一种心室纤颤检测装置及设备的制作方法

1.本发明实施例涉及心电检测技术，尤其涉及一种心室纤颤检测装置及设备。


背景技术：

2.随着社会向老龄化发展，心血管疾病的发病率和危害性不断上升。目前我国的心血管疾病患者数量约为2.6亿，心血管疾病导致死亡的死亡率占城乡居民疾病死亡构成的首位，并且患病人数依然在持续增加。
3.其中，心室纤颤(室颤)是一种对生命威胁较大的心律失常疾病。当发生心室纤颤时，心脏活动表现为快速而不协调的颤动，丧失了有效的收缩能力，在血流动力学上等同于心室停博，其心电波形的表现为一系列快速而波幅高低不一的颤动波。
4.传统的心室纤颤检测方法可以分为三个主要步骤，首先通过多种时频域方法(如傅立叶变换)对信号进行分解、卷积和重构等操作，然后再提取用于表达信号特点的若干个特征，并组成特征向量，最后将特征向量送入分类器进行判别。但是，在实际应用过程中，由于室颤时的心电表现与噪声信号相似，并且人工设计特征的表达能力有限，因此容易将低信噪比的非室颤信号误识别为室颤信号，检测准确率有限。


技术实现要素：

5.本发明提供一种心室纤颤检测装置及设备，以避免将低信噪比的非室颤信号误识别为室颤信号，提高检测准确率。
6.第一方面，本发明实施例提供了一种心室纤颤检测装置，包括：
7.心电信号获取模块，用于获取预设长度的心电信号；
8.全局特征提取模块，用于从所述心电信号中提取表征所述心电信号复杂度的全局特征；
9.片段截取模块，用于从所述心电信号中截取多段第一预设长度的片段；
10.局部特征提取模块，用于从多段所述片段中提取表征多段所述片段的相关性的局部特征；
11.检测结果确定模块，用于基于所述全局特征和所述局部特征确定心室纤颤检测结果。
12.第二方面，本发明实施例还提供了一种计算机设备，包括如本发明第一方面提供的心室纤颤检测装置。
13.本发明实施例提供的心室纤颤检测装置，心电信号获取模块获取心电信号，全局特征提取模块从心电信号中提取表征心电信号复杂度的全局特征，片段截取模块从心电信号中截取多段第一预设长度的片段，局部特征提取模块从多段片段中提取表征多段片段的相关性的局部特征，检测结果确定模块基于全局特征和局部特征确定心室纤颤检测结果。通过将表征心电信号复杂度的全局特征和表征多段片段的相关性的局部特征结合起来进行分析，能够避免将低信噪比的非室颤信号误识别为室颤信号，提高检测准确率。
附图说明
14.图1a为正常心电信号的示意图；
15.图1b为室颤信号的示意图；
16.图1c为低信噪比的非室颤信号；
17.图1d为本发明实施例一提供的心室纤颤检测方法的流程图；
18.图1e为本发明实施例一提供的心室纤颤检测的数据流程图；
19.图2a为本发明实施例二提供的一种心室纤颤检测方法；
20.图2b为本发明实施例提供的一种类u型网络的结构示意图；
21.图2c为本发明实施例提供的一种提取局部特征的流程图；
22.图2d为本发明实施例中多头注意力层的处理示意图；
23.图3为本发明实施例三提供的一种心室纤颤检测装置的结构示意图；
24.图4为本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
25.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
26.实施例一
27.如前文所述，传统的心室纤颤检测方法容易出现将低信噪比的非室颤信号误识别为室颤信号的问题。这是由于整段室颤信号的复杂度均要高于正常时的心电信号，因此传统的心室纤颤检测方法基于信号复杂度的各种特征去检测心室纤颤，例如过零点的样本数量、lz复杂度等。图1a为正常心电信号的示意图，图1b为室颤信号的示意图，图1c为低信噪比的非室颤信号。如图1a所示，正常心电信号(以一个心拍为例)包括多个特征波信号，例如p波、qrs波群和t波，有时候也会有u波。其中p波表示了心房收缩的电活动，qrs波和t表示了心室收缩的电活动。如图1b所示，室颤信号表现为一系列快速而波幅高低不一的颤动波，其复杂度明显高于正常的心电信号。如图1c所示，低信噪比的非室颤信号的复杂度同样高于正常的心电信号。由于低信噪比的非室颤信号的复杂度同样高于正常的心电信号，因此，容易导致低信噪比的非室颤信号被误识别为室颤信号。
28.针对上述问题，本发明实施例提供了一种心室纤颤检测方法，结合心电信号的全局特征和多段片段的局部特征进行分析，避免低信噪比时的非室颤信号被误识别为室颤信号，以提高检测准确率。图1d为本发明实施例一提供的心室纤颤检测方法的流程图，图1e为本发明实施例一提供的心室纤颤检测的数据流程图，本实施例可适用于传统的心室纤颤检测容易出现低信噪比的非室颤信号被误识别为室颤信号的情况，该方法可以由本发明实施例提供的心室纤颤检测装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于计算机设备中，如图1d和图1e所示，该方法包括如下步骤：
29.s101、获取心电信号。
30.具体的，心脏在搏动前后，心肌细胞发生激动。在心肌细胞在极化和复极化过程中，会产生微弱的生物电流。这样，心脏的每一个心动周期均伴随着生物电变化。这种生物电变化可传达到身体表面的各个部位。由于身体各部分组织不同，距心脏的距离不同，心电
信号在身体不同的部位所表现出的电位也不同。对正常心脏来说，这种生物电变化的方向、频率、强度是有规律的。若通过电极将体表不同部位的电信号检测出来，再用放大器加以放大，并用记录器描记下来，就可得到心电图(electrocardiogram，ecg)。
