CN119442124A 一种基于深度学习的心电数据异常识别方法、装置、设备及存储介质 （中国医学科学院阜外医院）

一种基于深度学习的心电数据异常识别方本申请提供一种基于深度学习的心电数据模型处理，并基于患者详细信息构建贝叶斯网2预处理流程至少包括：使用带通滤波器去除所述原始心电图信号中的高频噪声和工频干扰；应用小波变换或自适应滤波技术抑制所述原始心电图信号中的肌电伪迹和低频噪音；以使所述深度融合学习模型能够聚焦所述目标心电图信号中的通过所述深度融合学习模型识别所述目标心电图信号中的异述初步识别结果进行混合模型融合处理，并通过所述患者的详细信息所构建的贝叶斯网根据所述目标识别结果，利用规则引擎生成异常报告，所述异常报对所述目标心电图信号进行时间窗口分割处理，得到多个固定长度的将每个时间窗口内的心电图数据片段送入所述深度融合学习模型中的卷积神经网络，将每个时间窗口内的心电图数据片段送入所述深度融合学习模型中的循环神经网络，在所述深度融合学习模型中引入注意力机制，以使所述深度将所述局部特征表示、所述时间序列特征表示以及所述关键特征在训练后的深度融合学习模型中应用多任务学习框架以预测每个时间窗口内的心电3基于所有的时间窗口内的心电图数据片段的异常类型及置信度，根据所有时间窗口内对应的异常信号及所述患者的心脏健康状态评分，生应的概率分布用于表示每个时间窗口内是否存在所述异评估每个异常类型的置信度，生成置信度评分，所述置信度评分是指所筛选出置信度评分高于预设阈值的时间窗口，识别出所基于综合特征表示以及从所述目标心电图信号中额外提取的增强特征表示训练机器根据获取的所述患者的详细信息，构建贝叶斯网络，并通过所述贝基于所述推理结果，结合获取的所述患者的个体差异和历史心脏根据获取的所述患者的个体差异和历史心脏数据，调整所述中基于所述推理结果补充所述中间识别结果中可能遗漏或不确定4根据所述患者的历史心脏数据中的长期趋势和短期波动，优化所基于每个时间窗口内的心电图数据片段的异常类型及其对应的;是第i个时间窗口内第j种异常类型的置信度评分，所对于心脏健康状态的重要性；Li是第i个时间窗口内的局部特征表示的影响因子，部特征表示的标准化得分计算；Ti是第i个时间窗口内的时间序列特征表示的影响因子，通过时间序列特征表示的标准化得分计算；ki是第i个时间窗口内的关键特征表示的影响性和贡献度所确定；入,μ,v分别是局部特征表示、时间序列特征pi是第i个时间窗口的综合影响因子，定义为:;5i个时间窗口与第k种额外特征的相关性得分；是第k种额外特征的权重，用于调整;口内第j种异常类型的初始概率分布；Di是第i个时间窗口内患者个体差异的影响因子，是第i个时间窗口与第k种历史特定特征的相关性得分；是第k种所述基于所述推理结果补充所述中间识别结果中可能遗漏或不确;个时间窗口内第j种异常类型的调整后概率分布；BY是贝叶斯网络提供的上下文感知推理结果中第i个时间窗口内第j种异常类型的置信度评分；所述整合所述调整后的概率分布及所述优化后的中间识别结果，生成目标识别结果，;其中，Gi是第i个时间窗口的目标识别结果，pi是第i个时间窗口内最大调整后概率是第i个时间窗口的优化后的中间识别结果；α是调整后概率分布6训练模块，用于利用目标心电图信号训练深度融合学识别输出模块，用于通过所述深度融合学习模型识别所述要求1~7任一项所述的一种基于深度学习的心7干扰；应用小波变换或自适应滤波技术抑制所述原始心电图信号中的肌电伪迹和低频噪力机制以使所述深度融合学习模型能够聚焦所述目标心电图信号中[0007]可选地，所述通过所述深度融合学习模型识别所述目标心电图信号中的异常信8对所述目标心电图信号进行时间窗口分割处理，得到多个固定长度的时间窗口，将每个时间窗口内的心电图数据片段送入所述深度融合学习模型中的卷积神经将每个时间窗口内的心电图