本發明涉及檢測技術領域，尤其涉及一種檢測模型獲取方法及裝置。

背景技術：

心電信號(Electrocardiogram，簡稱ECG)反映了心臟興奮的電活動過程，它在心臟基本功能及其病理研究方面，具有重要的參考價值。

目前，一般心律失常檢測方法可以分為波形特征提取和分類器檢測兩個階段。在波形特征提取階段，不同種類的特征被提取出來，包括但不僅限于：時域信息特征，高階統計量特征，基于獨立成分分析(ICA)的特征，基于主成分分析(PCA)的特征，Herimite變換參數特征，小波變換特征，功率譜密度特征，李雅普諾夫指數特征等。在分類器檢測階段，多種分類算法已被應用于心律失常檢測問題中，包括支持向量機、線性分類判別、全連接神經網絡、概率神經網絡等。分類器將人工提取的特征作為輸入，輸出分類結果作為心律失常檢測結果。

然而，人為提取的特征存在較大的主觀性。特征的有效性極大地依賴于特征設計者的經驗和對信號及分類器的熟悉程度。

訓練數據選擇方面，為充分處理病人間心電圖形態巨大差異，實現個性化診斷，目前已有研究中選取共同訓練數據和少量病人數據作為個性化心律失常檢測方法的訓練數據。共同訓練數據從大量數據中隨機選擇，特定病人數據來自于該病人數據的前幾分鐘。

然而，目前的訓練數據選擇方法未能捕捉大量數據的內在分布規律，不能選擇出最具代表性的數據作為訓練數據。為提高心律失常檢測方法的檢測性能，應選擇具有代表性的數據作為訓練數據。

鑒于此，如何提供一種自主學習特征、基于代表性訓練集、檢測敏感度與準確率較高的個性化心律失常檢測方法及裝置是目前需要解決的技術問題。

技術實現要素：

本發明提供一種解決上述技術問題的檢測模型獲取方法及裝置。

第一方面，本發明提供一種檢測模型獲取方法，包括：

獲取第一預設數量的心動周期的形態特征；所述第一預設數量的心動周期的形態特征中包括第二預設數量的第一類心動周期的形態特征和第三預設數量的第二類心動周期的形態特征；

通過聚類算法，對所述第一預設數量的心動周期的形態特征聚類；

按照第一預設規則在每類心動周期的形態特征中選取心動周期的形態特征；

根據選取出的心動周期的形態特征，通過第一預設方法訓練獲取第一參數檢測模型。

優選的，所述根據選取出的心動周期的形態特征，通過第一預設方法訓練獲取第一參數檢測模型，包括：

根據選取出的心動周期的形態特征，通過深度學習算法訓練獲取第一參數檢測模型。

優選的，所述第三預設數量的第二類心動周期包括第二預設數量的室上性心律失常心動周期、第二預設數量的室性心律失常心動周期及第二預設數量的室性融合波心動周期。

優選的，所述方法還包括：

獲取待檢測目標的第四預設數量的心動周期的形態特征；

通過聚類算法，對所述待檢測目標的第四預設數量的心動周期的形態特征聚類；

按照第二預設規則在每類待檢測目標的心動周期的形態特征中選取待檢測目標的心動周期的形態特征；

根據選取出的待檢測目標的心動周期的形態特征，通過深度學習算法對所述第一參數檢測模型進行優化，獲取第二參數檢測模型，以根據所述第二參數檢測模型對待檢測目標的心動周期的形態特征進行分類。

優選的，所述通過聚類算法，對所述待檢測目標的第四預設數量的心動周期的形態特征分類，包括：

通過聚類算法，對所述待檢測目標的第四預設數量的心動周期的形態特征進行無監督聚類，以實現對所述待檢測目標的第四預設數量的心動周期的形態特征的聚類。

優選的，所述方法還包括：

利用所述第二參數檢測模型對所述待檢測目標的第四預設數量的心動周期的形態特征中的未選取的心動周期的形態特征進行分類。

優選的，所述聚類算法為基于密度的聚類算法，所述深度學習算法為遞歸神經網絡算法。

優選的，每個所述心動周期的形態特征包括當前心動周期中第一預設間隔的采樣點的幅值和所述當前心動周期的前一心動周期的T波周期內第二預設間隔的采樣點的幅值。

第二方面，本發明還提供一種檢測模型獲取裝置，包括：

獲取單元，用于獲取第一預設數量的心動周期的形態特征；所述第一預設數量的心動周期的形態特征中包括第二預設數量的第一類心動周期的形態特征和第三預設數量的第二類心動周期的形態特征；

