心律失常检测的方法、装置以及存储介质与流程

本申请涉及计算机人工智能技术领域，特别是涉及一种心律失常检测的方法、装置以及存储介质。

背景技术：

传统心律失常检测方法使用多导联心电图检查，由医生根据心电图的影像结果，结合自身医疗经验进行诊断。一些医疗机构推出远程心电诊断服务，用户能够在家中使用多导联心电图机采集心电数据，上传到远程诊断平台，进而由医生或机器算法对心电图进行分析。随着智能便携式设备的普及，单导联心电数据由于其易于获取的特性得到了更广泛的使用。而与之相适应的，针对单导联心电数据的自动化心电图分析算法也得到进一步的发展。

现有的单导联心律失常自动识别算法，主要通过对采集到的心电数据的多角度特征提取，包括时域特征如心率、pr间期、qt间期等；频域特征如功率谱和小波变换等；伴随可选的其他身体特征数据，如体重、血氧、血压等，与预先定义的典型心律失常特征模型进行比较，从而判断采集的心电数据是否属于某种心律失常。比较方式通常包括单一或多阈值判断、向量近似度分析、支持向量机分类、神经网络分类等。但是，现有的基于特征提取的心律失常自动识别算法，需要直接或间接地识别心电信号中每个心跳周期不同阶段的波形特征，并识别出它们之间随时间的复杂相互关系。由于每个人的心电波形形态各异，并且单导联心电数据的采集场景不同于医疗机构，存在更多的干扰和不确定性，使得现有算法的精确度难以令人满意。

针对上述的现有技术中存在的不同人群的心电波形各异存在不确定性，因此影响心律失常检测算法的精准度的技术问题，目前尚未提出有效的解决方案。

技术实现要素：

本公开的实施例提供了一种心律失常检测的方法、装置以及存储介质，以至少解决现有技术中存在的不同人群的心电波形各异存在不确定性，因此影响心律失常检测算法的精准度的技术问题。

根据本公开实施例的一个方面，提供了一种心律失常检测的方法，包括：获取待检测对象的心电数据；通过预先设置的神经网络模型对心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果；以及根据识别结果，确定待检测对象的心律失常情况。

根据本公开实施例的另一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，在程序运行时由处理器执行以上任意一项所述的方法。

根据本公开实施例的另一个方面，还提供了一种心律失常检测的装置，包括：数据获取模块，用于获取待检测对象的心电数据；识别模块，用于通过预先设置的神经网络模型对心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果；以及异常确定模块，用于根据识别结果，确定待检测对象的心律失常情况。

根据本公开实施例的另一个方面，还提供了一种心律失常检测的装置，包括：处理器；以及存储器，与处理器连接，用于为处理器提供处理以下处理步骤的指令：获取待检测对象的心电数据；通过预先设置的神经网络模型对心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果；以及根据识别结果，确定待检测对象的心律失常情况。

在本公开实施例中，可以利用神经网络模型对待检测对象的心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果。最终，根据识别结果确定待检测对象的心律失常情况。从而，可以利用神经网络对各种形态的心电数据进行识别，避免了不同人群心电波形不确定性对检测结果的影响。此外，还可以针对不同类型的心律失常情况进行检测，因此能够大大提高心律失常检测结果的精确度。进而解决了现有技术中存在的由于不同人群的心电波形各异存在不确定性，因此影响心律失常检测算法的精准度的技术问题。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。在附图中：

图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框图；

图2是根据本公开实施例1的第一个方面所述的心律失常检测的方法的流程示意图；

图3是根据本公开实施例1的心电数据的示意图；

图4是根据本公开实施例1所述检测流程的示意图；

图5是根据本公开实施例2所述的心律失常检测的装置的示意图；以及

图6是根据本公开实施例3所述的心律失常检测的装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本公开的技术方案，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本公开保护的范围。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本实施例，提供了一种心律失常检测的方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的计算设备中执行。图1示出了一种用于实现心律失常检测的方法的计算设备的硬件结构框图。如图1所示，计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器可用于存储应用软件的软件程序以及模块，如本公开实施例中的心律失常检测的方法对应的程序指令/数据存储装置，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的心律失常检测的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，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。