31.心电图是心脏在每个心动周期中，由起搏点、心房、心室相继兴奋，伴随着生物电的变化，通过心电描记器从体表引出多种形式的电位变化的图形。由于正常心脏的每次跳动是有规律的，因此心电图中的波形图也是有规律的。心电图中可以完整代表心脏一次心动周期的波形图被称为一个心拍信号，如图1a所示。一个正常的心拍信号的长度约为0.6秒，一个ecg记录通常包含上十万个心拍信号，在本发明实施例中，从ecg记录截取一段信号作为心电信号。示例性的，为了保证截取的心电信号至少包括一个完整的心拍信号，截取的心电信号的长度为至少2秒以上，具体的，在本发明实施例中，截取的心电信号的长度为4秒。
32.s102、从心电信号中提取表征心电信号复杂度的全局特征。
33.本发明实施例中，采用深度神经网络对心电信号进行特征提取，提取表征心电信号复杂度的全局特征。其中，全局特征包括用于表征心电信号的复杂度，例如过零点的样本数量、lz复杂度等，本发明实施例在此不做限定。
34.s103、从心电信号中截取多段第一预设长度的片段。
35.在本发明实施例中，在得到心电信号之后，从心电信号中截取多段第一预设长度的片段。在临床经验中，出现心室纤颤时，颤动波的波长约为0.2秒左右，因此，在本发明实施例中，截取的片段的长度可为0.256秒。
36.s104、从多段片段中提取表征多段片段的相关性的局部特征。
37.在本发明实施例中，对截取的多段片段进行相关性挖掘，从多段片段中提取表征多段片段的相关性的局部特征。
38.虽然室颤信号和低信噪比的非室颤信号表现特点都是一系列幅值不一，且复杂度较高的心电波，但是从局部片段来看，室颤信号中各片段的相关性明显高于低信噪比的非室颤信号中各片段的相关性。
39.s105、基于全局特征和局部特征确定心室纤颤检测结果。
40.在本发明实施例中，基于表征心电信号复杂度的全局特征和表征多段片段的相关性的局部特征确定心室纤颤检测结果。示例性的，可以将全局特征和局部特征进行拼接(concatenate)，增加特征维度，然后将拼接后的特征映射至心室纤颤类型标记空间(标记空间包括两种标签，即心室纤颤和非心室纤颤)，得到特征向量，并对特征向量归一化处理，得到心电信号为心室纤颤的概率值和心电信号为非心室纤颤的概率值。示例性的，若心电信号为心室纤颤的概率值大于心电信号为非心室纤颤的概率值，则认为心电信号存在心室纤颤。
41.虽然室颤信号和低信噪比的非室颤信号表现特点都是一系列幅值不一，且复杂度较高的心电波，但是从局部片段来看，室颤信号中各片段的相关性明显高于低信噪比的非室颤信号中各片段的相关性。通过将表征心电信号复杂度的全局特征和表征多段片段的相关性的局部特征结合起来进行分析，能够避免将低信噪比的非室颤信号误识别为室颤信号，提高检测准确率。
42.本发明实施例提供的心室纤颤检测方法，从获取的心电信号中提取表征心电信号
复杂度的全局特征，从心电信号中截取多段第一预设长度的片段，从多段片段中提取表征多段片段的相关性的局部特征，基于全局特征和局部特征确定心室纤颤检测结果。通过将表征心电信号复杂度的全局特征和表征多段片段的相关性的局部特征结合起来进行分析，能够避免将低信噪比的非室颤信号误识别为室颤信号，提高检测准确率。
43.实施例二
44.图2a为本发明实施例二提供的一种心室纤颤检测方法，本实施例在上述实施例一的基础上进行细化，详细描述了上述实施例中各步骤的详细过程，如图2a所示，该方法包括：
45.s201、获取心电信号。
46.示例性的，在本发明实施例中，为了保证截取的心电信号至少包括一个完整的心拍信号，从ecg记录中截取的心电信号的长度为4秒。
47.在本发明的一些实施例，为了提高心电信号的质量，可以对从ecg记录中截取的信号(后续中为了方便区分，我们称之为原始心电信号)进行预处理，得到我们想要的心电信号。
48.示例性的，预处理过程如下：
49.1、获取原始心电信号。
50.具体的，从ecg记录中截取一定长度的信号作为原始信号，示例性的，原始心电信号的长度可以是10秒。
51.2、基于预设的采样率对原始心电信号进行重采样，得到重采样信号。
52.具体的，对原始心电信号进行重采样，示例性的，在本发明实施例中，重采样的采样率为250hz，即在1秒内对原始心电信号采样250次，1秒采集250个采样点，如此，得到重采样信号。
53.3、将重采样信号进行滤波降噪处理，得到频率在0.5hz-35hz的滤波信号。
54.对重采样信号进行滤波降噪处理，滤除重采样信号中的基线漂移和高频噪声信号。示例性的，在本发明实施例中，将重采样信号输入通过频率为0.5hz-35hz的带通滤波器，带通滤波器滤除低于0.5hz的基线漂移和高于35hz的高频噪声，得到频率在0.5hz-35hz的滤波信号。
55.4、对滤波信号进行标准化处理，得到标准化信号。
56.为了加快后续网络模型处理过程中梯度下降求最优解的速度，通常需要对数据进行标准化处理，将数据按照比例缩放，使之落入一个特定的区间。在本发明实施例中，对实现标准化的具体方法不做限定。示例性的，在一具体实施例中，可以采用z-score标准化将滤波信号处理成“零均值，一标准差”的标准化信号，z-score的具体公式如下所示：
[0057][0058]
其中，x为滤波信号中的采样点的信号强度，μ为滤波信号的强度的均值，σ为滤波信号的强度标准差。
[0059]
5、从标准化信号中截取第二预设长度的信号作为心电信号。
[0060]
从上述得到标准化信号中截取第二预设长度的信号作为心电信号。示例性的，在本发明实施例中，为了保证截取的心电信号至少包括一个完整的心拍信号，从标准化信号
中截取的心电信号的长度为4秒。按照250hz的重采样率，截取的心电信号包含1000个采样点。
