10个核，卷积核大小均为3，layer6中池化运算中的步长和核大小均为2；layer7卷积运算包含10个核，卷积核大小均为3，layer7中池化运算中的步长和核大小均为2；layer7卷积层的输出作为全连接层的输入，输入到layer8中，layer8包括30个神经元；layer8的输出作为layer9的输入，通过layer9输出整个网络的输出值。
优选地，本实施例的心电诊断模型，layer9的激活函数采用sigmoid函数。激活函数是深度学习网络中的一部分，本实施例中描述的问题是一个分类问题，sigmoid函数是分类问题中常用的最后一层网络的激活函数，layer9的激活函数优选采用sigmoid函数。
优选地，本实施例的心电诊断模型，设定α＝1，β＝2。
优选地，本实施例的心电诊断模型，s1中收集的房颤心电图数据和非房颤心电图数据均不少于1万条。
优选地，本实施例的心电诊断模型，步骤s2中，采样频率使用500hz，采用0.1-100hz的巴特沃兹带通滤波器进行滤波。目前静息心电图的采样频率很多是500hz，使用500hz采样频率能够便于兼容现有设备。
优选地，本实施例的心电诊断模型，还包括步骤s6，使用网络：将新的心电信号输入s5中得到的函数net(x)的公式，输出结果大于0.5认为是房颤，否则认为是非房颤。深度学习网络执行心电图的分类或者其他任务时，一般分为两个阶段：训练网络和使用网络；最初搭建出来的网络框架中，有很多系数都是初始设置的一些值，这些值需要通过学习最终确定下来。训练网络是用已经存在的有结论的心电图输入网络，通过减小损失函数，求解出来网络当中的这些参数。也就是说，损失函数定义了网络的学习目标。在使用网络阶段，实质是将心电信号作为输入，输入到确定好的网络中，计算出一个输出值，然后根据这个数值的特点确定心电信号的类型。因此在步骤s5得到的函数net(x)的公式后，则学习网络对心电信号的计算学习已经完成，可以投入使用。
一种心电检测装置，包括：深度学习模块，所述深度学习模块能够运行上述的心电诊断模型。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
1.一种心电诊断模型，其特征在于，包括以下步骤：
s1，收集n条静息十二导联心电图数据，房颤心电图数据和非房颤心电图数据的数量相等；
s2，进行预处理：如果信号采样频率低于200hz，则先重采样，使采样频率达到200hz以上，然后采用滤波器进行滤波；
s3，训练深度学习网络：深度学习网络包括至少3个卷积层，作为特征提取模块，最少包含2个全连接层，作为分类模块；
s4，通过最小化损失函数的损失值对深度学习网络的参数进行优化，采用近端梯度下降的方法最小化损失值，获取整个深度学习网络中所有的权重和偏移。
2.根据权利要求1所述的心电诊断模型，其特征在于，步骤s4中，损失值的函数为：
其中，loss是损失值，
3.根据权利要求1所述的心电诊断模型，其特征在于，步骤s3中，采用的网络框架由layer1～layer9组成；特征提取模块包括layer1～layer7，layer1～layer7为卷积层，均由一个卷积运算和一个池化运算组成，分类模块包括layer8～layer9，layer8～layer9为全连接层；layer1中卷积运算包含5个核，卷积核大小均为29，layer1中池化运算中的步长和核大小均为2；layer2卷积运算包含5个核，卷积核大小均为15，layer2中池化运算中的步长和核大小均为2；layer3卷积运算包含5个核，卷积核大小均为13，layer3中池化运算中的步长和核大小均为2；layer4卷积运算包含10个核，卷积核大小均为5，layer4中池化运算中的步长和核大小均为2；layer5卷积运算包含10个核，卷积核大小均为5，layer5中池化运算中的步长和核大小均为2；layer6卷积运算包含10个核，卷积核大小均为3，layer6中池化运算中的步长和核大小均为2；layer7卷积运算包含10个核，卷积核大小均为3，layer7中池化运算中的步长和核大小均为2；layer7卷积层的输出作为输入，输入到layer8中，layer8包括30个神经元；layer8的输出作为layer9的输入，通过layer9输出整个网络的输出值。
4.根据权利要求3所述的心电诊断模型，其特征在于，layer9的激活函数采用sigmoid函数。
5.根据权利要求1-4任一项所述的心电诊断模型，其特征在于，设定α＝1，β＝2。
6.根据权利要求1-4任一项所述的心电诊断模型，其特征在于，s1中收集的房颤心电图数据和非房颤心电图数据均不少于1万条。
7.根据权利要求1-4任一项所述的心电诊断模型，其特征在于，步骤s2中，采样频率使用500hz，采用0.1-100hz的巴特沃兹带通滤波器进行滤波。
8.根据权利要求1-4任一项所述的心电诊断模型的信号优化方法，其特征在于，还包括步骤s5，使用网络：将新的心电信号输入s4中得到深度学习网络中，输出结果大于0.5认为是房颤，否则认为是非房颤。
9.一种心电检测装置，其特征在于，包括：深度学习模块，所述深度学习模块能够运行如权利要求1-8任一项所述的心电诊断模型。
技术总结