房颤起止的检测方法、装置、设备和存储介质

技术领域

本公开涉及心电监测技术领域，特别涉及一种房颤起止的检测方法、装置、设备和存储介质。

背景技术

心房颤动(Atrial fibrillation，AF)简称房颤，是临床最常见的一种心律失常疾病，其特点是紊乱的心房活动和随之而来的脑卒、心肌梗死等并发症，导致较高的致残率和死亡率，严重危害着人类的健康和生命。目前，房颤的研究集中在房颤分类上面，少有检测房颤发作起止点。然而在实际应用中，尤其是holter(动态心电图)和长时间心电监测过程中，房颤发作的起止点和房颤发作时间的统计尤为重要。

发明内容

本公开目的在于：提供了一种房颤起止的检测方法、装置、设备和存储介质，其能够有效快速检测出房颤的起点位置和结束位置，具有重大的实际应用意义。

为达上述目的，本公开采用以下技术方案：一种房颤起止的检测方法，包括：

采集初始心电信号；

对所述初始心电信号进行预处理，得到预处理心电信号，所述预处理心电信号包括多个导联心电信号；

利用通道间的相似信息对所述预处理心电信号进行房颤识别，得到各所述导联心电信号对应的房颤检测结果；

对各所述房颤检测结果进行标签平滑，得到各所述房颤检测结果各自对应的编码向量；

对各个心拍位置对应的所述编码向量做差值运算，根据所述差值运算的运算结果得到所述初始心电信号的房颤起止结果。

本公开还提供了一种房颤起止的检测装置，包括：

采集模块，用于采集初始心电信号；

预处理模块，用于对所述初始心电信号进行预处理，得到预处理心电信号，所述预处理心电信号包括多个导联心电信号；

识别模块，用于利用通道间的相似信息对所述预处理心电信号进行房颤识别，得到各所述导联心电信号对应的房颤检测结果；

平滑模块，用于对各所述房颤检测结果进行标签平滑，得到各所述房颤检测结果各自对应的编码向量；

运算模块，用于对各个心拍位置对应的所述编码向量做差值运算，根据所述差值运算的运算结果得到所述初始心电信号的房颤起止结果。

本公开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方法的步骤。

本公开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方法的步骤。

本公开中提供的一种房颤起止的检测方法、装置、设备和存储介质，检测系统首先采集用户的初始心电信号，然后对初始心电信号进行预处理，得到预处理心电信号，其中，预处理心电信号包括多个导联心电信号。接着，检测系统利用通道间的相似信息对预处理心电信号进行房颤识别，得到各个导联心电信号对应的房颤检测结果。再对各个房颤检测结果进行标签平滑，得到各个房颤检测结果各自对应的编码向量。检测系统对各个心拍位置对应的编码向量做差值运算，根据差值运算的运算结果得到初始心电信号的房颤起止结果。本公开利用通道间的相似信息对各个导联心电信号进行房颤识别，具有更高的鲁棒性；在得到各个心拍位置对应的编码向量后，通过做简单的差值运算，即可快速得到初始心电信号的房颤起止结果，满足实时性和便携性的要求，适合大规模推广应用。