数据片段送入所述深度融合学习模型中的循环神经在训练后的深度融合学习模型中应用多任务学习框架以预测每个时间窗口内的型对应的概率分布用于表示每个时间窗口内是否存在所述异常合学习模型对每个异常类型的预测结果的可靠筛选出置信度评分高于预设阈值的时间窗口，识别出所述时间窗口内的异常信9基于综合特征表示以及从所述目标心电图信号中额外提取的增强特征表示训练;异常类型的数量，j是异常类型的索引；cy是第i个时间窗口内第j种异常类型的置信度j重要性和贡献度所确定；入,μ,v分别是局部特征表示、时间pi是第i个时间窗口的综合影响因子，定义为:;是第i个时间窗口与第k种额外特征的相关性得分；是第k种额外特征的权重，用于;其中，是第i个时间窗口内第j种异常类型的调整后概率分布，Py是第i个时间窗口内第j种异常类型的初始概率分布；Di是第i个时间窗口内患者个体差异的影i个时间窗口与第k种历史特定特征的相关性得分；;是第i个时间窗口内第j种异常类型的调整后概率分布；BY是贝叶斯网络提供的上下文感知推理结果中第i个时间窗口内第j种异常类型的置信度评分；;其中，Gi是第i个时间窗口的目标识别结果，pi是第i个时间窗口内最大调整是第i个时间窗口的优化后的中间识别结果；α是调整后型能够聚焦所述目标心电图信号中的异常信号；通过所述深度融合学习模型识别所述目从而显著提升了医疗资源的利用效率和医疗服[0021]图1为本申请实施例提供的一种基于深度学习的心电数据异常识别方法的流程图2为本申请实施例提供的一种基于深度学习的心电数据异常装置的结构示意[0025]图1为本申请实施例提供一种基于深度学习的心电数据异常识别方法的流程图，深度融合学习模型能够聚焦所述目标心电图信号中的[0035]在该步骤中，通过已训练的深度融合学习模型识别目标心电图信号中的异常信[0036]本申请实施例中，深度融合学习模型输出的初步识别结快速识别出可能存在的异常信号及其置信度，并将这些初步结果传递给混合模型融合模[0043]为了解决异常信号检测中的细节特征捕捉不足和时间序列依赖关系处理不充分对所述目标心电图信号进行时间窗口分割处理，得到多个固定长度的时间窗口，的深度融合学习模型中应用多任务学习框架以预测每个时间窗口内的心电图数据片段的口内的心电图数据片段的异常类型及置信度，识别出所述置信度高于预设阈值的异常信[0054]心脏健康状态评分是指基于所有时间窗口内的心电图数据片段的异常类型及置窗口内出现了显著的心率变异或异常的QRS波形态，注意力机制会赋予这些特征更高的权[0062]为了解决异常信号检测中的多任务处理和置信度评估问题，上述可选方案中的“在训练后的深度融合学习模型中应用多任务学习框架以预测每个时间窗口内的心电图数据片段的异常类型及置信度，并基于每个时间窗口内的心电图数据片段的异常类型及置信每个元素代表一种异常类型存在的概率。例如，如果考虑三种异常类型，则输出可能是通过定制化的可视化界面查看这些异常信号的具体信息，从而做出更为准确的诊断决策。器学习模型相结合，通过堆叠泛化的融合方法所述初步识别结果进行混合模型融合处理，基于综合特征表示以及从所述目标心电图信号中额外提取的增强特征表示训练[0086]对于每个时间窗口（例如5秒长度的心电图数据片段深度融合学习模型首先输网络会特别关注那些与历史记录相似的异常模式，从而提高了诊断的准确性和个性化程[0108]在该方案中，长期趋势是指患者历史心脏数据中长时间内的心脏活动模式变;异常类型的数量，j是异常类型的索引；cy是第i个时间窗口内第j种异常类型的置信度列特征表示的影响因子，通过时间序列特征pi是第i个时间窗口的综合影响因子，定义为:;是第i个时间窗口与第k种额外特征的相关性得分；是第k种额外特征的权重，用于：第i个时间窗口内第j种异常类型的置信度评分。通过深度融合学习模型预[0129]wj：第j种异常类型的权重。