一種檢測模型獲取方法及裝置制造方法及圖紙

本發(fā)明專利技術(shù)提供一種檢測模型獲取方法及裝置，方法包括：獲取第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征；第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征中包括第二預(yù)設(shè)數(shù)量的第一類心動(dòng)周期的形態(tài)特征和第三預(yù)設(shè)數(shù)量的第二類心動(dòng)周期的形態(tài)特征；通過聚類算法，對(duì)第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征聚類；按照第一預(yù)設(shè)規(guī)則在每類心動(dòng)周期的形態(tài)特征中選取心動(dòng)周期的形態(tài)特征；根據(jù)選取出的心動(dòng)周期的形態(tài)特征，通過第一預(yù)設(shè)方法訓(xùn)練獲取第一參數(shù)檢測模型。本發(fā)明專利技術(shù)采用原始的心動(dòng)周期的形態(tài)特征作為訓(xùn)練數(shù)據(jù)訓(xùn)練得到第一參數(shù)檢測模型，且利用聚類算法對(duì)數(shù)據(jù)集中數(shù)據(jù)聚類，數(shù)據(jù)具有代表性，提高了訓(xùn)練出的第一參數(shù)檢測模型的分類性能。

Method and device for obtaining detection model

The present invention provides a method and a device for obtaining a detection model. The method comprises the following steps: obtaining a first preset cardiac cycle the number of morphological features; the first preset number of cardiac morphology cycle includes second preset number of the first class of the cardiac cycle and morphological characteristics of the third pre set number of second class of cardiac morphology cycle by clustering; for the first algorithm, the preset number of cardiac morphology clustering cycle; according to the first preset rules in the form features of each type of cardiac cycle in selected cardiac cycle according to morphological characteristics; morphological characteristics of cardiac cycle is selected, through the first preset training method gets the first parameter detection model. The invention adopts the cardiac morphological characteristics of primitive period as training data to train the first parameter detection model, and use clustering algorithm to cluster the data centralized data, data are representative, improves the classification performance of the first parameter detection model of training.

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種檢測模型獲取方法及裝置
本專利技術(shù)涉及檢測
，尤其涉及一種檢測模型獲取方法及裝置。
技術(shù)介紹
心電信號(hào)(Electrocardiogram，簡稱ECG)反映了心臟興奮的電活動(dòng)過程，它在心臟基本功能及其病理研究方面，具有重要的參考價(jià)值。目前，一般心律失常檢測方法可以分為波形特征提取和分類器檢測兩個(gè)階段。在波形特征提取階段，不同種類的特征被提取出來，包括但不僅限于：時(shí)域信息特征，高階統(tǒng)計(jì)量特征，基于獨(dú)立成分分析(ICA)的特征，基于主成分分析(PCA)的特征，Herimite變換參數(shù)特征，小波變換特征，功率譜密度特征，李雅普諾夫指數(shù)特征等。在分類器檢測階段，多種分類算法已被應(yīng)用于心律失常檢測問題中，包括支持向量機(jī)、線性分類判別、全連接神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)等。分類器將人工提取的特征作為輸入，輸出分類結(jié)果作為心律失常檢測結(jié)果。然而，人為提取的特征存在較大的主觀性。