附图说明

图1是本公开一实施例中房颤起止的检测方法的步骤示意图；

图2是本公开一实施例中ECG神经网络的网络结构图；

图3是本公开一实施例中第一block的网络结构图；

图4是本公开一实施例中第二block的网络结构图；

图5是本公开一实施例中第三block的网络结构图；

图6是本公开一实施例中房颤起止的检测装置的整体结构框图；

图7是本公开一实施例的计算机设备的结构示意框图。

本公开目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本公开，并不用于限定本公开。

参照图1，本公开一实施例中提供了一种房颤起止的检测方法，包括：

S1:采集初始心电信号；

S2:对所述初始心电信号进行预处理，得到预处理心电信号，所述预处理心电信号包括多个导联心电信号；

S3:利用通道间的相似信息对所述预处理心电信号进行房颤识别，得到各所述导联心电信号对应的房颤检测结果；

S4:对各所述房颤检测结果进行标签平滑，得到各所述房颤检测结果各自对应的编码向量；

S5:对各个心拍位置对应的所述编码向量做差值运算，根据所述差值运算的运算结果得到所述初始心电信号的房颤起止结果。

本实施例中，检测系统通过心电导联和传感器采集得到用户的初始心电信号，然后使用FIR带通滤波器对初始心电信号进行去噪，得到第一心电信号。接着，检测系统将第一心电信号重采样为250hz，得到第二心电信号。检测系统按照预设时间长度对第二心电信号进行分割处理，得到多个心电信号片段。最后，对各个心电信号片段进行z-score归一化，完成对初始心电信号的整个预处理流程，得到预处理心电信号。其中，预处理心电信号包括多个导联心电信号，单个导联心电信号即对应单个时长为10s的心电信号片段。检测系统将预处理心电信号输入预先搭建的ECG(electrocardiogram，心电图) 神经网络，通过ECG神经网络利用通道间的相似信息对预处理心电信号进行房颤识别，从而得到各个导联心电信号各自对应的房颤检测结果。具体地， ECG神经网络首先对各个导联心电信号进行粗粒度局部信息提取，得到各个导联心电信号各自对应的大尺度局部特征。然后对各个大尺度局部特征进行中粒度局部信息提取，得到各个导联心电信号各自对应的中尺度局部特征。ECG神经网络对各个中尺度局部特征进行细粒度局部信息提取，得到各个导联心电信号各自对应的细尺度局部特征。并将各个细尺度局部特征进行通道融合，得到融合局部特征。接着，ECG神经网络对融合局部特征进行深度挖掘，得到深度特征。最后将深度特征依次经过平均池化、concat和sigmoid操作后，得到各个导联心电信号分别对应的房颤检测结果。检测系统利用LSTM (Long Short-Term Memory，长短期记忆网络)对各个房颤检测结果进行标签平滑，将不连续的房颤检测结果变得连续且平滑，比如房颤检测结果为：0101010100001，经过标签平滑后为：0000000000000，将其中偶然出现的1 平滑掉。具体为：以上述获取的房颤检测结果的个数为编码LSTM的时间步，每个时间步输入一个房颤检测结果，最终通过LSTM将各个时间步的特征信息传递和融合，得到各个房颤检测结果各自对应的编码向量作为LSTM的输出。ECG神经网络根据各个心拍位置对应的编码向量做差值运算，根据差值运算的运算结果判定初始心电信号的房颤起止结果(即房颤起点和房颤终点)。具体地，首先定位各个导联心电信号所包含的各个心拍位置(单个导联心电信号可能包含多个心拍位置)，然后根据各个导联心电信号各自对应的编码向量，对各个心拍位置进行赋值，赋值后各个心拍位置具有各自对应的标签值。ECG神经网络根据相邻两个心拍位置各自对应的标签值做差值运算，如果心拍位置对应的差值运算的结果为第一预设值，则判定该心拍位置为房颤的起点位置；如果心拍位置对应的差值运算的结果为第二预设值，则判定该心拍位置为房颤的终点位置。按照上述规则，ECG神经网络输出初始心电信号的房颤起止结果(房颤起止结果包含连续的房颤起点位置和房颤终点位置)。

本实施例的ECG神经网络利用通道间的相似信息对各个导联心电信号进行房颤识别，具有更高的鲁棒性；在得到各个心拍位置对应的编码向量后，通过做简单的差值运算，即可快速得到初始心电信号的房颤起止结果，满足实时性和便携性的要求，适合大规模推广应用。

进一步的，所述对所述初始心电信号进行预处理，得到预处理心电信号的步骤，包括：

S201:使用FIR带通滤波器对所述初始心电信号进行去噪，得到第一心电信号；

S202:将所述第一心电信号重采样为250hz，得到第二心电信号；

S203:按照预设时间长度对所述第二心电信号进行分割处理，得到多个心电信号片段；

S204:对各所述心电信号片段进行z-score归一化，得到所述预处理心电信号。

本实施例中，检测系统利用截止频率为0.5Hz，30Hz，40阶的FIR带通滤波器对初始心电信号进行去噪，去除低频噪声和工频噪声的干扰，得到第一心电信号。然后将第一心电信号重采样为250hz，得到第二心电信号。检测系统按照预设时间长度对第二心电信号进行分割，得到多个心电信号片段；其中，预设时间长度优选为10s。最后，检测系统采用z-score归一化将每个心电信号片段处理成“零均值，一方差”，z-score归一化处理后的各个心电信号片段组成预处理心电信号。其中，z-score归一化处理对应的计算公式为：