[0061]
s202、从心电信号提取多种不同尺度的特征。
[0062]
尺度可以通过地图的比例尺来理解，如果以100米为单位进行观测，地图中某一区域为平坦的区域，如果以5米为单位进行观测，则该区域出现一个较大的凹陷，而这个凹陷在以100米为单位进行观测时是看不见的。尺度空间理论认为是被平滑掉了，所以以100米为单位进行观测时是看不见。即低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。在本发明实施例中，从心电信号提取多种不同尺度的特征，即包括高层特征，也包括低层特征，兼顾了细节信息和语义信息。
[0063]
s203、融合多种不同尺度的特征，得到全局特征。
[0064]
将上述得到的多种不同尺度的特征进行特征融合，得到融合后的全局特征。融合后的全局特征兼顾了细节信息和语义信息，有利于提高心室纤颤检测的准确率。
[0065]
在本发明一实施例中，可以采用特征金字塔网络或类u型网络实现上述多种尺度的特征提取和融合过程。示例性的，在一具体实施例中，采用类u型网络实现多种尺度的特征提取和融合，图2b为本发明实施例提供的一种类u型网络的结构示意图，如图2b所示，多种尺度的特征提取和融合过程如下：
[0066]
1、将心电信号输入一个卷积块中进行处理，得到第一特征。示例性的，如图2b所示，该卷积块依次包括卷积层、归一化层和激活层。其中，卷积层的通道数为16，卷积核的大小为19个采样点，填充尺寸为9个采样点，卷积步长为1个采样点。其中，卷积核的大小(k)和填充尺寸(p)满足(k-1)/2＝p，以确保卷积前后的心电信号的长度一致。卷积层对输入的心电信号进行卷积处理，提取出表征心电信号特征属性的特征，然后经归一化层归一化处理，将卷积层输出的特征归一化，最后，输入激活层，由激活层中的relu函数进行激活，得到第一特征。具体的，relu函数的表达式为：
[0067]
f(x)＝max(0,x)
[0068]
当输入为负数时，则完全不激活，relu函数死掉。relu函数输出要么是0，要么是正数。relu函数可以克服梯度消失的问题，加快训练速度。需要说明的是，在本发明的其他实施例中，激活层中的激活函数也可以是其他激活函数，例如，sigmoid函数或tanh函数，本发明实施例在此不做限定。
[0069]
2、将第一特征输入第一残差块中进行处理，得到与心电信号长度相同的第一尺度特征。
[0070]
具体的，通过第一残差块对第一特征进行挖掘，得到与心电信号长度相同的第一尺度特征。示例性的，如图2b所示，在本发明实施例中，第一残差块包括卷积层1、归一化层1、激活层1、卷积层2、归一化层2和激活层2。卷积层1和卷积层2的卷积核长度均为19个样本点，卷积步长均为1个样本点，填充尺寸(p)为9个样本点，通道数为16。其中，其中，卷积核的长度(k)和填充尺寸(p)满足(k-1)/2＝p，以确保卷积前后的特征的长度一致。卷积层1对输入的第一特征进行卷积处理，并将结果输出给归一化层1，经归一化层1对卷积层1输出的结果进行归一化处理，并将结果输入激活层1，由激活层1中的relu函数进行激活，卷积层2对激活层1输出的结果进行卷积处理，并将结果输出给归一化层2，经归一化层2对卷积层2输
出的结果进行归一化处理，并与第一残差块的输入(即第一特征)相加后，输入激活层2，由激活层2中的relu函数进行激活，得到与心电信号长度相同的第一尺度特征。
[0071]
3、对第一尺度特征进行下采样处理，得到长度为心电信号的0.5倍的第二特征。
[0072]
示例性的，在本发明实施例中，将第一尺度特征输入第一下采样层中进行下采样处理，得到长度为心电信号0.5倍的第二特征。例如，心电信号的长度为4s，经卷积块和第一残差块处理后，其长度不变，仍然是4s，经第一下采样层下采样处理后，得到的第二特征的长度为2s，长度变为心电信号一半。示例性的，下采样的具体方式可以包括随机取样、卷积、池化等，本发明实施例在此不做限定。
[0073]
4、将第二特征输入第二残差块中进行处理，得到长度为心电信号的0.5倍的第二尺度特征。
[0074]
具体的，通过第二残差块对第二特征进行挖掘，得到长度为心电信号的0.5倍的第二尺度特征。示例性的，将第二特征输入第二残差块中进行处理，得到第二尺度特征。示例性的，第二残差块的结构与第一残差块的结构类似，不同的是，第二残差块中，卷积层的通道数为32，通过增加通道数，增加特征的维度，进而使得提取到的特征具有更强的语义信息。具体的，第二残差块的处理过程可以参考第一残差块的处理过程，本发明实施例在此不再赘述。
[0075]
5、对第二尺度特征进行下采样处理，得到长度为心电信号的0.25倍的第三特征。
[0076]
示例性的，在本发明实施例中，将第二尺度特征输入第二下采样层中进行下采样处理，得到长度为心电信号0.25倍的第三特征。例如，经过两次下采样处理后，得到的第三特征的长度为1s，为心电信号0.25倍。示例性的，下采样的具体方式可以包括随机取样、卷积、池化等，本发明实施例在此不做限定。
[0077]
6、将第三特征输入第三残差块中进行处理，得到长度为心电信号的0.25倍的第三尺度特征。
[0078]
具体的，通过第三残差块对第三特征进行挖掘，得到长度为心电信号的0.25倍的第二尺度特征。将第三特征输入第三残差块中进行处理，得到第三尺度特征。示例性的，第三残差块的结构与第一残差块的结构类似，不同的是，第三残差块中，卷积层的通道数为64，通过增加通道数，增加特征的维度，进而使得提取到的特征具有更强的语义信息。具体的，第三残差块的处理过程可以参考第一残差块的处理过程，本发明实施例在此不再赘述。
