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

本技术实施例涉及数据处理，尤其涉及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。

背景技术：

1、随着医疗健康领域的数字化转型，对于心电图数据的实时监测和分析变得越来越重要。特别是在远程医疗、个性化健康管理等方面，能够快速准确地识别出心电图中的异常情况对于预防心脏疾病的发生和发展具有重要意义。因此，需要一种高效且精准的方法来自动检测心电图中的异常信号的方法。

2、目前，传统的异常检测方法主要包括基于阈值的方法、模板匹配以及简单的机器学习算法等。

3、然而这些方法通常依赖于专家知识定义阈值或者模板，而这些阈值或模板往往难以适应所有个体的差异性，造成心电数据处理效率差的问题。

技术实现思路

1、本技术实施例提供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，用以解决现有技术中心电数据处理效率差的问题。

2、第一方面，本技术实施例提供了一种基于深度学习的心电数据异常识别方法，包括：

3、采集患者的原始心电图信号，并执行多级预处理流程，得到目标心电图信号，所述多级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；采用差分运算放大器增强所述原始心电图信号；

4、利用目标心电图信号训练深度融合学习模型，所述深度融合学习模型结合卷积神经网络和循环神经网络，其中，所述卷积神经网络用于提取所述目标心电图信号的局部特征，所述循环神经网络用于捕捉所述目标心电图信号的时间序列特征，同时通过引入注意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的异常信号；

5、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号，得到初步识别结果；将所述初步识别结果与预训练的机器学习模型相结合，通过堆叠泛化的融合方法对所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络，获取所述初步识别结果的推理结果，以生成目标识别结果；

6、根据所述目标识别结果，利用规则引擎生成异常报告，所述异常报告包含目标心电图信号的异常类型、位置、严重程度，按照预定义标准对所述异常报告进行分类存储，并通过定制化的可视化界面展示所述异常报告。

7、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号，得到初步识别结果，包括：

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，且每个时间窗口代表一个时间段内的心电图数据片段，所有的时间窗口对应的心电图数据片段能够组成所述目标心电图信号；

9、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，以通过所述卷积神经网络提取每个时间窗口内的心电图数据的局部形态特征，得到表征心脏活动局部特性的局部特征表示，所述局部特征表示至少包括qrs波群、p波和t波的形态变化以及心率变异性；

10、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，以通过所述循环神经网络捕捉多个时间窗口之间的时间序列特征，并基于所述时间序列特征确定心脏节律的变化模式及长期依赖关系，得到时间序列特征表示；

11、在所述深度融合学习模型中引入注意力机制，以使所述深度融合学习模型在处理每个时间窗口的心电图数据片段时，从所述心电图数据片段中识别并突出显示最有可能指示异常的关键特征，并生成带有权重的关键特征表示，所述权重用于反映各个关键特征对于异常信号检测的重要性；

12、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表示整合成综合特征表示，并将所述综合特征表示作为输入以训练所述深度融合学习模型，以使所述深度融合学习模型能够预测异常类型及置信度；

13、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，所述异常类型包括心房颤动、室性早搏、传导阻滞，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度，识别出所述置信度高于预设阈值的异常信号，并标记所述异常信号的异常类型、位置、严重程度；

14、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，评估所述患者的心脏健康状态评分；

15、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，生成初步识别结果。

16、可选地，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度，识别出所述置信度高于预设阈值的异常信号，包括：

17、利用训练后的深度融合学习模型中的多任务学习框架，识别每个时间窗口内的心电图数据片段所包含的异常类型，并获取每个异常类型对应的概率分布，所述每个异常类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类型的可能性；

18、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述深度融合学习模型对每个异常类型的预测结果的可靠性评分；

19、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号，并标记被识别为异常的时间窗口，记录所述异常信号的异常类型、位置和严重程度，所述位置是指所述异常信号所对应的时间窗口。

20、可选地，所述将所述初步识别结果与预训练的机器学习模型相结合，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，并通过所述患者的详细信息所构建的贝叶斯网络，获取所述初步识别结果的推理结果，以生成目标识别结果，包括：

21、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学习模型，以使所述机器学习模型能够预测每个时间窗口是否包含异常信号及所述异常信号对应的异常类型、置信度；所述增强特征表示包括从所述目标心电图信号中额外提取的统计特征、频域特征、时域特征及非线性特征；