如图2所示，进一步的，所述利用通道间的相似信息对所述预处理心电信号进行房颤识别，得到各所述导联心电信号对应的房颤检测结果的步骤，包括：

S301:对各所述导联心电信号进行粗粒度局部信息提取，得到各所述导联心电信号各自对应的大尺度局部特征；

S302:对各所述大尺度局部特征进行中粒度局部信息提取，得到各所述导联心电信号各自对应的中尺度局部特征；

S303:对各所述中尺度局部特征进行细粒度局部信息提取，得到各所述导联心电信号各自对应的细尺度局部特征；

S304:将各所述细尺度局部特征进行通道融合，得到融合局部特征；

S305:对所述融合局部特征进行深度挖掘，得到深度特征；

S306:将所述深度特征依次经过平均池化、concat和sigmoid操作后，得到各所述导联心电信号分别对应的所述房颤检测结果。

本实施例中，ECG神经网络包括依次连接的大尺度卷积层、第一block (即图2中的block1)、多个并列的特征提取模块、concat层、sigmoid层、 LSTM和房颤起止点判断模块，多个导联心电信号输入ECG神经网络后，依次经过大尺度卷积层、第一block、多个并列的特征提取模块、concat层、sigmoid 层、LSTM和房颤起止点判断模块的处理后，得到各个导联心电信号分别对应的房颤检测结果，进而组成初始心电信号的房颤起止结果。具体地，多个导联信号首先输入具有大尺度卷积核的大尺度卷积层进行粗粒度局部信息提取，得到各个导联心电信号各自对应的、粒度较大的大尺度局部特征。然后将各个大尺度局部特征输入第一block记性中粒度局部信息提取，得到各个导联心电信号各自对应的中尺度局部特征。接着，将各个中尺度局部特征同步输入并列的特征提取模块继续进行信息提取；其中，不同的特征提取模块的网络结构相同，但尺度不同；单个特征提取模块包括依次连接的第二block(即图2中的block2)、reshape层、第三block(即图2中的block3)和avgpool 层。各个中尺度局部特征首先进入第二block进行细粒度局部信息提取，得到粒度较细的细尺度局部特征。各个导联心电信号对应的细尺度局部特征进入 reshape层进行通道融合、特征合并，将同一特征提取模块中的各个不同导联信号所提取的细尺度局部特征进行融合，重新转换为一维数据，得到融合局部特征。融合局部特征进入第三block进行深度挖掘，分析各个导联心电信号的导联信息间的共性，通过导联信息间的共性，有效提升房颤的识别能力，得到深度特征。再将各个深度特征输入avgpool层进行平均池化，然后各个特征提取模块输出平均池化后的深度特征在concat层进行拼接，完成不同尺度下提取的特征的拼接工作。完成拼接后的特征进入sigmoid进行sigmoid操作，得到各个导联心电信号分别对应的房颤检测结果。

如图3所示，进一步的，所述对各所述大尺度局部特征进行中粒度局部信息提取，得到各所述导联心电信号各自对应的中尺度局部特征的步骤，包括：

S30201:将各所述大尺度局部特征输入第一block进行中粒度局部信息提取，得到各所述中尺度局部特征；

其中，所述第一block包括Batch Normalization层、ReLU层、卷积层和 Squeeze-and-Excitation层，所述Batch Normalization层、所述ReLU层、所述卷积层和所述Squeeze-and-Excitation层依次连接。

本实施例中，第一block包括Batch Normalization(BN)层、ReLU层、卷积层(conv)和Squeeze-and-Excitation(SE)层，Batch Normalization层、 ReLU层、卷积层和Squeeze-and-Excitation层依次连接。其中， Squeeze-and-Excitation(简称SE)是卷积神经网络的一种attention机制。SE 层属于通道级别的attention机制，能够考虑通道之间的关系，并通过学习的方式来自动获取到每个通道特征的权重，完成在通道维度上的对原始特征的重标定。各个导联心电信号对应的大尺度局部特征依次经过Batch Normalization层、ReLU层、卷积层和Squeeze-and-Excitation层的处理，通过卷积核的局部感知作用，提取心电信号片段的局部特征，得到各个中尺度局部特征，能够有效增强有效特征的表达，从而提升ECG神经网络的分类能力。

如图4所示，进一步的，所述对各所述中尺度局部特征进行细粒度局部信息提取，得到各所述导联心电信号各自对应的细尺度局部特征的步骤，包括：

S30301:将各所述中尺度局部特征输入第二block进行细粒度局部信息提取，得到各所述细尺度局部特征；

其中，所述第二block包括预设数量个第一block模块和 Squeeze-and-Excitation层，各所述第一block模块相互堆叠；

单个所述第一block模块包括Batch Normalization层、ReLU层和卷积层，所述Batch Normalization层、所述ReLU层和所述卷积层依次连接。