[0079]
7、对第三尺度特征进行下采样处理，得到长度为心电信号的0.125倍的第四特征。
[0080]
示例性的，在本发明实施例中，将第三尺度特征输入第三下采样层中进行下采样处理，得到长度为心电信号0.125倍的第四特征。例如，经过三次下采样处理后，得到的第四特征的长度为0.5s，为心电信号0.125倍。示例性的，下采样的具体方式可以包括随机取样、卷积、池化等，本发明实施例在此不做限定。
[0081]
8、将第四特征输入第四残差块中进行处理，得到长度为心电信号的0.125倍的第四尺度特征。
[0082]
具体的，通过第四残差块对第四特征进行挖掘，得到长度为心电信号的0.125倍的第四尺度特征。示例性的，将第四特征输入第四残差块中进行处理，得到第四尺度特征。示例性的，第四残差块的结构与第一残差块的结构类似，不同的是，第四残差块中，卷积层的通道数为128，通过增加通道数，增加特征的维度，进而使得提取到的特征具有更强的语义
信息。具体的，第四残差块的处理过程可以参考第一残差块的处理过程，本发明实施例在此不再赘述。
[0083]
9、对第四尺度特征进行卷积处理，得到第五特征。
[0084]
示例性的，将第四尺度特征输入第一卷积层中进行卷积处理，得到第五特征。在本发明实施例中，第一卷积层的卷积核的大小为1个样本点，卷积步长均为1个样本点，填充尺寸为零，通道数为64。第五特征的长度为心电信号的0.125倍。
[0085]
10、对第五特征进行上采样处理，得到长度为心电信号的0.25倍的第一上采样特征。
[0086]
示例性的，将第五特征输入第一上采样层中进行上采样处理，得到长度为心电信号的0.25倍的第一上采样特征。示例性的，上采样的具体方式可以包括线性插值、转置卷积(也可以称之为反卷积、分数步长卷积)、池化等，本发明实施例在此不做限定。
[0087]
11、将第一上采样特征与第三尺度特征对应元素相加，得到第六特征。
[0088]
第一上采样特征与第三尺度特征的长度相同，将第一上采样特征与第三尺度特征对应元素相加，得到第六特征。
[0089]
12、对第六特征进行卷积处理，得到第七特征。
[0090]
示例性的，将第六特征输入第二卷积层中进行卷积处理，得到第七特征。在本发明实施例中，第二卷积层的卷积核的大小为1个样本点，卷积步长均为1个样本点，填充尺寸为零，通道数为32。第七特征的长度为心电信号的0.25倍。
[0091]
13、对第七特征进行上采样处理，得到长度为心电信号的0.5倍的第二上采样特征。
[0092]
示例性的，将第七特征输入第二上采样层中进行上采样处理，得到长度为心电信号的0.5倍的第二上采样特征。示例性的，上采样的具体方式可以包括线性插值、转置卷积(也可以称之为反卷积、分数步长卷积)、池化等，本发明实施例在此不做限定。
[0093]
14、将第二上采样特征与第二尺度特征对应元素相加，得到第八特征。
[0094]
第二上采样特征与第二尺度特征的长度相同，将第二上采样特征与第二尺度特征对应元素相加，得到第八特征。
[0095]
15、对第八特征进行卷积处理，得到第九特征。
[0096]
示例性的，将第八特征输入第三卷积层中进行卷积处理，得到第九特征。在本发明实施例中，第三卷积层的卷积核的大小为1个样本点，卷积步长均为1个样本点，填充尺寸为零，通道数为16。第九特征的长度为心电信号的0.5倍。
[0097]
16、对第九特征进行上采样处理，得到与心电信号长度相同的第三上采样特征。
[0098]
示例性的，将第九特征输入第三上采样层中进行上采样处理，得到与心电信号长度相同的第三上采样特征。示例性的，上采样的具体方式可以包括线性插值、转置卷积(也可以称之为反卷积、分数步长卷积)、池化等，本发明实施例在此不做限定。
[0099]
17、将第三上采样特征与第一尺度特征对应元素相加，得到第十特征。
[0100]
第三上采样特征与第一尺度特征的长度相同，将第三上采样特征与第一尺度特征对应元素相加，得到第十特征。
[0101]
18、对第十特征进行池化处理，得到全局特征。
[0102]
示例性的，将第十特征输入池化层中进行全局平均池化处理，得到全局特征f1。
[0103]
s204、以心电信号的第一个采样点为基准点，每隔预设数量的采样点选取一个采样点作为目标点。
[0104]
示例性的，在本发明实施例中，如前文所述，心电信号为一段包含1000个采样点的信号。以心电信号的第一个采样点为基准点，每隔预设数量的采样点选取一个采样点作为目标点。示例性的，从第一个采样点开始，每50个采样点选取一个采样点作为目标点，即选取第50、第100、第150
…
个采样点作为目标点。
[0105]
s205、以目标点为中心，截取预设长度的片段。
[0106]
以各目标点为中心，截取预设长度的片段。在临床经验中，出现心室纤颤时，颤动波的波长约为0.2秒左右。在本发明实施例中，按照250hz的采样率，为了计算的方便，预设长度的片段为以目标点为中心的64个采样点，即0.256秒。
[0107]
s206、将多段片段输入预置的transformer模型的编码器中进行处理，得到特征矩阵。
[0108]
在本发明实施例中，通过transformer模型的编码器对多段片段的相关性进行挖掘，得到表征多段片段的相关性的局部特征。transformer模型通常用于自然语言处理中。在本发明实施例中，由于待处理的心电信号的片段，不包含单词，且片段的位置信息与任务无关，因此，取消了词嵌入(word embedding)和位置嵌入(position embedding)。
[0109]
