心电检测的方法、装置、设备及存储介质与流程

1.本发明涉及心电检测技术领域，尤其涉及一种心电检测的方法、装置、设备及存储介质。


背景技术：

2.在现代医学领域，及时有效地检测心律异常对于预防心血管疾病十分重要。心电信号检测是最常用的心律异常检测方法之一，它通过收集心电图（ecg）信号分析患者的心律。然而，在现有技术中，大量数据采集和分析仍然存在许多挑战，如低信噪比、缺乏有效特征提取方法以及高准确性和实时性的检测算法。为了克服这些问题，研究人员一直在寻找更有效的心律异常检测模型和方法。


技术实现要素：

3.本发明提供了一种心电检测的方法、装置、设备及存储介质，用于解决上述提到的技术问题。
4.本发明第一方面提供了一种心电检测的方法，所述心电检测的方法包括：通过智能穿戴设备获取心电信号的监测数据；对所述监测数据进行预处理，得到去噪后的第一监测数据，并对所述第一监测数据进行特征提取和标记，得到第二监测数据；构建具有kd策略的informer架构kd-informer，得到心律异常检测模型；其中，kd-informer采用informer作为学习共享高级特征的骨干网络，并采用带有压缩和激发模块的resnet结构用于融合先验信息；将第二监测数据按照预设的比例划分训练集、验证集和测试集，并对所述心律异常检测模型进行预测性能训练；其中，利用训练集和验证集对建立的心律异常检测模型进行训练和参数选择，测试集用于检验经训练和参数选择后得到的心律异常检测模型的泛化能力；调用训练后的心律异常检测模型对待分析的心电数据进行心律异常识别处理，得到识别结果，并采用merkle patricia树算法，在各个节点上加密存储所述识别结果。
5.可选的，在本发明第一方面的第一种实现方式中，所述通过智能穿戴设备获取心电信号的监测数据；对所述监测数据进行预处理，得到去噪后的第一监测数据，包括：通过智能穿戴设备获取心电信号，并基于心电信号的属性获取局部化的小波基；将所述小波基进行多层小波分解，分解为一系列的细节系数和一个近似系数，并提取心电信号的不同层次的频率；针对每个层次的频率对应的细节系数和近似系数，并基于预设的阈值，将小于阈值的细节系数和近似系数设为零；其中，采用visushrink、sureshrink或bayesshrink方法，根据心电信号的噪声水平和信号幅值特点确定阈值；使用处理后的细节系数和近似系数进行信号的小波重构，得到去噪后的第一监测数据。
6.可选的，在本发明第一方面的第二种实现方式中，所述对所述第一监测数据进行特征提取和标记，得到第二监测数据，包括：对所述第一监测数据进行低通滤波处理，得到滤波信号；对所述滤波信号进行差分运算处理，得到一阶差分信号；对所述一阶差分信号进行平方处理，得到平方信号；对所述平方信号进行滑动平均积分处理，得到滑动平均积分信号；其中，根据平方信号的特性设置对应的积分窗口宽度；利用历史qrs波幅值作参考，计算自适应阈值，通过滑动平均积分信号中满足的自适应阈值的最大值，定位qrs波波峰，即r波位置；从r波位置开始，利用心电信号波形特性对心电信号进行频段分析，并分别对p波和t波进行特征提取，得到p波数据和t波数据，并标记对应的标注。
7.可选的，在本发明第一方面的第三种实现方式中，所述构建具有kd策略的informer架构kd-informer，得到心律异常检测模型的步骤，包括：基于带有压缩和激发模块的resnet结构来融合先验信息，训练一个完整版本的informer教师模型；选择一个轻量级的informer作为informer学生模型；其中，初始化informer学生模型，通过基于响应的kd策略将informer教师模型学到的知识融合到informer学生模型的训练过程中；评估informer学生模型在心律异常检测任务上的表现，得到表现结果，根据所述表现结果对informer学生模型进行调优。