本实施例中，第二block包括预设数量个第一block模块和 Squeeze-and-Excitation(SE)层，各个第一block模块的尺度各不相同，相互堆叠。单个第一block模块包括Batch Normalization层、ReLU层、卷积层， Batch Normalization层、ReLU层和卷积层依次连接。各个中尺度局部特征依次经过各个第一block模块进行处理后，再输入Squeeze-and-Excitation层进行处理，通过采用不同尺度的小卷积核(即不同尺度的第一block模块)来提取中粒度局部特征下的不同尺度的细粒度局部信息，从而得到各个导联心电信号各自对应的尺度局部特征，挖掘出更加全面的心电信号的波形变化情况，适合临床实际的需要。

如图5所示，进一步的，所述对所述融合局部特征进行深度挖掘，得到深度特征的步骤，包括：

S30501:将所述融合局部特征输入第三block进行深度挖掘，得到所述深度特征；

其中，所述第三block包括第二block模块、预设数量个第三block模块、预设数量个Squeeze-and-Excitation层和预设数量个第四block模块，各所述第三block模块相互堆叠，各所述第四block模块相互堆叠；

所述融合局部特征分别输入所述第二block模块和所述第三block模块，所述第二block模块输出端与所述第四block模块的输入端连接，所述第三 block模块的输出端与第一Squeeze-and-Excitation层的输入端连接，所述第一 Squeeze-and-Excitation层的输出端与所述第四block模块的输入端连接；

所述第四block模块的输出端与第二Squeeze-and-Excitation层的输入端连接，并且所述第二block模块和所述第一Squeeze-and-Excitation层的输出前向传递至所述第二Squeeze-and-Excitation层的输出端；

所述第二block模块由Batch Normalization层、ReLU层和卷积层依次连接组成；单个所述第三block模块由所述Batch Normalization层、所述ReLU 层、所述卷积层依次连接组成；单个所述第四block模块由所述Batch Normalization层、所述ReLU层、所述卷积层层依次连接组成。

本实施例中，第三block(即图5中的block3)包括第二block模块、预设数量个第三block模块、预设数量个Squeeze-and-Excitation层和预设数量个第四block模块，各个第三block模块相互堆叠，各个第四block模块相互堆叠。应用时，融合局部特征分别输入第二block模块和第三block模块，其中，第二block模块输出端与第四block模块的输入端连接，第三block模块的输出端与第一Squeeze-and-Excitation层(即图5中的第一SE)的输入端连接，而第一Squeeze-and-Excitation层的输出端与第四block模块的输入端连接。第四block模块的输出端与第二Squeeze-and-Excitation层(即图5中的第二 SE)的输入端连接，并且第二block模块和第一Squeeze-and-Excitation层的输出前向传递至第二Squeeze-and-Excitation层的输出端。第二block模块由 Batch Normalization层、ReLU层和卷积层依次连接组成；单个第三block模块由Batch Normalization层、ReLU层、卷积层依次连接组成；单个第四block 模块由Batch Normalization层、ReLU层、卷积层层依次连接组成。本实施例中，第三block能够进一步挖掘导联信息融合后的局部特征，分析不同的导联信息间的共性，进而通过导联信息间的共性，有效提升ECG神经网络对房颤的识别能力。

进一步的，所述对各个心拍位置对应的所述编码向量做差值运算，根据所述差值运算的运算结果得到所述初始心电信号的房颤起止结果的步骤中，单个所述导联心电信号的所述房颤起止结果的解析步骤，包括：

S501:定位所述导联心电信号所包含的各个心拍位置；

S502:根据所述导联心电信号对应的所述编码向量，对各所述心拍位置进行赋值，得到各所述心拍位置各自对应的标签值；

S503:根据相邻两个所述心拍位置对应的所述标签值做差值运算，若所述心拍位置对应的所述差值运算的结果为第一预设值，则判定所述心拍位置为房颤的起点位置；若所述心拍位置对应的所述差值运算的结果为第二预设值，则判定所述心拍位置为房颤的终点位置。