传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器(networkinterfacecontroller，nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(radiofrequency，rf)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(lcd)，该液晶显示器可使得用户能够与计算设备的用户界面进行交互。

此处需要说明的是，在一些可选实施例中，上述图1所示的计算设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是，图1仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算设备中的部件的类型。

在上述运行环境下，根据本实施例的第一个方面，提供了一种心律失常检测的方法，图2示出了该方法的流程示意图，参考图2所示，该方法包括：

s202：获取待检测对象的心电数据；

s204：通过预先设置的神经网络模型对心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果；以及

s206：根据识别结果，确定待检测对象的心律失常情况。

正如背景技术中所述的，现有的单导联心律失常自动识别算法，主要通过对采集到的心电数据的多角度特征提取，包括时域特征如心率、pr间期、qt间期等；频域特征如功率谱和小波变换等；伴随可选的其他身体特征数据，如体重、血氧、血压等，与预先定义的典型心律失常特征模型进行比较，从而判断采集的心电数据是否属于某种心律失常。比较方式通常包括单一或多阈值判断、向量近似度分析、支持向量机分类、神经网络分类等。但是，现有的基于特征提取的心律失常自动识别算法，需要直接或间接地识别心电信号中每个心跳周期不同阶段的波形特征，并识别出它们之间随时间的复杂相互关系。由于每个人的心电波形形态各异，并且单导联心电数据的采集场景不同于医疗机构，存在更多的干扰和不确定性，使得现有算法的精确度难以令人满意。

针对背景技术中存在的技术问题，本实施例技术方案可以利用神经网络模型对待检测对象的心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果。最终，根据识别结果确定待检测对象的心律失常情况。从而，可以利用神经网络对各种形态的心电数据进行识别，避免了不同人群心电波形不确定性对检测结果的影响。此外，还可以针对不同类型的心律失常情况进行检测，因此能够大大提高心律失常检测结果的精确度。进而解决了现有技术中存在的由于不同人群的心电波形各异存在不确定性，因此影响心律失常检测算法的精准度的技术问题。

具体地，参考图2所示，在步骤s202中，心电检测的服务器首先获取待检测对象的心电数据。其中获取的方式可以是实时从待检测对象的心电检测设备获取，例如：待检测对象利用单导联的可穿戴心电检测设备检测心电数据，可穿戴设备可以感应待检测对象的心电并上传系统生成心电数据。在这种情况下系统的服务器可以从可穿戴设备实时获取该心电数据。此外，还可以从其他设备处获取待检测对象的心电数据，此处不做具体限定。

进一步地，在步骤s204中，心电检测的服务器通过预先设置的神经网络模型对心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果。例如但不限于预先设置的神经网络模型为残差网络模型，残差网络模型由残差块、池化层、全连接层以及softmax层构成，并且残差块包括卷积层、重整化层(nb)、激活层(relu)以及dropout层。在一个优选的实施例中，神经网络共包含16个残差块，每个残差块中包含2个1维卷积层，卷积核长度为16，数量从32开始，每4层翻倍；每两个残差块的第一个卷积层步长为2，其他均为1；即每经过两个残差块输出张量的长度减半，通道数加倍。相邻的卷积层之间插入重整化(bn)、激活(relu)和dropout层(丢弃率0.2)。直通路径使用最大池化进行降采样，降采样规则与残差块相匹配。最终通过全连接层和softmax层获得分类概率。由于每经过2个残差块数据长度减半，因此心电数据经过完整网络后心律失常类型的识别结果长度为原始数据的1/256，即每256个数据点的片段对应一个识别结果。模型的训练将大量采集自不同年龄、性别和身体状况的个体的心电样本，截取为固定长度(如30秒)的片段，并对每个片段中的心电波形标注出其所属的心律失常类别，或标注为正常或无法识别。图3示例性地示出了部分心电数据对应的识别结果的示意图，参考图3所示，经过该神经网络模型后确定该心电数据的部分片断为正常、房性早搏、正常。