22、利用堆叠泛化技术，将所述深度融合学习模型输出的初步识别结果作为第一层特征输入，将所述机器学习模型的预测结果作为第二层特征输入，以生成中间识别结果；

23、根据获取的所述患者的详细信息，构建贝叶斯网络，并通过所述贝叶斯网络生成针对所述初步识别的带有上下文感知的推理结果，以通过所述推理结果为异常信号的检测提供额外的上下文信息，所述详细信息包括病历资料、历史心电图记录及临床症状；

24、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数据，对所述中间识别结果进行推理处理，以调整所述中间识别结果对应的概率分布，生成目标识别结果。

25、可选地，所述基于所述推理结果，结合获取的所述患者的个体差异和历史心脏数据，对所述中间识别结果进行推理处理，以调整所述中间识别结果对应的概率分布，生成目标识别结果，包括：

26、根据获取的所述患者的个体差异和历史心脏数据，调整所述中间识别结果中每个时间窗口内异常信号的概率分布，得到调整后的概率分布；

27、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的部分，增强所述中间识别结果的可靠性，得到优化后的中间识别结果；

28、整合所述调整后的概念分布及所述优化后的中间识别结果，生成目标识别结果；

29、所述方法还包括：

30、根据所述患者的历史心脏数据中的长期趋势和短期波动，优化所述目标识别结果的时间序列一致性。

31、可选地，所述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，评估所述患者的心脏健康状态评分，包括：

32、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置信度评分，并结合该时间窗口内的局部特征表示、时间序列特征表示和关键特征表示，评估所述患者的心脏健康状态评分；其中，所述心脏健康状态评分通过以下公式计算得到：

33、；

34、其中，是心脏健康状态评分，是时间窗口的数量，是时间窗口的索引；是异常类型的数量，是异常类型的索引；是第个时间窗口内第种异常类型的置信度评分，所述置信度评分是指所述深度融合学习模型对每个异常类型的预测结果的可靠性评分；是置信度评分的指数因子，用于调整置信度评分的影响程度，设定，其中是所有置信度评分中的最大值；是第种异常类型的权重，反映不同异常类型对于心脏健康状态的重要性；是第个时间窗口内的局部特征表示的影响因子，通过局部特征表示的标准化得分计算；是第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；是第个时间窗口内的关键特征表示的影响因子，通过关键特征表示的标准化得分计算；分别是局部特征表示、时间序列特征表示和关键特征表示的权重系数，用于调整各自特征表示的影响程度，根据各个特征的重要性和贡献度所确定；分别是局部特征表示、时间序列特征表示和关键特征表示的指数因子，用于调整各特征表示的影响程度，根据各个特征的敏感性和重要性确定；

35、是高斯核函数，用于平滑置信度评分的影响，其中是所有置信度评分的平均值，是置信度评分的标准差；

36、是第个时间窗口的综合影响因子，定义为:

37、；

38、其中，是额外特征的数量，额外特征至少包括所述患者的年龄、性别、病史；是第个时间窗口与第种额外特征的相关性得分；是第种额外特征的权重，用于调整额外特征的影响程度。

39、可选地，所述根据获取的所述患者的个体差异和历史心脏数据，调整所述中间识别结果中每个时间窗口内异常信号的概率分布，得到调整后的概率分布，包括：

40、所述调整后的概率分布通过以下公式计算：

41、；

42、其中，是第个时间窗口内第种异常类型的调整后概率分布，是第个时间窗口内第种异常类型的初始概率分布；是第个时间窗口内患者个体差异的影响因子，根据患者的年龄、性别、病史的信息计算得到；是所有时间窗口内个体差异影响因子的平均值；是所有时间窗口内个体差异影响因子的标准差;是历史特定特征的数量，历史特定特征包括患者的历史心脏数据中的特定指标，包括历史心电图记录、治疗反应，是历史特定的索引；是第个时间窗口与第种历史特定特征的相关性得分；是第种历史特定特征的权重，用于调整历史特定特征的影响程度；

43、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定的部分，增强所述中间识别结果的可靠性，得到优化后的中间识别结果，包括：

44、所述优化后的中间识别结果通过以下公式计算:

45、；

46、其中，是第个时间窗口优化后的中间识别结果，是异常类型的数量；是第个时间窗口内第种异常类型的调整后概率分布；是贝叶斯网络提供的上下文感知推理结果中第个时间窗口内第种异常类型的置信度评分；

47、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，包括：

48、所述目标识别结果通过以下公式计算:

49、；

50、其中，是第个时间窗口的目标识别结果，是第个时间窗口内最大调整后概率分布所对应的结果；是第个时间窗口的优化后的中间识别结果；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，用于平衡两者的影响程度。