8.可选的，在本发明第一方面的第四种实现方式中，所述测试集用于检验经训练和参数选择后得到的心律异常检测模型的泛化能力，包括：获取比例划分过后的初始测试集的特征集，并采用sbs和随机森林方法分别从所述特征集中过滤出具有前c位的特征子集；在特征参数的后向消除阶段，依次消除重要性最低的特征，将剩余的特征集输入到回归器以拟合血压值，并根据优化后的回归结果选择最终的特征集，作为心律异常检测模型的测试集。
9.可选的，在本发明第一方面的第五种实现方式中，所述采用merkle patricia树算法，在各个节点上加密存储所述识别结果，包括：初始化一个空的merkle patricia树节点作为根节点，并在根节点创建一个节点池用于存储和管理树的各个节点；对识别结果进行分组，并使用哈希函数为每组识别结果生成对应的哈希值，将生成的哈希值作为叶子节点的标识输入节点池；以二进制形式表示哈希值，并在每个叶子节点中保存对应的前缀，将叶子节点连接到合适的内部节点，构建连接路径；预先选择一个加密哈希函数，针对每个叶子节点和内部节点应用哈希函数，对叶子节点的标识进行加密，内部节点对子节点的哈希值进行连接并加密；将加密后的merkle patricia树的子节点哈希值和节点池信息分布到网络中的其他节点，各个其它节点根据所接收的信息还原出相同的树结构。
10.本发明第二方面提供了一种心电检测的装置，所述心电检测的装置包括：获取模块，用于通过智能穿戴设备获取心电信号的监测数据；对所述监测数据进行预处理，得到去噪后的第一监测数据，并对所述第一监测数据进行特征提取和标记，得到第二监测数据；构建模块，用于构建具有kd策略的informer架构kd-informer，得到心律异常检测模型；其中，kd-informer采用informer作为学习共享高级特征的骨干网络，并采用带有压缩和激发模块的resnet结构用于融合先验信息；训练模块，用于将第二监测数据按照预设的比例划分训练集、验证集和测试集，并对所述心律异常检测模型进行预测性能训练；其中，利用训练集和验证集对建立的心律异常检测模型进行训练和参数选择，测试集用于检验经训练和参数选择后得到的心律异常检测模型的泛化能力；处理模块，用于调用训练后的心律异常检测模型对待分析的心电数据进行心律异常识别处理，得到识别结果，并采用merkle patricia树算法，在各个节点上加密存储所述识别结果。
11.本发明第三方面提供了一种心电检测的设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述心电检测的设备执行上述的心电检测的方法。
12.本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的心电检测的方法。
13.本发明提供的技术方案中，有益效果：本发明提供的一种心电检测的方法、装置、设备及存储介质，通过采用智能穿戴设备获取心电信号监测数据，并对其进行预处理、特征提取和标记。实现了降低信噪比，并提高数据的质量。通过构建具有kd策略的informer架构（kd-informer），充分利用informer作为学习共享高级特征的骨干网络，以及带有压缩和激发模块的resnet结构进行先验信息融合，从而实现了一种可精确、实时地识别心律异常的检测模型。将监测数据划分为训练集、验证集和测试集，可以对心律异常检测模型进行预测性能训练，进一步提高模型的准确性和泛化能力。此外，使用merkle patricia树算法加密存储识别结果可保护患者的隐私和数据安全。
附图说明
14.图1为本发明实施例中心电检测的方法的一个实施例示意图；图2为本发明实施例中心电检测的装置的一个实施例示意图。
具体实施方式
15.本发明实施例提供了一种心电检测的方法、装置、设备及存储介质，用于提高心电信号诊断的敏感性和特异性，进而提高心电检测的准确性。
16.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不
排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