最终，在步骤s206中，根据识别结果，确定待检测对象的心律失常情况。即，确定待检测对象的心电状况，例如：根据图3的识别结果确定该对象的心电状况为房性早搏。

从而通过这种方式，心电检测系统可以利用神经网络模型对待检测对象的心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果。最终，根据识别结果确定待检测对象的心律失常情况。从而，可以利用神经网络对各种形态的心电数据进行识别，避免了不同人群心电波形不确定性对检测结果的影响。此外，还可以针对不同类型的心律失常情况进行检测，因此能够大大提高心律失常检测结果的精确度。进而解决了现有技术中存在的由于不同人群的心电波形各异存在不确定性，因此影响心律失常检测算法的精准度的技术问题。此外，使用经过调优的深度残差网络，自动学习心电数据中上千量级的隐含特征，并避免了单纯增加网络深度导致的过拟合与梯度消失问题，大大丰富了分类识别的可用信息，从而极大增加了识别结果的准确度。

可选地，利用预先设置的神经网络模型对心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果，包括：通过分别用于识别不同类型的心律失常的多个神经网络模型对心电数据进行识别，生成分别用于标识待检测对象的不同心律失常类型的多个识别结果。

具体地，在利用预先设置的神经网络模型对心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果的操作中，可以通过多个神经网络模型对心电数据进行识别，其中不同的神经网络模型用于识别不同类型的心律失常，通过不同的神经网络模型，可以确定多个不同类型的心律失常的识别结果。图4示例性的示出了检测过程的示意图，参考图4所示，采用神经网络a和神经网络b两个神经网络模型进行心电数据的识别检测，其中根据采集数据中异常样本的数量情况，将包含样本量较多的心律失常类型(如房颤、心动过速等)的数据作为a类数据，包含样本量较少的心律失常类型(如房性早搏和室性早搏)的数据作为b类数据。a类和b类数据中没有相同的心律失常类型。利用a类数据对神经网络进行训练得到用于识别房颤、心动过速的异常类型的神经网络a；同理利用b类数据对神经网络进行训练得到用于识别房性早搏和室性早搏的异常类型的神经网络b。并且模型训练使用1-9划分训练集与验证集。本实施例只是示例性的说明了神经网络a和神经网络b，但是在实际应用中不限于上述的两种神经网络模型，还包括用于识别其他类型心律失常状况的神经网络，此处不再赘述。

从而，可以通过多个用于识别不同类型心律失常的神经网络模型，确定心电数据中包含的不同类型异常的多个识别结果。从而，检测的维度更加全面细致，大大提高了心律失常识别检测结果的准确度。并且通过将数量级不同的异常类型的样本数据分为多个组，将数量接近的异常类型的数据作为一组进行训练，避免了数量较少的异常样本被淹没在高出数量级的其他类型异常中而难以识别的情况，进一步提高识别结果的准确度。

可选地，通过分别用于识别不同类型的心律失常的多个神经网络模型对心电数据进行识别，生成分别用于标识待检测对象的不同心律失常类型的多个识别结果，包括：通过多个神经网络模型，分别确定与心电数据对应的多个连续的数据片段；以及通过多个神经网络模型分别对每个连续的数据片段进行识别，生成多个用于标识每个数据片段的异常类型的结果序列作为多个识别结果，其中结果序列的顺序与数据片段的顺序对应。

具体地，在通过分别用于识别不同类型的心律失常的多个神经网络模型对心电数据进行识别，生成分别用于标识待检测对象的不同心律失常类型的多个识别结果的操作中，首先通过多个神经网络模型，分别确定与心电数据对应的多个连续的数据片段。其中，每个神经网络模型首先会确定心电数据中包含的连续的多个片段，图3中示例性地示出了3个连续的完整数据片段，每个神经网络模型输出的数据片段大小相同。进一步地，通过每个神经网络模型对该模型所确定的连续的多个数据片段分别进行识别，确定每个数据片段对应的识别结果，连续的多个数据片段对应的结果序列为神经网络模型确定的识别结果。其中结果序列的顺序与数据片段的顺序对应，参考图3所示，3个连续的完整数据片段对应的结果序列为正常、房性早搏、正常。即模型输入为一段时间的心电信号数据(心电数据)，输出为一个心电类型序列(识别结果序列)，每个值对应心电信号的一个片段，整个序列对应完整的输入数据。从而，可以对心电数据中的每个数据片段进行识别，进一步提升了识别结果的准确性。