根据不同异常类型对心脏健康状态的重要性确定，i个时间窗口内的局部特征表示的影响因子。通过卷积神经网络提取并标Ti：第i个时间窗口内的时间序列特征表示的影响因子。通过[0132]K：第i个时间窗口内的关键特征表示的影响因;是第i个时间:该分项结合了异常类型的权重和三种特征表示的影响因子。异常类型权重wj反映了不同异常类型的重要性，而特征表示的影响因子则从[0148]局部特征表示的影响因子Li、时间序列特征表示的影响因子Ti和关键特征表示[0149]权重系数a,B,y分别设为0.4,0.3,0.3。[0150]指数因子n,d,u,v分别设为1.2,1.1,1.1,1.0。[0152]综合影响因子pi的额外特征相关性得分Fix和权重：假设Fix分别为[0.6,0.7,0.8],bx分别为[0.5,0.3，0.2。;进一步计算综合影响因子pi:;;假设经过所有窗口和异常类型的组合计算后，最终心脏健康状态评分为85分;其中，是第i个时间窗口内第j种异常类型的调整后概率分布，Py是第i个时间窗口内第j种异常类型的初始概率分布；Di是第i个时间窗口内患者个体差异的影i个时间窗口与第k种历史特定特征的相关性得分；是第i个时间窗口内第j种异常类型的调整后概率分布。该值反映了在考虑是第i个时间窗口内第j种异常类型的初始概率分布。这个值由深度融合学是第i个时间窗口内患者个体差异的影响因子。这个因子综合考虑了患者的内计算Di的标准差，以便于后续的高斯核函数平滑处理，确保调整后的概率分布更加稳i个时间窗口与第k种历史特定特征的相关性得分。这个得分反映了当反映了不同历史特定特征对于当前异常检测的重要性，通常根据临床经验和统计数据确终的识别结果不仅基于当前的心电图数据，还充分考虑了患者的个体差异和历史心脏数;是第i个时间窗口优化后的中间识别结果，M是异常类型的是第i个时间窗口内第j感知推理结果中第i个时间窗口内第j种异常类型的置信度评分。是第i个时间窗口优化后的中间识别结果。该值综合考虑了调整后的概率分布[0170]是第i个时间窗口内第j种异常类型的调整后概率分布。这个值反映了在考Byj是贝叶斯网络提供的上下文感知推理结果中第i个时间窗口内第j种异常类i个时间窗口内所有异常类型的调整后概率分布中[0173]上述公式的目的是为了优化第个时间窗最大概率选择：通过max(pi,piz,…,piw)选择最有可能的异常类型，确保不会;其中，Gi是第i个时间窗口的目标识别结果，pi是第i个时间窗口内最大调整是第i个时间窗口的优化后的中间识别结果；α是调整后是第i个时间窗口的目标识别结果。该值综合考虑了调整后的概率分布和优[0178]pi是第i个时间窗口内最大调整后概率分布所对应的结果。这个值反映了在考能性的情况。获取途径是通过比较第i个时间窗口内所有异常类型的调整后是第i个时间窗口的优化后的中间识别结果。该值综合考虑了调整后的概率分取途径是通过前一步骤中的公式Ri=max(pia,piz…,piu)+兴1BY计算得出，确保了识别结果不仅基于当前的心电图数据，还充分考虑了患者的个体[0180]α是调整后概率分布与优化后的中间识别结果之间的权重系数，用于平衡两者[0181]上述公式Gi=a·pi+(1-a)·Ri的目的是为了整合第i个时间窗口的调整[0183]权重系数α：通过调整α的值，可以灵活控制调整后概率分布和优化后的中间初始概率分布py：假设模型输出的初始概率分布为(0.7,08,06l对应于三种异常个体差异影响因子Di：假设根据患者的年龄、性别、病史计算得到Di分别为。个体差异影响因子的标准差op=0.1；权重系数a=0.7；;;;;;它反映了第个时间窗口内异常信号的存在及其严重程度。为了从这个数值得出具论可以是：该时间窗口内存在轻微至中度的心脏异常风险，建议进一步观察和必要的检查