基于深度证据学习的心拍检测方法、装置、设备和介质与流程

本申请涉及信号检测，例如涉及一种基于深度证据学习的心拍检测方法、装置、设备和介质。

背景技术：

1、心电图(ecg)作为一种重要的心血管状态检查手段，被越来越多地用于可穿戴设备(如智能手表)上。相较于心电图机、监护仪、holter等专业医疗设备，可穿戴设备受限于功耗、体积、成本和复杂的使用场景，其采集到的心电信号常常受到噪声干扰。心拍检测作为心电分析的基础任务，其检测可信度受噪声影响很大。因此，评估心拍检测结果的可信度就显得尤为重要。

2、现有方法大多是从评估信号质量的角度来间接评估心拍检测的可信度，心拍可信度评估和心拍检测是两个独立模块，其缺点是没有考虑到心拍检测算法模型的抗噪能力，评估结果不够准确。

技术实现思路

1、本申请目的在于：提供一种基于深度证据学习的心拍检测方法、装置、设备和介质，其通过结合心拍检测和心拍可信度评估，能够有效地抑制噪声影响，从而得到较为准确的心拍检测结果。

2、为达到上述目的，本申请提供了一种基于深度证据学习的心拍检测方法，包括：

3、获取心电信号；对所述心电信号进行预处理，得到预处理信号；

4、将所述预处理信号输入心拍证据计算模型，得到心拍证据值和非心拍证据值；其中，所述心拍证据计算模型由深度证据学习网络训练得到；

5、根据所述心拍证据值和所述非心拍证据值计算心拍概率；

6、提取心拍采样点，所述心拍采样点为心拍概率序列中心拍概率大于心拍概率阈值的局部极大值点；

7、将所述心拍采样点排列得到心拍序列，计算所述心拍序列的可信度，根据所述心拍序列的可信度对所述心拍序列进行非极大值抑制，得到心拍检测结果。

8、所述对所述心电信号进行预处理，得到预处理信号，包括：

9、对所述心电信号进行重采样，得到重采样信号；

10、对所述重采样信号进行带通滤波，得到所述预处理信号。

11、所述深度证据学习网络，包括：输入层、输出层和隐含层；

12、将所述预处理信号输入所述输入层，得到输入层信号；

13、将所述输入层信号输入所述隐含层，得到隐含层信号；

14、将所述隐含层信号输入所述输出层，得到所述心拍证据值和所述非心拍证据值。

15、所述心拍证据计算模型由深度证据学习网络训练得到，包括：

16、定义训练的目标函数，所述目标函数为：

17、

18、其中，y为样本标签，α为心拍证据值，β为非心拍证据值，λ为调节参数；

19、根据梯度下降法优化所述深度证据学习网络的参数，使得所述目标函数收敛到预设值；

20、将最终得到的所述深度证据学习网络作为所述心拍证据计算模型。

21、所述根据所述心拍证据值和所述非心拍证据值计算心拍概率，包括：

22、根据如下公式计算所述心拍概率：

23、

24、其中，p为所述心拍概率。

25、所述计算所述心拍序列的可信度，包括：

26、计算所述心拍序列中每个所述心拍采样点的可信度，计算所述可信度的公式如下：

27、

28、其中，e为所述可信度。

29、所述根据所述心拍序列的可信度对所述心拍序列进行非极大值抑制，得到心拍检测结果，包括：

30、按照所述可信度对所述心拍序列中所有所述心拍采样点进行排序；

31、将所述可信度最高的目标心拍采样点添加到输出列表中，并将所述目标心拍采样点从所述心拍序列中删除；

32、计算所述目标心拍采样点与所述心拍序列中的所有所述心拍采样点的时间距离；

33、删除所述时间距离小于时间距离阈值的所述心拍采样点；

34、判断所述心拍序列是否为空，若是，则结束对所述心拍序列进行非极大值抑制，得到心拍检测结果；若否，则返回所述按照所述可信度对所述心拍序列中所有所述心拍采样点进行排序。