聚類單元，用于通過聚類算法，對所述第一預設數量的心動周期的形態特征聚類；

選取單元，用于按照第一預設規則在每類心動周期的形態特征中選取心動周期的形態特征；

訓練單元，用于根據選取出的心動周期的形態特征，通過第一預設方法訓練獲取第一參數檢測模型。

優選的，所述訓練單元，還用于：

根據選取出的心動周期的形態特征，通過深度學習算法訓練獲取第一參數檢測模型。

由上述技術方案可知，本發明實施例中直接采用原始的心動周期的形態特征作為訓練數據訓練得到第一參數檢測模型，使得訓練出的第一參數檢測模型更準確，提高其使用的敏感度和準確率。本發明利用聚類算法對數據集中數據(獲取的第一預設數量的心動周期的形態特征心動周期的形態特征)聚類，選擇具有代表性的數據作為共同訓練集；基于共同訓練集進行訓練，得到第一參數檢測模型，聚類算法的使用保證了訓練集中數據的代表性，可以提高第一參數檢測模型的分類性能，采用深度學習算法可實現特征的自主學習和波形的分類。

附圖說明

圖1為本發明一實施例提供的檢測模型獲取方法的流程圖；

圖2為本發明一實施例提供的所提取各心動周期波形圖；

圖3為本發明一實施例提供的利用聚類算法對心動周期的形態特征進行聚類的效果示意圖；

圖4為本發明一實施例提供的檢測模型獲取裝置的原理框圖。

具體實施方式

下面結合附圖和實施例，對本發明的具體實施方式作進一步詳細描述。以下實施例用于說明本發明，但不用來限制本發明的范圍。

圖1為本發明一實施例提供的一種檢測模型獲取方法的流程圖。

如圖1所示的一種檢測模型獲取方法，包括：

S101、獲取第一預設數量的心動周期的形態特征；所述第一預設數量的心動周期的形態特征中包括第二預設數量的第一類心動周期的形態特征和第三預設數量的第二類心動周期的形態特征；

可以理解的是，所述第一預設數量可以根據需要具體選擇。

圖2為本發明一實施例提供的所提取各心動周期波形圖。在本步驟中，每個所述心動周期的形態特征包括當前心動周期中第一預設間隔的采樣點的幅值和所述當前心動周期的前一心動周期的T波周期內第二預設間隔的采樣點的幅值。

例如，一共包括50個心動周期的形態特征，每個心動周期的形態特征包括該心動周期中預設間隔的采樣點的幅值和該心動周期的前一心動周期的T波周期內預設間隔的采樣點的幅值，所述第一預設間隔的采樣點或第二預設間隔的采樣點：如每隔5個采樣點取一個采樣點，獲取該采樣點的幅值，具體間隔的采樣點數根據采樣頻率以及具體需要確定，本發明對此不做限制。

S102、通過聚類算法，對所述第一預設數量的心動周期的形態特征聚類；

圖3為本發明一實施例提供的利用聚類算法對心動周期的形態特征進行聚類的效果示意圖。

S103、按照第一預設規則在每類心動周期的形態特征中選取心動周期的形態特征；

可以理解的是，所述第一預設規則可以為：若某個類別中的心動周期的形態特征的數量大于等于預設值，則在該類心動周期的形態特征集合中隨機選取一定比例，如50％的心動周期的形態特征，若心動周期的形態特征的數量小于所述預設值,則不在該類別中選取心動周期的形態特征。事實上，也可以根據具體情況采用其他規則。

S104、根據選取出的心動周期的形態特征，通過第一預設方法訓練獲取第一參數檢測模型。

優選的，根據選取出的心動周期的形態特征，通過深度學習算法訓練獲取第一參數檢測模型。

本發明實施例中直接采用原始的心動周期的形態特征作為訓練數據訓練得到第一參數檢測模型，使得訓練出的第一參數檢測模型更準確，提高其使用的敏感度和準確率。本發明利用聚類算法對數據集中數據(獲取的第一預設數量的心動周期的形態特征心動周期的形態特征)聚類，選擇具有代表性的數據作為共同訓練集；基于共同訓練集進行訓練，得到第一參數檢測模型，聚類算法的使用保證了訓練集中數據的代表性，可以提高第一參數檢測模型的分類性能，采用深度學習算法可實現特征的自主學習和波形的分類。