17.为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中心电检测的方法的一个实施例包括：步骤101、通过智能穿戴设备获取心电信号的监测数据；对所述监测数据进行预处理，得到去噪后的第一监测数据，并对所述第一监测数据进行特征提取和标记，得到第二监测数据；可以理解的是，本发明的执行主体可以为心电检测的装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以心电检测的装置为执行主体为例进行说明。
18.具体的，获取心电信号监测数据的过程逐步解释如下：通过智能穿戴设备获取心电信号：首先，用户佩戴智能穿戴设备，如心电监测手表、心电贴片。这些设备将通过传感器实时无创地监测用户的心电信号。通常，心电信号包含用户心脏电极激发和传导的信息。
19.对监测数据进行预处理：由于心电数据中存在噪音（来自设备、生理干扰或外部干扰），在预处理阶段，使用去噪算法（如滤波器、小波变换）对原始心电数据进行清洗，得到清晰度更高的去噪后的心电信号，即第一监测数据。
20.特征提取和标记：接下来，基于去噪后的第一监测数据，使用特征提取算法对心电信号中的关键特征进行提取。特征提取包括寻找心电信号的r波峰值、qrs波形、rr间期指标，这些指标有助于识别不同类型的心律异常。此外，还会标注该数据对应的心律类型，如正常心律、心动过速、心动过缓，以便于后续模型训练。经过特征提取和标记，将得到第二监测数据。
21.步骤102、构建具有kd策略的informer架构kd-informer，得到心律异常检测模型；其中，kd-informer采用informer作为学习共享高级特征的骨干网络，并采用带有压缩和激发模块的resnet结构用于融合先验信息；具体的，构建具有kd策略的informer架构（kd-informer）的过程逐步解释如下：采用informer作为骨干网络：在构建kd-informer时，首先将informer模型作为学习共享高级特征的主要框架。informer是一种先进的深度学习模型，主要用于时序数据的预测任务以及捕捉心电信号的长期和短期依赖关系，从而辅助识别心律异常。
22.引入kd策略：kd（knowledge distillation）策略是一种模型压缩技术，通过在训练过程中引导小模型从大模型中提取知识，从而保持较小模型的推理速度同时提高其预测性能。在kd-informer中，使用kd策略将informer的部分高级特征迁移到适合实时应用的异常检测模型中，以在保持准确率的前提下降低计算量和推理延迟。
23.融合先验信息：kd-informer还通过采用带有压缩和激发模块的resnet结构来融合先验信息。resnet（深度残差网络）是一种卷积神经网络，能够捕捉图像或信号数据的局部和全局特征，提高模型性能。压缩和激发模块能够自适应地选择重要的信息并压缩冗余信息，从而确保在融合过程中保留了关键特征。
24.步骤103、将第二监测数据按照预设的比例划分训练集、验证集和测试集，并对所述心律异常检测模型进行预测性能训练；其中，利用训练集和验证集对建立的心律异常检
测模型进行训练和参数选择，测试集用于检验经训练和参数选择后得到的心律异常检测模型的泛化能力；具体的，将第二监测数据划分为训练集、验证集和测试集，并对心律异常检测模型进行预测性能训练。以下是详细解释：数据集划分：将第二监测数据（已进行特征提取和标记的数据）按照预设的比例划分为训练集、验证集和测试集。划分比例是60%的训练集，20%的验证集和20%的测试集。训练集用于模型训练，验证集用于调整模型参数，测试集用于评估模型泛化能力。
25.训练心律异常检测模型：在这个过程中，将kd-informer模型应用于训练集，输入特征进行学习。模型会自动调整参数以最小化预测误差。预测误差是模型预测结果与实际结果之间的差异，它用于评估模型性能。
26.参数选择与调整：通过在训练过程中同时使用验证集，可以验证模型在未见过的数据上的性能。基于验证集评估模型的表现，调整超参数（如学习率、正则化参数等），从而优化模型在未见过的数据上的预测性能。