51、第二方面，本技术实施例提供了一种基于深度学习的心电数据异常识别装置，包括：

52、采集处理模块，用于采集患者的原始心电图信号，并执行多级预处理流程，得到目标心电图信号，所述多级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；采用差分运算放大器增强所述原始心电图信号；

53、训练模块，用于利用目标心电图信号训练深度融合学习模型，所述深度融合学习模型结合卷积神经网络和循环神经网络，其中，所述卷积神经网络用于提取所述目标心电图信号的局部特征，所述循环神经网络用于捕捉所述目标心电图信号的时间序列特征，同时通过引入注意力机制以使所述深度融合学习模型聚焦指示异常信号的关键部分，以提高对异常信息识别的敏感性；

54、识别输出模块，用于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号，得到初步识别结果；将所述初步识别结果与预训练的机器学习模型相结合，通过堆叠泛化的融合方法对所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络，获取所述初步识别结果的推理结果，以生成目标识别结果；

55、生成展示模块，用于根据所述目标识别结果，利用规则引擎生成异常报告，所述异常报告包含目标心电图信号的异常类型、位置、严重程度，按照预定义标准对所述异常报告进行分类存储，并通过定制化的可视化界面展示所述异常报告。

56、第三方面，本技术实施例提供了一种计算设备，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如第一方面任一项所述的一种基于深度学习的心电数据异常识别方法。

57、第四方面，本技术实施例提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被计算机执行时，实现如第一方面任一项所述的一种基于深度学习的心电数据异常识别方法。

58、本技术实施例中，采集患者的原始心电图信号，并执行多级预处理流程，得到目标心电图信号，所述多级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；采用差分运算放大器增强所述原始心电图信号； 利用目标心电图信号训练深度融合学习模型，所述深度融合学习模型结合卷积神经网络和循环神经网络，其中，所述卷积神经网络用于提取所述目标心电图信号的局部特征，所述循环神经网络用于捕捉所述目标心电图信号的时间序列特征，同时通过引入注意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的异常信号； 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号，得到初步识别结果；将所述初步识别结果与预训练的机器学习模型相结合，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，并通过所述患者的详细信息所构建的贝叶斯网络，获取所述初步识别结果的推理结果，以生成目标识别结果； 根据所述目标识别结果，利用规则引擎生成异常报告，所述异常报告包含目标心电图信号的异常类型、位置、严重程度，按照预定义标准对所述异常报告进行分类存储，并通过定制化的可视化界面展示所述异常报告。

59、本技术实施例具有以下有益效果：

60、本技术通过带通滤波器去除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肌电伪迹和低频噪音，并采用差分运算放大器增强原始心电图信号，确保了输入到后续模型中的信号质量，提高了异常检测的准确性。结合卷积神经网络（cnn）和循环神经网络（rnn），同时引入注意力机制，使得模型不仅能够提取局部特征，还能捕捉时间序列特征并聚焦于潜在的异常信号，从而显著提升了异常检测的精度。将初步识别结果与预训练的机器学习模型相结合，通过堆叠泛化的融合方法进行处理，并利用患者的详细信息构建贝叶斯网络生成带有上下文感知的推理结果，使最终的识别结果更加个性化，反映了患者的具体情况和历史数据。根据目标识别结果，利用规则引擎生成包含异常类型、位置、严重程度的异常报告，并按照预定义标准分类存储，确保了诊断结果的全面性和可解释性。通过定制化的可视化界面展示异常报告，方便医生快速理解诊断结果，支持临床决策，提高了工作效率。通过整合多源信息（如患者的病历资料、历史心电图记录及临床症状），增强了模型的鲁棒性和适应性，使其能够在不同条件下保持较高的检测性能。贝叶斯网络提供的上下文感知推理结果能够补充中间识别结果中可能遗漏或不确定的部分，进一步增强了识别结果的可靠性。通过对心电图信号的实时监测和异常检测，能够及时发现潜在的心脏问题，实现早期预警，有助于提高治疗效果和减少医疗成本。

61、综上所述，本技术通过上述技术手段，实现了对心电图信号中异常信号的高效、准确识别，提供了个性化的诊断结果，支持高效的临床应用，并具备良好的鲁棒性和适应性，从而显著提升了医疗资源的利用效率和医疗服务的质量。

62、本技术的这些方面或其他方面在以下实施例的描述中会更加简明易懂。