35、本申请还提供了一种基于深度证据学习的心拍检测装置，包括：

36、心电信号获取单元、心电信号预处理单元、心拍证据计算单元和心拍检测结果计算单元；

37、心电信号获取单元，用于获取心电信号；

38、心电信号预处理单元，用于对所述心电信号进行预处理，得到预处理信号；

39、心拍证据计算单元，用于将所述预处理信号输入心拍证据计算模型，得到心拍证据值和非心拍证据值；其中，所述心拍证据计算模型由深度证据学习网络训练得到；

40、心拍检测结果计算单元，用于根据所述心拍证据值和所述非心拍证据值计算心拍概率；提取心拍采样点，所述心拍采样点为心拍概率序列中心拍概率大于心拍概率阈值的局部极大值点；将所述心拍采样点排列得到心拍序列，计算所述心拍序列的可信度，根据所述心拍序列的可信度对所述心拍序列进行非极大值抑制，得到心拍检测结果。

41、本申请还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的一种基于深度证据学习的心拍检测方法和/或上述任一项所述的基于深度证据学习的心拍检测方法的步骤。

42、本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的一种基于深度证据学习的心拍检测方法和/或上述任一项所述的基于深度证据学习的心拍检测方法的步骤。

43、本申请的一种基于深度证据学习的心拍检测方法，通过获取心电信号并对心电信号进行预处理，得到预处理信号。将预处理信号输入心拍证据计算模型，得到心拍证据值和非心拍证据值。心拍证据计算模型由深度证据学习网络训练得到，心拍证据计算模型对心拍信号的噪声有一定的鲁棒性。根据心拍证据值和非心拍证据值计算心拍概率，提取心拍采样点。将心拍采样点排列得到心拍序列，计算心拍序列的可信度。根据心拍序列的可信度对心拍序列进行非极大值抑制，将心拍可信度评估和心拍检测结合起来，筛选可信度较大的心拍序列中的心拍采样点，能够有效地抑制噪声影响，从而得到较为准确的心拍检测结果。另外，该方法可同步进行心拍检测和可信度评估，与现有的异步式方法相比具有更高的运算效率。

技术特征：

1.一种基于深度证据学习的心拍检测方法，其特征在于，包括：

2.根据权利要求1所述的基于深度证据学习的心拍检测方法，其特征在于，所述对所述心电信号进行预处理，得到预处理信号，包括：

3.根据权利要求1所述的基于深度证据学习的心拍检测方法，其特征在于，所述深度证据学习网络，包括：输入层、输出层和隐含层；

4.根据权利要求3所述的基于深度证据学习的心拍检测方法，其特征在于，所述心拍证据计算模型由深度证据学习网络训练得到，包括：

5.根据权利要求4所述的基于深度证据学习的心拍检测方法，其特征在于，所述根据所述心拍证据值和所述非心拍证据值计算心拍概率，包括：

6.根据权利要求5所述的基于深度证据学习的心拍检测方法，其特征在于，所述计算所述心拍序列的可信度，包括：

7.根据权利要求6所述的基于深度证据学习的心拍检测方法，其特征在于，所述根据所述心拍序列的可信度对所述心拍序列进行非极大值抑制，得到心拍检测结果，包括：

8.一种基于深度证据学习的心拍检测装置，其特征在于，包括：

9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于深度证据学习的心拍检测方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于深度证据学习的心拍检测方法的步骤。

技术总结
本申请的一种基于深度证据学习的心拍检测方法，包括：获取心电信号；对心电信号进行预处理，得到预处理信号；将预处理信号输入心拍证据计算模型，得到心拍证据值和非心拍证据值；根据心拍证据值和非心拍证据值计算心拍概率；提取心拍采样点，心拍采样点为心拍概率序列中心拍概率大于心拍概率阈值的局部极大值点；将心拍采样点排列得到心拍序列，计算心拍序列的可信度，根据心拍序列的可信度对心拍序列进行非极大值抑制，得到心拍检测结果。通过结合心拍可信度评估和心拍检测，能够有效地抑制噪声影响，从而得到较为准确的心拍检测结果。另外，该方法可同步进行心拍检测和可信度评估，与现有的异步式方法相比具有更高的运算效率。

技术研发人员：李振齐,赵巍
受保护的技术使用者：广州视源电子科技股份有限公司
技术研发日：
技术公布日：2024/1/16