27.评估模型泛化能力：最后，在模型训练和调参完成后，使用测试集评估心律异常检测模型的泛化能力。测试集中的数据模型在训练和调参过程中均未见过，因此可以客观判断模型在面对实际应用场景时的识别准确率和可靠性。
28.步骤104、调用训练后的心律异常检测模型对待分析的心电数据进行心律异常识别处理，得到识别结果，并采用merkle patricia树算法，在各个节点上加密存储所述识别结果。
29.具体的，调用训练后的心律异常检测模型对待分析心电数据进行识别处理，并使用merkle patricia树算法加密存储识别结果。以下是详细解释：调用训练后的模型：首先，利用训练和优化过的心律异常检测模型，对待分析的心电数据进行心律异常识别处理。将去噪后的心电信号输入模型，模型将会根据学到的知识和权重自动预测心电信号对应的心律类型（如正常心律、心动过速、心动过缓等），并输出识别结果。
30.merkle patricia树算法介绍：merkle patricia树（也称为merkle trie）是一种高效的数据结构，用于加密存储和验证大量数据。每个节点包含一个hash值，该hash值由节点存储数据内容计算而来。通过计算树的根节点的hash值（称为merkle根），可以确保整个数据结构的完整性和一致性。
31.加密存储识别结果：在获取模型的识别结果后，将这些结果放入merkle patricia树数据结构中。通过计算每个节点的hash值，可以构建完整的merkle patricia树。通过这种方式加密存储识别结果，可以确保数据的完整性和安全性，同时保护患者的隐私。
32.本发明实施例中，有益效果：本发明提供的一种心电检测的方法，通过采用智能穿戴设备获取心电信号监测数据，并对其进行预处理、特征提取和标记。实现了降低信噪比，并提高数据的质量。通过构建具有kd策略的informer架构（kd-informer），充分利用informer作为学习共享高级特征的骨干网络，以及带有压缩和激发模块的resnet结构进行先验信息融合，从而实现了一种可精确、实时地识别心律异常的检测模型。将监测数据划分为训练集、验证集和测试集，可以对心律异常检测模型进行预测性能训练，进一步提高模型的准确性和泛化能力。此外，使用merkle patricia树算法加密存储识别结果可保护患者的
隐私和数据安全。
33.本发明实施例中心电检测的方法的另一个实施例包括：所述通过智能穿戴设备获取心电信号的监测数据；对所述监测数据进行预处理，得到去噪后的第一监测数据，包括：通过智能穿戴设备获取心电信号，并基于心电信号的属性获取局部化的小波基；将所述小波基进行多层小波分解，分解为一系列的细节系数和一个近似系数，并提取心电信号的不同层次的频率；针对每个层次的频率对应的细节系数和近似系数，并基于预设的阈值，将小于阈值的细节系数和近似系数设为零；其中，采用visushrink、sureshrink或bayesshrink方法，根据心电信号的噪声水平和信号幅值特点确定阈值；使用处理后的细节系数和近似系数进行信号的小波重构，得到去噪后的第一监测数据。
34.具体的，对通过智能穿戴设备获取的心电信号进行预处理，得到去噪后的监测数据。以下是详细解释：获取局部化的小波基：首先，使用智能穿戴设备（如心电监测手表）采集患者的心电信号。根据心电信号的属性（如频率、幅度等），获取一个局部化的小波基，适合用于进行小波分解和重构。
35.多层小波分解：将采集到的心电信号和所选小波基进行多层小波分解。通过分解过程，将原始心电信号分解为一系列不同层次频率的细节系数（描述信号的细节信息）和一个近似系数（描述信号的大致趋势）。
36.阈值处理：根据预设的阈值，对每个层次的频率对应的细节系数和近似系数进行处理。小于阈值的细节系数和近似系数会被设为零。阈值可以通过使用visushrink、sureshrink或bayesshrink方法确定，这些方法根据心电信号的噪声水平和信号幅值特点来自适应地设定阈值。
37.信号的小波重构：在处理后的细节系数和近似系数基础上，进行信号的小波重构。通过小波重构，可合成去噪后的心电信号。这种去噪方法能有效地保留心电信号的关键特征，并降低噪声影响，得到清晰度更高的第一监测数据。