特征的有效性極大地依賴于特征設(shè)計(jì)者的經(jīng)驗(yàn)和對(duì)信號(hào)及分類器的熟悉程度。訓(xùn)練數(shù)據(jù)選擇方面，為充分處理病人間心電圖形態(tài)巨大差異，實(shí)現(xiàn)個(gè)性化診斷，目前已有研究中選取共同訓(xùn)練數(shù)據(jù)和少量病人數(shù)據(jù)作為個(gè)性化心律失常檢測方法的訓(xùn)練數(shù)據(jù)。共同訓(xùn)練數(shù)據(jù)從大量數(shù)據(jù)中隨機(jī)選擇，特定病人數(shù)據(jù)來自于該病人數(shù)據(jù)的前幾分鐘。然而，目前的訓(xùn)練數(shù)據(jù)選擇方法未能捕捉大量數(shù)據(jù)的內(nèi)在分布規(guī)律，不能選擇出最具代表性的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。為提高心律失常檢測方法的檢測性能，應(yīng)選擇具有代表性的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)。鑒于此，如何提供一種自主學(xué)習(xí)特征、基于代表性訓(xùn)練集、檢測敏感度與準(zhǔn)確率較高的個(gè)性化心律失常檢測方法及裝置是目前需要解決的技術(shù)問題。專利技術(shù)內(nèi)容本專利技術(shù)提供一種解決上述技術(shù)問題的檢測模型獲取方法及裝置。第一方面，本專利技術(shù)提供一種檢測模型獲取方法，包括：獲取第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征；所述第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征中包括第二預(yù)設(shè)數(shù)量的第一類心動(dòng)周期的形態(tài)特征和第三預(yù)設(shè)數(shù)量的第二類心動(dòng)周期的形態(tài)特征；通過聚類算法，對(duì)所述第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征聚類；按照第一預(yù)設(shè)規(guī)則在每類心動(dòng)周期的形態(tài)特征中選取心動(dòng)周期的形態(tài)特征；根據(jù)選取出的心動(dòng)周期的形態(tài)特征，通過第一預(yù)設(shè)方法訓(xùn)練獲取第一參數(shù)檢測模型。優(yōu)選的，所述根據(jù)選取出的心動(dòng)周期的形態(tài)特征，通過第一預(yù)設(shè)方法訓(xùn)練獲取第一參數(shù)檢測模型，包括：根據(jù)選取出的心動(dòng)周期的形態(tài)特征，通過深度學(xué)習(xí)算法訓(xùn)練獲取第一參數(shù)檢測模型。優(yōu)選的，所述第三預(yù)設(shè)數(shù)量的第二類心動(dòng)周期包括第二預(yù)設(shè)數(shù)量的室上性心律失常心動(dòng)周期、第二預(yù)設(shè)數(shù)量的室性心律失常心動(dòng)周期及第二預(yù)設(shè)數(shù)量的室性融合波心動(dòng)周期。優(yōu)選的，所述方法還包括：獲取待檢測目標(biāo)的第四預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征；通過聚類算法，對(duì)所述待檢測目標(biāo)的第四預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征聚類；按照第二預(yù)設(shè)規(guī)則在每類待檢測目標(biāo)的心動(dòng)周期的形態(tài)特征中選取待檢測目標(biāo)的心動(dòng)周期的形態(tài)特征；根據(jù)選取出的待檢測目標(biāo)的心動(dòng)周期的形態(tài)特征，通過深度學(xué)習(xí)算法對(duì)所述第一參數(shù)檢測模型進(jìn)行優(yōu)化，獲取第二參數(shù)檢測模型，以根據(jù)所述第二參數(shù)檢測模型對(duì)待檢測目標(biāo)的心動(dòng)周期的形態(tài)特征進(jìn)行分類。優(yōu)選的，所述通過聚類算法，對(duì)所述待檢測目標(biāo)的第四預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征分類，包括：通過聚類算法，對(duì)所述待檢測目標(biāo)的第四預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征進(jìn)行無監(jiān)督聚類，以實(shí)現(xiàn)對(duì)所述待檢測目標(biāo)的第四預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征的聚類。優(yōu)選的，所述方法還包括：利用所述第二參數(shù)檢測模型對(duì)所述待檢測目標(biāo)的第四預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征中的未選取的心動(dòng)周期的形態(tài)特征進(jìn)行分類。優(yōu)選的，所述聚類算法為基于密度的聚類算法，所述深度學(xué)習(xí)算法為遞歸神經(jīng)網(wǎng)絡(luò)算法。