本实施例中，ECG神经网络对每个导联心电信号的房颤起止结果的解析逻辑相同，下面以单个导联心电信号的房颤起止结果的解析过程为例进行具体说明。ECG神经网络首先定位出导联心电信号中各个心拍位置，并按照时序对各个心拍位置进行编号。然后，调取该导联心电信号对应的编码向量，并按照心拍位置的编码为各个心拍位置进行赋值，得到各个心拍位置各自对应的标签值。比如编码向量为0101010100001，则编号为1的心拍位置对应的标签值为0，编号为2的心拍位置对应的标签值为1，编号为3的心拍位置对应的标签值为0，编号为4的心拍位置对应的标签值为1；依次类推，编号为 13的心拍位置对应编码向量的最后一个值，标签值为1。ECG神经网络根据相邻两个心拍位置对应的标签值做差值运算，如果心拍位置对应的差值运算的结果为第一预设值，则判定该心拍位置为房颤的起点位置。如果心拍位置对应的差值运算的结果为第二预设值，则判定该心拍位置为房颤的终点位置。其中，第一预设值设定为1，第二预设值设定为2；以上述的赋值为例进行说明，编号为1的心拍位置的标签值为0，编号为2的心拍位置的标签值为1, 编号2的标签值减去编号1的标签值，所得的差值运算的结果为1，因此该导联心电信号中编号1的心拍位置为房颤的起点位置；编号为3的心拍位置的标签值为0，编号3的标签值减去编号2的标签值，所得的结果为-1，因此该导联心电信号中编号2的心拍位置为房颤的终点位置；依次类推，即可解析出导联心电信号中连续的各个房颤起止结果。

参照图6，本公开还提供了一种房颤起止的检测装置，包括：

采集模块1，用于采集初始心电信号；

预处理模块2，用于对所述初始心电信号进行预处理，得到预处理心电信号，所述预处理心电信号包括多个导联心电信号；

识别模块3，用于利用通道间的相似信息对所述预处理心电信号进行房颤识别，得到各所述导联心电信号对应的房颤检测结果；

平滑模块4，用于对各所述房颤检测结果进行标签平滑，得到各所述房颤检测结果各自对应的编码向量；

运算模块5，用于对各个心拍位置对应的所述编码向量做差值运算，根据所述差值运算的运算结果得到所述初始心电信号的房颤起止结果。

进一步的，所述预处理模块2，包括：

去噪单元，用于使用FIR带通滤波器对所述初始心电信号进行去噪，得到第一心电信号；

重采样单元，用于将所述第一心电信号重采样为250hz，得到第二心电信号；

分割单元，用于按照预设时间长度对所述第二心电信号进行分割处理，得到多个心电信号片段；

归一化单元，用于对各所述心电信号片段进行z-score归一化，得到所述预处理心电信号。

进一步的，所述识别模块3，包括：

第一提取单元，用于对各所述导联心电信号进行粗粒度局部信息提取，得到各所述导联心电信号各自对应的大尺度局部特征；

第二提取单元，用于对各所述大尺度局部特征进行中粒度局部信息提取，得到各所述导联心电信号各自对应的中尺度局部特征；

第三提取单元，用于对各所述中尺度局部特征进行细粒度局部信息提取，得到各所述导联心电信号各自对应的细尺度局部特征；

融合单元，用于将各所述细尺度局部特征进行通道融合，得到融合局部特征；

挖掘单元，用于对所述融合局部特征进行深度挖掘，得到深度特征；

操作单元，用于将所述深度特征依次经过平均池化、concat和sigmoid操作后，得到各所述导联心电信号分别对应的所述房颤检测结果。

进一步的，所述第二提取单元，包括：

第一提取子单元，用于将各所述大尺度局部特征输入第一block进行中粒度局部信息提取，得到各所述中尺度局部特征；

其中，所述第一block包括Batch Normalization层、ReLU层、卷积层和 Squeeze-and-Excitation层，所述Batch Normalization层、所述ReLU层、所述卷积层和所述Squeeze-and-Excitation层依次连接。

进一步的，所述第三提取单元，包括：

第二提取子单元，用于将各所述中尺度局部特征输入第二block进行细粒度局部信息提取，得到各所述细尺度局部特征；

其中，所述第二block包括预设数量个第一block模块和 Squeeze-and-Excitation层，各所述第一block模块相互堆叠；

单个所述第一block模块包括Batch Normalization层、ReLU层和卷积层，所述Batch Normalization层、所述ReLU层和所述卷积层依次连接。