38.本发明实施例中，有益效果：本发明实施例从原始心电信号中获得去噪后的第一监测数据。这使得后续心律异常检测更加准确可靠。
39.本发明实施例中心电检测的方法的另一个实施例包括：所述对所述第一监测数据进行特征提取和标记，得到第二监测数据，包括：对所述第一监测数据进行低通滤波处理，得到滤波信号；对所述滤波信号进行差分运算处理，得到一阶差分信号；对所述一阶差分信号进行平方处理，得到平方信号；对所述平方信号进行滑动平均积分处理，得到滑动平均积分信号；其中，根据平方信号的特性设置对应的积分窗口宽度；利用历史qrs波幅值作参考，计算自适应阈值，通过滑动平均积分信号中满足的自适应阈值的最大值，定位qrs波波峰，即r波位置；从r波位置开始，利用心电信号波形特性对心电信号进行频段分析，并分别对p波
和t波进行特征提取，得到p波数据和t波数据，并标记对应的标注。
40.具体的，对去噪后的第一监测数据进行特征提取和标记，得到第二监测数据。以下是详细解释：低通滤波处理：对第一监测数据进行低通滤波处理，以进一步减少高频噪声并保留关键心电信号特性。这将得到更清晰的滤波信号。
41.差分运算处理：对滤波信号进行差分运算处理，以得到一阶差分信号。这有助于突出信号中的边缘和突变特征，为后续的qrs波定位提供基础。
42.平方处理：对一阶差分信号进行平方处理，得到平方信号。平方处理有助于更清楚地突显qrs波复杂度。
43.滑动平均积分处理：对平方信号进行滑动平均积分处理，得到滑动平均积分信号。根据平方信号的特性设置对应的积分窗口宽度。滑动平均积分处理有助于平滑信号,使得qrs波在信号中更容易被区分。
44.计算自适应阈值并定位r波：利用历史qrs波幅值作参考，计算自适应阈值。在滑动平均积分信号中找到满足自适应阈值的最大值，从而定位qrs波波峰，即r波位置。
45.频段分析与特征提取：从定位到的r波位置开始，利用心电信号显著特性对信号进行频段分析。对p波和t波分别进行特征提取，得到p波数据和t波数据。这些特征有助于区分心律失常的类型。
46.标记：根据特征提取结果，为p波数据和t波数据添加标记。这些标记用于为后续的模型训练和验证提供监督信息。
47.本发明实施例中心电检测的方法的另一个实施例包括：所述构建具有kd策略的informer架构kd-informer，得到心律异常检测模型的步骤，包括：基于带有压缩和激发模块的resnet结构来融合先验信息，训练一个完整版本的informer教师模型；选择一个轻量级的informer作为informer学生模型；其中，初始化informer学生模型，通过基于响应的kd策略将informer教师模型学到的知识融合到informer学生模型的训练过程中；评估informer学生模型在心律异常检测任务上的表现，得到表现结果，根据所述表现结果对informer学生模型进行调优。
48.具体的，构建了一个具有kd策略（知识蒸馏策略）的informer架构，称为kd-informer，这是一个心律异常检测模型。以下是详细解释：构建informer教师模型：基于带有压缩和激发模块的resnet结构来融合先验信息，训练一个完整版本的informer教师模型。这个教师模型被训练以捕捉到心律异常检测任务中的关键模式和不同的异常类型。
49.选择informer学生模型：接下来，选择一个轻量级的informer作为informer学生模型。学生模型的目标是通过学习教师模型的知识来提高其准确性并优化计算性能。
50.初始化informer学生模型：对informer学生模型进行初始化，为后续训练做好准备。
51.基于响应的kd策略：通过基于响应的kd策略，将informer教师模型学到的知识融
合到informer学生模型的训练过程中。知识蒸馏通过教师模型的输出生成的软标签进行传递，以引导学生模型学习更有效的特征表示。
52.评估informer学生模型在心律异常检测任务上的表现：在训练学生模型时，将使用验证集来评估其在心律异常检测任务上的表现。