優(yōu)選的，每個(gè)所述心動(dòng)周期的形態(tài)特征包括當(dāng)前心動(dòng)周期中第一預(yù)設(shè)間隔的采樣點(diǎn)的幅值和所述當(dāng)前心動(dòng)周期的前一心動(dòng)周期的T波周期內(nèi)第二預(yù)設(shè)間隔的采樣點(diǎn)的幅值。第二方面，本專利技術(shù)還提供一種檢測模型獲取裝置，包括：獲取單元，用于獲取第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征；所述第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征中包括第二預(yù)設(shè)數(shù)量的第一類心動(dòng)周期的形態(tài)特征和第三預(yù)設(shè)數(shù)量的第二類心動(dòng)周期的形態(tài)特征；聚類單元，用于通過聚類算法，對(duì)所述第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征聚類；選取單元，用于按照第一預(yù)設(shè)規(guī)則在每類心動(dòng)周期的形態(tài)特征中選取心動(dòng)周期的形態(tài)特征；訓(xùn)練單元，用于根據(jù)選取出的心動(dòng)周期的形態(tài)特征，通過第一預(yù)設(shè)方法訓(xùn)練獲取第一參數(shù)檢測模型。優(yōu)選的，所述訓(xùn)練單元，還用于：根據(jù)選取出的心動(dòng)周期的形態(tài)特征，通過深度學(xué)習(xí)算法訓(xùn)練獲取第一參數(shù)檢測模型。由上述技術(shù)方案可知，本專利技術(shù)實(shí)施例中直接采用原始的心動(dòng)周期的形態(tài)特征作為訓(xùn)練數(shù)據(jù)訓(xùn)練得到第一參數(shù)檢測模型，使得訓(xùn)練出的第一參數(shù)檢測模型更準(zhǔn)確，提高其使用的敏感度和準(zhǔn)確率。本專利技術(shù)利用聚類算法對(duì)數(shù)據(jù)集中數(shù)據(jù)(獲取的第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征心動(dòng)周期的形態(tài)特征)聚類，選擇具有代表性的數(shù)據(jù)作為共同訓(xùn)練集；基于共同訓(xùn)練集進(jìn)行訓(xùn)練，得到第一參數(shù)檢測模型，聚類算法的使用保證了訓(xùn)練集中數(shù)據(jù)的代表性，可以提高第一參數(shù)檢測模型的分類性能，采用深度學(xué)習(xí)算法可實(shí)現(xiàn)特征的自主學(xué)習(xí)和波形的分類。附圖說明圖1為本專利技術(shù)一實(shí)施例提供的檢測模型獲取方法的流程圖；圖2為本專利技術(shù)一實(shí)施例提供的所提取各心動(dòng)周期波形圖；圖3為本專利技術(shù)一實(shí)施例提供的利用聚類算法對(duì)心動(dòng)周期的形態(tài)特征進(jìn)行聚類的效果示意圖；圖4為本專利技術(shù)一實(shí)施例提供的檢測模型獲取裝置的原理框圖。具體實(shí)施方式下面結(jié)合附圖和實(shí)施例，對(duì)本專利技術(shù)的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。以下實(shí)施例用于說明本專利技術(shù)，但不用來限制本專利技術(shù)的范圍。圖1為本專利技術(shù)一實(shí)施例提供的一種檢測模型獲取方法的流程圖。如圖1所示的一種檢測模型獲取方法，包括：S101、獲取第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征；所述第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征中包括第二預(yù)設(shè)數(shù)量的第一類心動(dòng)周期的形態(tài)特征和第三預(yù)設(shè)數(shù)量的第二類心動(dòng)周期的形態(tài)特征；可以理解的是，所述第一預(yù)設(shè)數(shù)量可以根據(jù)需要具體選擇。圖2為本專利技術(shù)一實(shí)施例提供的所提取各心動(dòng)周期波形圖。在本步驟中，每個(gè)所述心動(dòng)周期的形態(tài)特征包括當(dāng)前心動(dòng)周期中第一預(yù)設(shè)間隔的采樣點(diǎn)的幅值和所述當(dāng)前心動(dòng)周期的前一心動(dòng)周期的T波周期內(nèi)第二預(yù)設(shè)間隔的采樣點(diǎn)的幅值。例如，一共包括50個(gè)心動(dòng)周期的形態(tài)特征，每個(gè)心動(dòng)周期的形態(tài)特征包括該心動(dòng)周期中預(yù)設(shè)間隔的采樣點(diǎn)的幅值和該心動(dòng)周期的前一心動(dòng)周期的T波周期內(nèi)預(yù)設(shè)間隔的采樣點(diǎn)的幅值，所述第一預(yù)設(shè)間隔的采樣點(diǎn)或第二預(yù)設(shè)間隔的采樣點(diǎn)：如每隔5個(gè)采樣點(diǎn)取一個(gè)采樣點(diǎn)，獲取該采樣點(diǎn)的幅值，具體間隔的采樣點(diǎn)數(shù)根據(jù)采樣頻率以及具體需要確定，本專利技術(shù)對(duì)此不做限制。S102、通過聚類算法，對(duì)所述第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征聚類；圖3為本專利技術(shù)一實(shí)施例提供的利用聚類算法對(duì)心動(dòng)周期的形態(tài)特征進(jìn)行聚類的效果示意圖。