可选地，根据识别结果，确定待检测对象的心律失常情况，包括：根据位于每个结果序列中相同位置的数据片段对应的识别结果，确定待检测对象的心律失常情况。

具体地，多个神经网络模型生成多个用于识别不同异常类型的识别结果序列，在根据识别结果，确定待检测对象的心律失常情况操作中，根据位于每个结果序列中相同位置的数据片段对应的识别结果，确定待检测对象的心律失常情况。即，根据每个结果序列中相同位置的数据片段确定待检测对象的心律失常情况。在一个实施例中，神经网络模型a与神经网络模型b生成两个结果序列，两个结果序列中同一位置上两组结果中对应的类型值(即两个结果序列中的数据片段的识别结果)，如果一个以上为无法识别，则该位置被标记为无法识别，即最终确定待检测用户的心律失常状态为无法识别；对同一位置上两组结果中对应的类型值，如果一个为正常，另一个为异常类型(例如：房性早搏)，则标记为该异常类型，最终确定待检测用户的心律失常状态为房性早搏；对同一位置上两组结果中对应的类型值，如果两个结果均为异常，则选择其中一个作为心律失常状态或者将两种异常均作为待检测用户的心律失常状态。

可选地，通过预先设置的神经网络模型对心电数据进行识别之前，还包括：对心电数据进行低通和高通滤波处理。即对原始的心电数据进行预处理操作。从而，可以降低高频干扰和基线漂移的影响，提高检测的精准度。此外，还包括其他的预处理方式，可以避免其他因素对结果的干扰，此处不做具体限定。

可选地，还包括：根据心电数据中包含的特定数据，计算待检测对象的心电的特征值，并且根据识别结果，确定待检测对象的心律失常情况，包括：根据特征值和识别结果，确定待检测对象的心律失常情况。

具体地，参考图4所示，本实施例还包括根据心电数据中包含的特定数据(对应于图中的基础特征数据)，计算待检测对象的心电的特征值，例如：识别(预处理后)心电数据中包含的特定波形，计算心率与rr间期等特征值。进一步地，结合特征值和识别结果，确定待检测对象的心律失常情况。从而，在神经网络模型得到识别结果之后，使用相关的基础特征数据(特征值)进行二次验证，进一步排除误判，提高结果准确度。

此外，参考图1所示，根据本实施例的第二个方面，提供了一种存储介质。所述存储介质包括存储的程序，其中，在所述程序运行时由处理器执行以上任意一项所述的方法。

从而根据本实施例，心电检测系统可以利用神经网络模型对待检测对象的心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果。最终，根据识别结果确定待检测对象的心律失常情况。从而，可以利用神经网络对各种形态的心电数据进行识别，避免了不同人群心电波形不确定性对检测结果的影响。此外，还可以针对不同类型的心律失常情况进行检测，因此能够大大提高心律失常检测结果的精确度。进而解决了现有技术中存在的由于不同人群的心电波形各异存在不确定性，因此影响心律失常检测算法的精准度的技术问题。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，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，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。

实施例2

图5示出了根据本实施例所述的心律失常检测的装置500，该装置500与根据实施例1的第一个方面所述的方法相对应。参考图5所示，该装置500包括：数据获取模块510，用于获取待检测对象的心电数据；识别模块520，用于通过预先设置的神经网络模型对心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果；以及异常确定模块530，用于根据识别结果，确定待检测对象的心律失常情况。

可选地，识别模块520，包括：识别子模块，用于通过分别用于识别不同类型的心律失常的多个神经网络模型对心电数据进行识别，生成分别用于标识待检测对象的不同心律失常类型的多个识别结果。

可选地，识别子模块，包括：数据片段确定单元，用于通过多个神经网络模型，分别确定与心电数据对应的多个连续的数据片段；以及数据片段识别单元，用于通过多个神经网络模型分别对每个连续的数据片段进行识别，生成多个用于标识每个数据片段的异常类型的结果序列作为多个识别结果，其中结果序列的顺序与数据片段的顺序对应。