进一步的，所述挖掘单元，包括：

挖掘子单元，用于将所述融合局部特征输入第三block进行深度挖掘，得到所述深度特征；

其中，所述第三block包括第二block模块、预设数量个第三block模块、预设数量个Squeeze-and-Excitation层和预设数量个第四block模块，各所述第三block模块相互堆叠，各所述第四block模块相互堆叠；

所述融合局部特征分别输入所述第二block模块和所述第三block模块，所述第二block模块输出端与所述第四block模块的输入端连接，所述第三 block模块的输出端与第一Squeeze-and-Excitation层的输入端连接，所述第一 Squeeze-and-Excitation层的输出端与所述第四block模块的输入端连接；

所述第四block模块的输出端与第二Squeeze-and-Excitation层的输入端连接，并且所述第二block模块和所述第一Squeeze-and-Excitation层的输出前向传递至所述第二Squeeze-and-Excitation层的输出端；

所述第二block模块由Batch Normalization层、ReLU层和卷积层依次连接组成；单个所述第三block模块由所述Batch Normalization层、所述ReLU 层、所述卷积层依次连接组成；单个所述第四block模块由所述Batch Normalization层、所述ReLU层、所述卷积层层依次连接组成。

进一步的，所述运算模块5，包括：

定位单元，用于定位所述导联心电信号所包含的各个心拍位置；

赋值单元，用于根据所述导联心电信号对应的所述编码向量，对各所述心拍位置进行赋值，得到各所述心拍位置各自对应的标签值；

判定单元，用于根据相邻两个所述心拍位置对应的所述标签值做差值运算，若所述心拍位置对应的所述差值运算的结果为第一预设值，则判定所述心拍位置为房颤的起点位置；若所述心拍位置对应的所述差值运算的结果为第二预设值，则判定所述心拍位置为房颤的终点位置。

本实施例中，房颤起止的检测装置中各模块、单元、子单元用于对应执行与上述房颤起止的检测方法中的各个步骤，其具体实施过程在此不做详述。

本实施例提供的一种房颤起止的检测装置，检测系统首先采集用户的初始心电信号，然后对初始心电信号进行预处理，得到预处理心电信号，其中，预处理心电信号包括多个导联心电信号。接着，检测系统利用通道间的相似信息对预处理心电信号进行房颤识别，得到各个导联心电信号对应的房颤检测结果。再对各个房颤检测结果进行标签平滑，得到各个房颤检测结果各自对应的编码向量。检测系统对各个心拍位置对应的编码向量做差值运算，根据差值运算的运算结果得到初始心电信号的房颤起止结果。本公开利用通道间的相似信息对各个导联心电信号进行房颤识别，具有更高的鲁棒性；在得到各个心拍位置对应的编码向量后，通过做简单的差值运算，即可快速得到初始心电信号的房颤起止结果，满足实时性和便携性的要求，适合大规模推广应用。

参照图7，本公开实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储初始心电信号等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种房颤起止的检测方法。