图2c为本发明实施例提供的一种提取局部特征的流程图，如图2c所示，transformer模型的编码器包括依次堆叠的m个编码块，m为大于或等于2的正整数。示例性的，在本发明实施例中m＝6。transformer模型的编码器的处理过程为：
[0110]
将多段片段(每个片段包含64个采样点)作为第一个编码块的输入矩阵输入第一个编码块中进行处理。将前一编码块的输出矩阵作为后一个编码块的输入矩阵，以此类推，直至得到最后一个编码块的输出矩阵作为特征矩阵。
[0111]
其中，每一编码块包括依次堆叠的多头注意力层、第一归一化层、多层感知器和第二归一化层，每一编码块基于多头注意力机制对输入矩阵进行处理，处理过程为：
[0112]
1、将输入矩阵e输入多头注意力层中进行处理，得到注意力矩阵。
[0113]
图2d为本发明实施例中多头注意力层的处理示意图，如图2d所示，具体的，多头注意力层的处理过程如下：
[0114]
首先，采用三个不同的线性变换系数对输入矩阵e做三次线性变换，分别得到矩阵q、矩阵k和矩阵v。
[0115]
q＝ew
iq
[0116]
k＝ew
ik
[0117]
v＝ew
iv
[0118]
其中，w
iq
为第i个编码块中多头注意力层的矩阵q的线性变换系数。
[0119]
接着，将矩阵q、矩阵k和矩阵v分别进行m次线性变换，得到矩阵qh、矩阵kh和矩阵vh，其中，h∈m，m为多头注意力层的注意力头数。示例性的，以m＝2为例，对本发明中多头注意力层的处理过程作示例性说明。
[0120]
接着，计算矩阵qh与矩阵kh点乘，得到第一子矩阵ah，并计算第一子矩阵ah与矩阵kh的维数的平方根的商，得到第二子矩阵bh。然后，对第二子矩阵bh进行归一化处理，得到第三子矩阵。接着，计算第三子矩阵与矩阵vh的点乘，得到第四子矩阵(即headh)。
[0121][0122]
其中，为矩阵qh与矩阵kh的点乘，为kh的转置矩阵，dk为矩阵kh的维数，softmax为归一化处理。
[0123]
最后，将m个第四子矩阵进行拼接，得到第一拼接矩阵b，并对第一拼接矩阵b进行线性变换，得到注意力矩阵m。
[0124]
m＝multihead(q,k,v)＝concat(head1,
…
,headm)w0[0125]
其中，concat为矩阵拼接，w0为对第一拼接矩阵b进行线性变换的线性变换系数。
[0126]
2、将注意力矩阵与编码块的输入矩阵进行加和，得到第一融合矩阵。
[0127]
将注意力矩阵m与多头注意力层的输入矩阵e进行残差连接，即将矩阵m输入矩阵e相加，得到第一融合矩阵m1。
[0128]
3、对第一融合矩阵进行层归一化处理，得到归一化矩阵。
[0129]
具体的，在本发明实施例中，为了加快网络的收敛速度，可以对第一融合矩阵m1进行层归一化处理，得到归一化矩阵m2。层归一化过程为：
[0130][0131]
其中，mi代表对第一融合矩阵的每一行进行归一化，u
l
和σ
l
分别表示每个样本的均值和方差，α和β代表缩放和平移的参数向量，ε为偏置参数，避免分母为零，对每一行归一化后得到归一化矩阵。
[0132]
4、将归一化矩阵进行非线性变换，得到变换矩阵。
[0133]
接着，将归一化矩阵m2输入一个多层感知器中进行处理，多层感知器为两个全连接层，全连接层对归一化矩阵m2进行非线性变换，得到变换矩阵m3。具体的，多层感知器的处理过程如下式所示：
[0134]
m3＝ffn(m2)＝max(0，m2w1+b1)w2+b2[0135]
具体的，多层感知器首先对矩阵m2做一次非线性变换，变换参数为(w1,b1)，得到矩阵m2w1+b1，接着采用非线性激活函数max(0,a)对m2w1+b1进行非线性激活，接着对非线性激活得到的矩阵再次做非线性变换，变换参数为(w2,b2)。
[0136]
5、将变换矩阵与归一化矩阵进行加和，得到第二融合矩阵。
[0137]
具体的，将变换矩阵与归一化矩阵对应元素相加，得到第二融合矩阵m4。
[0138]
6、对第二融合矩阵进行层归一化处理，得到编码块的输出矩阵。
[0139]
示例性的，将第二融合矩阵输入第二归一化层中进行层归一化处理，得到编码块的输出矩阵。第二归一化层中的层归一化过程可以参考第一归一化层的层归一化过程，本发明实施例在此不再赘述。
[0140]
s207、对特征矩阵进行池化处理，得到池化矩阵。
[0141]
如图2c所示，将上述transformer模型的编码器输出的特征矩阵输入一池化层中进行处理，池化层对特征矩阵进行全局平均池化处理，得到池化矩阵f。
[0142]
s208、将池化矩阵映射为局部特征。
[0143]
如图2c所示，将池化矩阵输入全连接层中，全连接层将池化矩阵映射为局部特征
f2。
[0144]
s209、将全局特征与局部特征进行特征拼接，得到拼接特征。
[0145]
具体的，将全局特征f1与局部特征f2在维度空间上进行特征拼接，得到拼接特征，拼接特征的维度为全局特征f1与局部特征f2的维度之和。
[0146]
s210、将拼接特征映射至心室纤颤类型标记空间，得到特征向量。
[0147]
具体的，将拼接特征输入全连接层中，全连接层将拼接特征映射至心室纤颤类型标记空间(标记空间包括两种标签，即心室纤颤和非心室纤颤)，得到特征向量。在本发明实施例中，特征向量为一个2维向量。
[0148]
s211、对特征向量进行归一化处理，得到心电信号为心室纤颤的概率值和心电信号为非心室纤颤的概率值。
[0149]
示例性的，采用softmax函数对上述特征向量进行归一化处理，得到心电信号为心室纤颤的概率值和心电信号为非心室纤颤的概率值。示例性的，若心电信号为心室纤颤的概率值大于心电信号为非心室纤颤的概率值，则认为心电信号存在心室纤颤。