可选地，异常确定模块530，包括：第一异常确定子模块，用于根据位于每个结果序列中相同位置的数据片段对应的识别结果，确定待检测对象的心律失常情况。

可选地，装置500还包括：预处理模块，用于对心电数据进行低通和高通滤波处理。

可选地，装置500还包括：特征确定模块，用于根据心电数据中包含的特定数据，计算待检测对象的心电的特征值，并且异常确定模块530，包括：第二异常确定子模块，用于根据特征值和识别结果，确定待检测对象的心律失常情况。

可选地，装置500的预先设置的神经网络模型为残差网络模型，残差网络模型由残差块、池化层、全连接层以及softmax层构成，并且残差块包括卷积层、重整化层(nb)、激活层(relu)以及dropout层。

从而根据本实施例，心律失常检测的装置500可以利用神经网络模型对待检测对象的心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果。最终，根据识别结果确定待检测对象的心律失常情况。从而，可以利用神经网络对各种形态的心电数据进行识别，避免了不同人群心电波形不确定性对检测结果的影响。此外，还可以针对不同类型的心律失常情况进行检测，因此能够大大提高心律失常检测结果的精确度。进而解决了现有技术中存在的由于不同人群的心电波形各异存在不确定性，因此影响心律失常检测算法的精准度的技术问题。

实施例3

图6示出了根据本实施例所述的心律失常检测的装置600，该装置600与根据实施例1的第一个方面所述的方法相对应。参考图6所示，该装置600包括：处理器610；以及存储器620，与处理器610连接，用于为处理器610提供处理以下处理步骤的指令：获取待检测对象的心电数据；通过预先设置的神经网络模型对心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果；以及根据识别结果，确定待检测对象的心律失常情况。

可选地，利用预先设置的神经网络模型对心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果，包括：通过分别用于识别不同类型的心律失常的多个神经网络模型对心电数据进行识别，生成分别用于标识待检测对象的不同心律失常类型的多个识别结果。

可选地，通过分别用于识别不同类型的心律失常的多个神经网络模型对心电数据进行识别，生成分别用于标识待检测对象的不同心律失常类型的多个识别结果，包括：通过多个神经网络模型，分别确定与心电数据对应的多个连续的数据片段；以及通过多个神经网络模型分别对每个连续的数据片段进行识别，生成多个用于标识每个数据片段的异常类型的结果序列作为多个识别结果，其中结果序列的顺序与数据片段的顺序对应。

可选地，根据识别结果，确定待检测对象的心律失常情况，包括：根据位于每个结果序列中相同位置的数据片段对应的识别结果，确定待检测对象的心律失常情况。

可选地，存储器620还用于为处理器610提供处理以下处理步骤的指令：通过预先设置的神经网络模型对心电数据进行识别之前，对心电数据进行低通和高通滤波处理。

可选地，存储器620还用于为处理器610提供处理以下处理步骤的指令：根据心电数据中包含的特定数据，计算待检测对象的心电的特征值，并且根据特征值和识别结果，确定待检测对象的心律失常情况。

可选地，预先设置的神经网络模型为残差网络模型，残差网络模型由残差块、池化层、全连接层以及softmax层构成，并且残差块包括卷积层、重整化层(nb)、激活层(relu)以及dropout层。

从而根据本实施例，心律失常检测的装置600可以利用神经网络模型对待检测对象的心电数据进行识别，生成用于标识待检测对象的心律失常类型的识别结果。最终，根据识别结果确定待检测对象的心律失常情况。从而，可以利用神经网络对各种形态的心电数据进行识别，避免了不同人群心电波形不确定性对检测结果的影响。此外，还可以针对不同类型的心律失常情况进行检测，因此能够大大提高心律失常检测结果的精确度。进而解决了现有技术中存在的由于不同人群的心电波形各异存在不确定性，因此影响心律失常检测算法的精准度的技术问题。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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或者该技术方案的全部或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(可为个人计算机、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、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。