上述处理器执行上述房颤起止的检测方法的步骤：

S1:采集初始心电信号；

S2:对所述初始心电信号进行预处理，得到预处理心电信号，所述预处理心电信号包括多个导联心电信号；

S3:利用通道间的相似信息对所述预处理心电信号进行房颤识别，得到各所述导联心电信号对应的房颤检测结果；

S4:对各所述房颤检测结果进行标签平滑，得到各所述房颤检测结果各自对应的编码向量；

S5:对各个心拍位置对应的所述编码向量做差值运算，根据所述差值运算的运算结果得到所述初始心电信号的房颤起止结果。

进一步的，所述对所述初始心电信号进行预处理，得到预处理心电信号的步骤，包括：

S201:使用FIR带通滤波器对所述初始心电信号进行去噪，得到第一心电信号；

S202:将所述第一心电信号重采样为250hz，得到第二心电信号；

S203:按照预设时间长度对所述第二心电信号进行分割处理，得到多个心电信号片段；

S204:对各所述心电信号片段进行z-score归一化，得到所述预处理心电信号。

进一步的，所述利用通道间的相似信息对所述预处理心电信号进行房颤识别，得到各所述导联心电信号对应的房颤检测结果的步骤，包括：

S301:对各所述导联心电信号进行粗粒度局部信息提取，得到各所述导联心电信号各自对应的大尺度局部特征；

S302:对各所述大尺度局部特征进行中粒度局部信息提取，得到各所述导联心电信号各自对应的中尺度局部特征；

S303:对各所述中尺度局部特征进行细粒度局部信息提取，得到各所述导联心电信号各自对应的细尺度局部特征；

S304:将各所述细尺度局部特征进行通道融合，得到融合局部特征；

S305:对所述融合局部特征进行深度挖掘，得到深度特征；

S306:将所述深度特征依次经过平均池化、concat和sigmoid操作后，得到各所述导联心电信号分别对应的所述房颤检测结果。

进一步的，所述对各所述大尺度局部特征进行中粒度局部信息提取，得到各所述导联心电信号各自对应的中尺度局部特征的步骤，包括：

S30201:将各所述大尺度局部特征输入第一block进行中粒度局部信息提取，得到各所述中尺度局部特征；

其中，所述第一block包括Batch Normalization层、ReLU层、卷积层和Squeeze-and-Excitation层，所述Batch Normalization层、所述ReLU层、所述卷积层和所述Squeeze-and-Excitation层依次连接。

进一步的，所述对各所述中尺度局部特征进行细粒度局部信息提取，得到各所述导联心电信号各自对应的细尺度局部特征的步骤，包括：

S30301:将各所述中尺度局部特征输入第二block进行细粒度局部信息提取，得到各所述细尺度局部特征；

其中，所述第二block包括预设数量个第一block模块和 Squeeze-and-Excitation层，各所述第一block模块相互堆叠；

单个所述第一block模块包括Batch Normalization层、ReLU层和卷积层，所述Batch Normalization层、所述ReLU层和所述卷积层依次连接。

进一步的，所述对所述融合局部特征进行深度挖掘，得到深度特征的步骤，包括：

S30501:将所述融合局部特征输入第三block进行深度挖掘，得到所述深度特征；

其中，所述第三block包括第二block模块、预设数量个第三block模块、预设数量个Squeeze-and-Excitation层和预设数量个第四block模块，各所述第三block模块相互堆叠，各所述第四block模块相互堆叠；

所述融合局部特征分别输入所述第二block模块和所述第三block模块，所述第二block模块输出端与所述第四block模块的输入端连接，所述第三 block模块的输出端与第一Squeeze-and-Excitation层的输入端连接，所述第一 Squeeze-and-Excitation层的输出端与所述第四block模块的输入端连接；

所述第四block模块的输出端与第二Squeeze-and-Excitation层的输入端连接，并且所述第二block模块和所述第一Squeeze-and-Excitation层的输出前向传递至所述第二Squeeze-and-Excitation层的输出端；

所述第二block模块由Batch Normalization层、ReLU层和卷积层依次连接组成；单个所述第三block模块由所述Batch Normalization层、所述ReLU 层、所述卷积层依次连接组成；单个所述第四block模块由所述Batch Normalization层、所述ReLU层、所述卷积层层依次连接组成。

进一步的，所述对各个心拍位置对应的所述编码向量做差值运算，根据所述差值运算的运算结果得到所述初始心电信号的房颤起止结果的步骤中，单个所述导联心电信号的所述房颤起止结果的解析步骤，包括：

S501:定位所述导联心电信号所包含的各个心拍位置；

S502:根据所述导联心电信号对应的所述编码向量，对各所述心拍位置进行赋值，得到各所述心拍位置各自对应的标签值；

S503:根据相邻两个所述心拍位置对应的所述标签值做差值运算，若所述心拍位置对应的所述差值运算的结果为第一预设值，则判定所述心拍位置为房颤的起点位置；若所述心拍位置对应的所述差值运算的结果为第二预设值，则判定所述心拍位置为房颤的终点位置。

本公开一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现一种房颤起止的检测方法，所述房颤起止的检测方法具体为：