作為一種優選實施例，所述第三預設數量的第二類心動周期包括第二預設數量的室上性心律失常心動周期、第二預設數量的室性心律失常心動周期及第二預設數量的室性融合波心動周期。即，所述第一預設數量的心動周期的形態特征中的室上性心律失常心動周期、室性心律失常心動周期、室性融合波心動周期和第一類心動周期的形態特征數量相等。

作為一種優選實施例，所述方法還包括：

獲取待檢測目標的第四預設數量的心動周期的形態特征；

在本步驟中，每個所述心動周期的形態特征包括當前心動周期中第一預設間隔的采樣點的幅值和所述當前心動周期的前一心動周期的T波周期內第二預設間隔的采樣點的幅值。

例如，一共包括50個心動周期的形態特征，每個心動周期的形態特征包括該心動周期中預設間隔的采樣點的幅值和該心動周期的前一心動周期的T波周期內預設間隔的采樣點的幅值，所述第一預設間隔的采樣點或第二預設間隔的采樣點：如每隔5個采樣點取一個采樣點，獲取該采樣點的幅值，具體間隔的采樣點數根據采樣頻率以及具體需要確定，本發明對此不做限制。

通過聚類算法，對所述待檢測目標的第四預設數量的心動周期的形態特征聚類；

優選的，通過聚類算法，對所述待檢測目標的第四預設數量的心動周期的形態特征進行無監督聚類，以實現對所述待檢測目標的第四預設數量的心動周期的形態特征的聚類。

按照第二預設規則在每類待檢測目標的心動周期的形態特征中選取待檢測目標的心動周期的形態特征；

可以理解的是，所述第二預設規則可以為：若某個類別中的心動周期的形態特征的數量大于等于預設值，則在該類心動周期的形態特征集合中隨機選取一定比例，如50％的心動周期的形態特征，若心動周期的形態特征的數量小于所述預設值,則不在該類別中選取心動周期的形態特征。事實上，也可以根據具體情況采用其他規則。

根據選取出的待檢測目標的心動周期的形態特征，通過深度學習算法對所述第一參數檢測模型進行優化，獲取第二參數檢測模型，以根據所述第二參數檢測模型對待檢測目標的心動周期的形態特征進行分類。

作為一種優選實施例，所述方法還包括：

利用所述第二參數檢測模型對所述待檢測目標的第四預設數量的心動周期的形態特征中的未選取的心動周期的形態特征進行分類。

本發明實施例在第一參數檢測模型的基礎上，基于待檢測目標的代表性數據(選取出的待檢測目標的心動周期的形態特征)，利用深度學習算法對第一參數檢測模型進行優化，得到第二參數檢測模型，用該第二參數檢測模型對所述待檢測目標的第四預設數量的心動周期的形態特征中的未選取的心動周期的形態特征進行分類，其分類敏感度與準確率較高。

作為一種優選實施例，所述聚類算法為基于密度的聚類算法，所述深度學習算法為遞歸神經網絡算法。

圖4為本發明一實施例提供的檢測模型獲取裝置的原理框圖。

如圖4所示的一種檢測模型獲取裝置，包括：

獲取單元401，用于獲取第一預設數量的心動周期的形態特征；所述第一預設數量的心動周期的形態特征中包括第二預設數量的第一類心動周期的形態特征和第三預設數量的第二類心動周期的形態特征；

聚類單元402，用于通過聚類算法，對所述第一預設數量的心動周期的形態特征聚類；

選取單元403，用于按照第一預設規則在每類心動周期的形態特征中選取心動周期的形態特征；

訓練單元404，用于根據選取出的心動周期的形態特征，通過第一預設方法訓練獲取第一參數檢測模型。

作為一種優選實施例，所述訓練單元404，還用于：

根據選取出的心動周期的形態特征，通過深度學習算法訓練獲取第一參數檢測模型。

由于本發明的一種檢測模型獲取裝置和一種檢測模型獲取方法是一一對應的，因此對一種檢測模型獲取裝置不再詳述。

本領域普通技術人員可以理解：以上各實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述各實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明權利要求所限定的范圍。