[0150]
本发明实施例提供的心室纤颤检测方法，从获取的心电信号中提取表征心电信号复杂度的全局特征，从心电信号中截取多段第一预设长度的片段，从多段片段中提取表征多段片段的相关性的局部特征，基于全局特征和局部特征确定心室纤颤检测结果。通过将表征心电信号复杂度的全局特征和表征多段片段的相关性的局部特征结合起来进行分析，能够避免将低信噪比的非室颤信号误识别为室颤信号，提高检测准确率。此外，通过融合多种不同尺度的特征，得到全局特征，兼顾了细节信息和语义信息，有利于提高心室纤颤检测的准确率。基于多头注意力机制挖掘多段片段的局部特征，使模型更关注心电信号各片段之间的相关性。
[0151]
实施例三
[0152]
图3为本发明实施例三提供的一种心室纤颤检测装置的结构示意图，如图3所示，该装置包括：
[0153]
心电信号获取模块301，用于获取心电信号。
[0154]
示例性的，为了保证截取的心电信号至少包括一个完整的心拍信号，心电信号获取模块301截取的心电信号的长度为至少2秒以上，具体的，在本发明实施例中，心电信号获取模块301截取的心电信号的长度为4秒。
[0155]
全局特征提取模块302，用于从心电信号中提取表征心电信号复杂度的全局特征。
[0156]
本发明实施例中，全局特征提取模块302采用深度神经网络对心电信号进行特征提取，提取表征心电信号复杂度的全局特征。其中，全局特征包括用于表征心电信号的复杂度，例如过零点的样本数量、lz复杂度等，本发明实施例在此不做限定。
[0157]
片段截取模块303，用于从心电信号中截取多段第一预设长度的片段。
[0158]
在本发明实施例中，在得到心电信号之后，片段截取模块303从心电信号中截取多段第一预设长度的片段。在临床经验中，出现心室纤颤时，颤动波的波长约为0.2秒。为了计算的方便，在本发明实施例中，截取的片段的长度设定为0.256秒(64个采样点)。
[0159]
局部特征提取模块304，用于从多段片段中提取表征多段片段的相关性的局部特征。
[0160]
在本发明实施例中，局部特征提取模块304对截取的多段片段进行相关性挖掘，从
多段片段中提取表征多段片段的相关性的局部特征。
[0161]
虽然室颤信号和低信噪比的非室颤信号表现特点都是一系列幅值不一，且复杂度较高的心电波，但是从局部片段来看，室颤信号中各片段的相关性明显高于低信噪比的非室颤信号中各片段的相关性。
[0162]
检测结果确定模块305，用于基于全局特征和局部特征确定心室纤颤检测结果。
[0163]
在本发明实施例中，检测结果确定模块305基于表征心电信号复杂度的全局特征和表征多段片段的相关性的局部特征确定心室纤颤检测结果。示例性的，检测结果确定模块305可以将全局特征和局部特征进行拼接，增加特征维度，然后将拼接后的特征映射至心室纤颤类型标记空间(标记空间包括两种标签，即心室纤颤和非心室纤颤)，得到特征向量，并对特征向量归一化处理，得到心电信号为心室纤颤的概率值和心电信号为非心室纤颤的概率值。示例性的，若心电信号为心室纤颤的概率值大于心电信号为非心室纤颤的概率值，则认为心电信号存在心室纤颤。
[0164]
虽然室颤信号和低信噪比的非室颤信号表现特点都是一系列幅值不一，且复杂度较高的心电波，但是从局部片段来看，室颤信号中各片段的相关性明显高于低信噪比的非室颤信号中各片段的相关性。通过将表征心电信号复杂度的全局特征和表征多段片段的相关性的局部特征结合起来进行分析，能够避免将低信噪比的非室颤信号误识别为室颤信号，提高检测准确率。
[0165]
本发明实施例提供的心室纤颤检测装置，心电信号获取模块获取心电信号，全局特征提取模块从心电信号中提取表征心电信号复杂度的全局特征，片段截取模块从心电信号中截取多段第一预设长度的片段，局部特征提取模块从多段片段中提取表征多段片段的相关性的局部特征，检测结果确定模块基于全局特征和局部特征确定心室纤颤检测结果。通过将表征心电信号复杂度的全局特征和表征多段片段的相关性的局部特征结合起来进行分析，能够避免将低信噪比的非室颤信号误识别为室颤信号，提高检测准确率。
[0166]
在本发明的一些实施例中，心电信号获取模块301包括：
[0167]
原始信号获取子模块，用于获取原始心电信号。具体的，原始信号获取子模块从ecg记录中截取一定长度的信号作为原始信号，示例性的，原始心电信号的长度可以是10秒。
[0168]
重采样子模块，用于基于预设的采样率对原始心电信号进行重采样，得到重采样信号。具体的，重采样子模块的采样率为250hz，即在1秒内对原始心电信号采样250次，1秒采集250个采样点，如此，得到重采样信号。
[0169]
滤波子模块，用于将重采样信号进行滤波降噪处理，得到频率在0.5hz-35hz的滤波信号。具体的，滤波子模块对重采样信号进行滤波降噪处理，滤除重采样信号中的基线漂移和高频噪声信号。示例性的，在本发明实施例中，将重采样信号输入通过频率为0.5hz-35hz的带通滤波器，带通滤波器滤除低于0.5hz的基线漂移和高于35hz的高频噪声，得到频率在0.5hz-35hz的滤波信号。
[0170]
标准化处理子模块，用于对滤波信号进行标准化处理，得到标准化信号。为了加快后续网络模型处理过程中梯度下降求最优解的速度，通常需要对数据进行标准化处理，将数据按照比例缩放，使之落入一个特定的区间。在本发明实施例中，对实现标准化的具体方法不做限定。示例性的，在一具体实施例中，标准化处理子模块可以采用z-score标准化将
滤波信号处理成“零均值，一方差”的标准化信号，z-score的具体公式如下所示：