S1:采集初始心电信号；

S2:对所述初始心电信号进行预处理，得到预处理心电信号，所述预处理心电信号包括多个导联心电信号；

S3:利用通道间的相似信息对所述预处理心电信号进行房颤识别，得到各所述导联心电信号对应的房颤检测结果；

S4:对各所述房颤检测结果进行标签平滑，得到各所述房颤检测结果各自对应的编码向量；

S5:对各个心拍位置对应的所述编码向量做差值运算，根据所述差值运算的运算结果得到所述初始心电信号的房颤起止结果。

进一步的，所述对所述初始心电信号进行预处理，得到预处理心电信号的步骤，包括：

S201:使用FIR带通滤波器对所述初始心电信号进行去噪，得到第一心电信号；

S202:将所述第一心电信号重采样为250hz，得到第二心电信号；

S203:按照预设时间长度对所述第二心电信号进行分割处理，得到多个心电信号片段；

S204:对各所述心电信号片段进行z-score归一化，得到所述预处理心电信号。

进一步的，所述利用通道间的相似信息对所述预处理心电信号进行房颤识别，得到各所述导联心电信号对应的房颤检测结果的步骤，包括：

S301:对各所述导联心电信号进行粗粒度局部信息提取，得到各所述导联心电信号各自对应的大尺度局部特征；

S302:对各所述大尺度局部特征进行中粒度局部信息提取，得到各所述导联心电信号各自对应的中尺度局部特征；

S303:对各所述中尺度局部特征进行细粒度局部信息提取，得到各所述导联心电信号各自对应的细尺度局部特征；

S304:将各所述细尺度局部特征进行通道融合，得到融合局部特征；

S305:对所述融合局部特征进行深度挖掘，得到深度特征；

S306:将所述深度特征依次经过平均池化、concat和sigmoid操作后，得到各所述导联心电信号分别对应的所述房颤检测结果。

进一步的，所述对各所述大尺度局部特征进行中粒度局部信息提取，得到各所述导联心电信号各自对应的中尺度局部特征的步骤，包括：

S30201:将各所述大尺度局部特征输入第一block进行中粒度局部信息提取，得到各所述中尺度局部特征；

其中，所述第一block包括Batch Normalization层、ReLU层、卷积层和 Squeeze-and-Excitation层，所述Batch Normalization层、所述ReLU层、所述卷积层和所述Squeeze-and-Excitation层依次连接。

进一步的，所述对各所述中尺度局部特征进行细粒度局部信息提取，得到各所述导联心电信号各自对应的细尺度局部特征的步骤，包括：

S30301:将各所述中尺度局部特征输入第二block进行细粒度局部信息提取，得到各所述细尺度局部特征；

其中，所述第二block包括预设数量个第一block模块和 Squeeze-and-Excitation层，各所述第一block模块相互堆叠；

单个所述第一block模块包括Batch Normalization层、ReLU层和卷积层，所述Batch Normalization层、所述ReLU层和所述卷积层依次连接。

进一步的，所述对所述融合局部特征进行深度挖掘，得到深度特征的步骤，包括：

S30501:将所述融合局部特征输入第三block进行深度挖掘，得到所述深度特征；

其中，所述第三block包括第二block模块、预设数量个第三block模块、预设数量个Squeeze-and-Excitation层和预设数量个第四block模块，各所述第三block模块相互堆叠，各所述第四block模块相互堆叠；

所述融合局部特征分别输入所述第二block模块和所述第三block模块，所述第二block模块输出端与所述第四block模块的输入端连接，所述第三 block模块的输出端与第一Squeeze-and-Excitation层的输入端连接，所述第一 Squeeze-and-Excitation层的输出端与所述第四block模块的输入端连接；

所述第四block模块的输出端与第二Squeeze-and-Excitation层的输入端连接，并且所述第二block模块和所述第一Squeeze-and-Excitation层的输出前向传递至所述第二Squeeze-and-Excitation层的输出端；

所述第二block模块由Batch Normalization层、ReLU层和卷积层依次连接组成；单个所述第三block模块由所述Batch Normalization层、所述ReLU 层、所述卷积层依次连接组成；单个所述第四block模块由所述Batch Normalization层、所述ReLU层、所述卷积层层依次连接组成。

进一步的，所述对各个心拍位置对应的所述编码向量做差值运算，根据所述差值运算的运算结果得到所述初始心电信号的房颤起止结果的步骤中，单个所述导联心电信号的所述房颤起止结果的解析步骤，包括：

S501:定位所述导联心电信号所包含的各个心拍位置；

S502:根据所述导联心电信号对应的所述编码向量，对各所述心拍位置进行赋值，得到各所述心拍位置各自对应的标签值；

S503:根据相邻两个所述心拍位置对应的所述标签值做差值运算，若所述心拍位置对应的所述差值运算的结果为第一预设值，则判定所述心拍位置为房颤的起点位置；若所述心拍位置对应的所述差值运算的结果为第二预设值，则判定所述心拍位置为房颤的终点位置。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本公开所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM) 或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM (DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、第一物体或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、第一物体或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、第一物体或者方法中还存在另外的相同要素。

以上所述仅为本公开的优选实施例，并非因此限制本公开的专利范围，凡是利用本公开说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本公开的专利保护范围内。