S103、按照第一預(yù)設(shè)規(guī)則在每類心動(dòng)周期的形態(tài)特征中選取心動(dòng)周期的形態(tài)特征；可以理解的是，所述第一預(yù)設(shè)規(guī)則可以為：若某個(gè)類別中的心動(dòng)周期的形態(tài)特征的數(shù)量大于等于預(yù)設(shè)值，則在該類心動(dòng)周期的形態(tài)特征集合中隨機(jī)選取一定比例，如50％的心動(dòng)周期的形態(tài)特征，若心動(dòng)周期的形態(tài)特征的數(shù)量小于所述預(yù)設(shè)值,則不在該類別中選取心動(dòng)周期的形態(tài)特征。事實(shí)上，也可以根據(jù)具體情況采用其他規(guī)則。S104、根據(jù)選取出的心動(dòng)周期的形態(tài)特征，通過本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種檢測模型獲取方法，其特征在于，包括：獲取第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征；所述第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征中包括第二預(yù)設(shè)數(shù)量的第一類心動(dòng)周期的形態(tài)特征和第三預(yù)設(shè)數(shù)量的第二類心動(dòng)周期的形態(tài)特征；通過聚類算法，對(duì)所述第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征聚類；按照第一預(yù)設(shè)規(guī)則在每類心動(dòng)周期的形態(tài)特征中選取心動(dòng)周期的形態(tài)特征；根據(jù)選取出的心動(dòng)周期的形態(tài)特征，通過第一預(yù)設(shè)方法訓(xùn)練獲取第一參數(shù)檢測模型。

【技術(shù)特征摘要】
1.一種檢測模型獲取方法，其特征在于，包括：獲取第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征；所述第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征中包括第二預(yù)設(shè)數(shù)量的第一類心動(dòng)周期的形態(tài)特征和第三預(yù)設(shè)數(shù)量的第二類心動(dòng)周期的形態(tài)特征；通過聚類算法，對(duì)所述第一預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征聚類；按照第一預(yù)設(shè)規(guī)則在每類心動(dòng)周期的形態(tài)特征中選取心動(dòng)周期的形態(tài)特征；根據(jù)選取出的心動(dòng)周期的形態(tài)特征，通過第一預(yù)設(shè)方法訓(xùn)練獲取第一參數(shù)檢測模型。2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)選取出的心動(dòng)周期的形態(tài)特征，通過第一預(yù)設(shè)方法訓(xùn)練獲取第一參數(shù)檢測模型，包括：根據(jù)選取出的心動(dòng)周期的形態(tài)特征，通過深度學(xué)習(xí)算法訓(xùn)練獲取第一參數(shù)檢測模型。3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述第三預(yù)設(shè)數(shù)量的第二類心動(dòng)周期包括第二預(yù)設(shè)數(shù)量的室上性心律失常心動(dòng)周期、第二預(yù)設(shè)數(shù)量的室性心律失常心動(dòng)周期及第二預(yù)設(shè)數(shù)量的室性融合波心動(dòng)周期。4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述方法還包括：獲取待檢測目標(biāo)的第四預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征；通過聚類算法，對(duì)所述待檢測目標(biāo)的第四預(yù)設(shè)數(shù)量的心動(dòng)周期的形態(tài)特征分類；按照第二預(yù)設(shè)規(guī)則在每類待檢測目標(biāo)的心動(dòng)周期的形態(tài)特征中選取待檢測目標(biāo)的心動(dòng)周期的形態(tài)特征；根據(jù)選取出的待檢測目標(biāo)的心動(dòng)周期的形態(tài)特征，通過深度學(xué)習(xí)算法對(duì)所述第一參數(shù)檢測模型進(jìn)行優(yōu)化，獲取第二參數(shù)檢測模型，以根據(jù)所述第二參數(shù)檢測模型對(duì)待檢測目標(biāo)的心動(dòng)周期的形態(tài)特征進(jìn)行分類。5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述通過聚...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王貴錦，張晨爽，趙京偉，高鵬飛，林劍平，程曉偉，
申請(qǐng)(專利權(quán))人：清華大學(xué)，北京欣和怡點(diǎn)科技有限公司，
類型：發(fā)明
國別省市：北京,11