[0171][0172]
其中，x为滤波信号中的采样点的信号强度，μ为滤波信号的强度的均值，σ为滤波信号的强度标准差。
[0173]
心电信号截取子模块，用于从标准化信号中截取第二预设长度的信号作为心电信号。示例性的，在本发明实施例中，为了保证截取的心电信号至少包括一个完整的心拍信号，心电信号截取子模块从标准化信号中截取的心电信号的长度为4秒。按照250hz的重采样率，截取的心电信号包含1000个采样点。
[0174]
在本发明的一些实施例中，全局特征提取模块302包括：
[0175]
特征提取子模块，用于从心电信号提取多种不同尺度的特征。在本发明实施例中，特征提取子模块从心电信号提取多种不同尺度的特征，即包括高层特征，也包括低层特征，兼顾了细节信息和语义信息。
[0176]
特征融合子模块，用于融合多种不同尺度的特征，得到全局特征。特征融合子模块将上述得到的多种不同尺度的特征进行特征融合，得到融合后的全局特征。融合后的全局特征兼顾了细节信息和语义信息，有利于提高心室纤颤检测的准确率。
[0177]
在本发明的一些实施例中，所述特征提取子模块包括：
[0178]
第一特征获取单元，用于将心电信号输入卷积块中进行处理，得到第一特征。具体的，卷积块对心电信号的处理过程在前述实施例中有详细记载，本发明实施例在此不再赘述。
[0179]
第一尺度特征获取单元，用于将第一特征输入第一残差块中进行处理，得到与心电信号长度相同的第一尺度特征。具体的，第一残差块对第一特征的处理过程在前述实施例中有详细记载，本发明实施例在此不再赘述。
[0180]
第二特征获取单元，用于对第一尺度特征进行下采样处理，得到长度为心电信号的0.5倍的第二特征。
[0181]
第二尺度特征获取单元，用于将第二特征输入第二残差块中进行处理，得到长度为心电信号的0.5倍的第二尺度特征。具体的，第二残差块对第二特征的处理过程在前述实施例中有详细记载，本发明实施例在此不再赘述。
[0182]
第三特征获取单元，用于对第二尺度特征进行下采样处理，得到长度为心电信号的0.25倍的第三特征。
[0183]
第三尺度特征获取单元，用于将第三特征输入第三残差块中进行处理，得到长度为心电信号的0.25倍的第三尺度特征。具体的，第三残差块对第三特征的处理过程在前述实施例中有详细记载，本发明实施例在此不再赘述。
[0184]
第四特征获取单元，用于对第三尺度特征进行下采样处理，得到长度为心电信号的0.125倍的第四特征。
[0185]
第四尺度特征获取单元，用于将第四特征输入第四残差块中进行处理，得到长度为心电信号的0.125倍的第四尺度特征。具体的，第四残差块对第四特征的处理过程在前述实施例中有详细记载，本发明实施例在此不再赘述。
[0186]
在本发明的一些实施例中，特征融合子模块包括：
[0187]
第五特征获取单元，用于对第四尺度特征进行卷积处理，得到第五特征。具体的，对第一尺度特征的卷积处理过程在前述实施例中已有详细记载，本发明实施例在此不再赘述。
[0188]
第一上采样特征获取单元，用于对第五特征进行上采样处理，得到长度为心电信号的0.25倍的第一上采样特征。
[0189]
第六特征获取单元，用于将第一上采样特征与第三尺度特征对应元素相加，得到第六特征。
[0190]
第七特征获取单元，用于对第六特征进行卷积处理，得到第七特征。具体的，对第六特征的卷积处理过程在前述实施例中已有详细记载，本发明实施例在此不再赘述。
[0191]
第二上采样特征获取单元，用于对第七特征进行上采样处理，得到长度为心电信号的0.5倍的第二上采样特征。
[0192]
第八特征获取单元，用于将第二上采样特征与第二尺度特征对应元素相加，得到第八特征。
[0193]
第九特征获取单元，用于对第八特征进行卷积处理，得到第九特征。具体的，对第八特征的卷积处理过程在前述实施例中已有详细记载，本发明实施例在此不再赘述。
[0194]
第三上采样特征获取单元，用于对第九特征进行上采样处理，得到与心电信号长度相同的第三上采样特征。
[0195]
第十特征获取单元，用于将第三上采样特征与第一尺度特征对应元素相加，得到第十特征。
[0196]
池化处理单元，用于对第十特征进行池化处理，得到全局特征。
[0197]
在本发明的一些实施例中，心电信号有若干采样点构成，片段截取模块303包括：
[0198]
目标点选取子模块，用于以心电信号的第一个采样点为基准点，每隔预设数量的采样点选取一个采样点作为目标点。示例性的，在本发明实施例中，如前文所述，心电信号为一段包含1000个采样点的信号。目标点选取子模块以心电信号的第一个采样点为基准点，每隔预设数量的采样点选取一个采样点作为目标点。示例性的，从第一个采样点开始，每50个采样点选取一个采样点作为目标点，即选取第50、第100、第150
…
个采样点作为目标点。
[0199]
片段截取子模块，用于以目标点为中心，截取预设长度的片段。片段截取子模块以各目标点为中心，截取预设长度的片段。在临床经验中，出现心室纤颤时，颤动波的波长约为0.2秒，为了计算的方便，在本发明实施例中，截取的片段的长度设定为0.256秒(即64个采样点)。
[0200]
在本发明的一些实施例中，局部特征提取模块304包括：
[0201]
特征矩阵获取子模块，用于将多段片段输入预置的transformer模型的编码器中进行处理，得到特征矩阵。
[0202]
池化处理子模块，用于对特征矩阵进行池化处理，得到池化矩阵。将上述transformer模型的编码器输出的特征矩阵输入池化处理子模块中进行处理，池化处理子模块对特征矩阵进行全局平均池化处理，得到池化矩阵。
[0203]
第一映射子模块，用于将池化矩阵映射为局部特征。第一映射子模块包括全连接层，全连接层将池化矩阵映射为局部特征。
[0204]
在本发明的一些实施例中，所述transformer模型的编码器包括依次堆叠的m个编码块，m为大于或等于2的正整数，特征矩阵获取子模块包括：
[0205]
输入单元，用于将多段片段作为第一个编码块的输入矩阵输入第一个编码块中进行处理。
[0206]
特征矩阵获取单元，用于将前一编码块的输出矩阵作为后一个编码块的输入矩阵，直至得到最后一个编码块的输出矩阵作为特征矩阵。
[0207]
具体的，每一编码块的处理过程在前述实施例中已有详细记载，本发明实施例在此不再赘述。
[0208]
在本发明的一些实施例中，检测结果确定模块305包括：
[0209]
特征拼接子模块，用于将全局特征与局部特征进行特征拼接，得到拼接特征，拼接特征的维度为全局特征与局部特征的维度之和。
[0210]
第二映射子模块，用于将拼接特征映射至心室纤颤类型标记空间，得到特征向量。具体的，第二映射子模块将拼接特征输入全连接层中，全连接层将拼接特征映射至心室纤颤类型标记空间(标记空间包括两种标签，即心室纤颤和非心室纤颤)，得到特征向量。在本发明实施例中，特征向量为一个2维向量。
[0211]
归一化子模块，用于对特征向量进行归一化处理，得到心电信号为心室纤颤的概率值和心电信号为非心室纤颤的概率值。示例性的，归一化子模块采用softmax函数对上述特征向量进行归一化处理，得到心电信号为心室纤颤的概率值和心电信号为非心室纤颤的概率值。示例性的，若心电信号为心室纤颤的概率值大于心电信号为非心室纤颤的概率值，则认为心电信号存在心室纤颤。
[0212]
实施例四
[0213]
本发明实施例四提供了一种计算机设备，图4为本发明实施例四提供的一种计算机设备的结构示意图，如图4所示，该计算机设备包括处理器401、存储器402、通信模块403、输入装置404和输出装置405；计算机设备中处理器401的数量可以是一个或多个，图4中以一个处理器401为例；计算机设备中的处理器401、存储器402、通信模块403、输入装置404和输出装置405可以通过总线或其他方式连接，图4中以通过总线连接为例。上述处理器401、存储器402、通信模块403、输入装置404和输出装置405可以集成在计算机设备的控制主板上。
[0214]
存储器402作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本实施例中的机器阅读理解方法对应的模块。处理器401通过运行存储在存储器402中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述实施例提供的心室纤颤检测方法。
[0215]
存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器402可进一步包括相对于处理器401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机设备。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。
[0216]
通信模块403，用于与外界设备(例如智能终端)建立连接，并实现与外界设备的数据交互。输入装置404可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。
[0217]
本实施例提供的一种计算机设备，可执行本发明上述任意实施例提供的心室纤颤检测方法，具体相应的功能和有益效果。
[0218]
实施例五
[0219]
本发明实施例五提供了一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明上述任意实施例提供的心室纤颤检测方法，该方法包括：
[0220]
获取心电信号；
[0221]
从所述心电信号中提取表征所述心电信号复杂度的全局特征；
[0222]
从所述心电信号中截取多段第一预设长度的片段；
[0223]
从多段所述片段中提取表征多段所述片段的相关性的局部特征；
[0224]
基于所述全局特征和所述局部特征确定心室纤颤检测结果。
[0225]
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明实施例所提供的心室纤颤检测方法中的相关操作。
[0226]
需要说明的是，对于装置、设备和存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0227]
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是机器人，个人计算机，服务器，或者网络设备等)执行本发明任意实施例所述的心室纤颤检测方法。
[0228]
值得注意的是，上述装置中，所包括的各个模块、子模块、单元和子单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0229]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0230]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不
一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0231]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。