53.根据表现结果调优informer学生模型：如果informer学生模型表现较差，根据评估结果对学生模型进行调优。调优包括改变结构、调整学习率或优化其他训练参数。
54.本发明实施例中心电检测的方法的另一个实施例包括：所述测试集用于检验经训练和参数选择后得到的心律异常检测模型的泛化能力，包括：获取比例划分过后的初始测试集的特征集，并采用sbs和随机森林方法分别从所述特征集中过滤出具有前c位的特征子集；在特征参数的后向消除阶段，依次消除重要性最低的特征，将剩余的特征集输入到回归器以拟合血压值，并根据优化后的回归结果选择最终的特征集，作为心律异常检测模型的测试集。
55.具体的，使用测试集来检验经过训练和参数选择后的心律异常检测模型在未知数据上的泛化能力。以下是详细解释：获取初始测试集特征集：首先，从初始测试集中获取特征集。这些特征集包含了各种心律异常检测任务所需的各类信息。
56.过滤具有前c位的特征子集：使用sbs（顺序后向选择）方法和随机森林方法分别从特征集中过滤出具有前c位特征的子集。sbs和随机森林方法都是为了在大量特征中筛选出最具相关性和预测性的特征子集，降低模型的复杂度并提高泛化能力。
57.特征参数后向消除阶段：在后向消除阶段，将依次消除重要性最低的特征。消除过程中，在每一步都会拟合一个回归模型，使用剩余的特征集来预测血压值。
58.选择最终特征集：根据优化后的回归结果，逐步消除特征，直至找到一个性能较好的回归模型。所使用的特征集将作为心律异常检测模型的测试集。
59.本发明实施例中心电检测的方法的另一个实施例包括：所述采用merkle patricia树算法，在各个节点上加密存储所述识别结果，包括：初始化一个空的merkle patricia树节点作为根节点，并在根节点创建一个节点池用于存储和管理树的各个节点；对识别结果进行分组，并使用哈希函数为每组识别结果生成对应的哈希值，将生成的哈希值作为叶子节点的标识输入节点池；以二进制形式表示哈希值，并在每个叶子节点中保存对应的前缀，将叶子节点连接到合适的内部节点，构建连接路径；预先选择一个加密哈希函数，针对每个叶子节点和内部节点应用哈希函数，对叶子节点的标识进行加密，内部节点对子节点的哈希值进行连接并加密；将加密后的merkle patricia树的子节点哈希值和节点池信息分布到网络中的其他节点，各个其它节点根据所接收的信息还原出相同的树结构。
60.具体的，采用merkle patricia树算法对识别结果进行加密存储，具体步骤如下：初始化一个空的merkle patricia树节点，将其作为根节点。在根节点创建一个节
点池，用于存储和管理树的各个节点。
61.首先对识别结果进行分组。然后使用哈希函数为每组识别结果生成对应的哈希值，将生成的哈希值作为叶子节点的标识输入节点池。
62.将哈希值以二进制形式表示，并在每个叶子节点中保存对应的前缀。进而将叶子节点连接到合适的内部节点，构建连接路径。
63.预先选择一个加密哈希函数，并对每个叶子节点和内部节点应用该函数。对叶子节点的标识进行加密，内部节点则对子节点的哈希值进行连接并加密。
64.将加密后的merkle patricia树的子节点哈希值和节点池信息分布到网络中的其他节点。最后，各个节点根据所接收到的信息还原出相同的树结构。
65.上面对本发明实施例中心电检测的方法进行了描述，下面对本发明实施例中心电检测的装置1进行描述，请参阅图2，本发明实施例中心电检测的装置1一个实施例包括：获取模块11，用于通过智能穿戴设备获取心电信号的监测数据；对所述监测数据进行预处理，得到去噪后的第一监测数据，并对所述第一监测数据进行特征提取和标记，得到第二监测数据；构建模块12，用于构建具有kd策略的informer架构kd-informer，得到心律异常检测模型；其中，kd-informer采用informer作为学习共享高级特征的骨干网络，并采用带有压缩和激发模块的resnet结构用于融合先验信息；训练模块13，用于将第二监测数据按照预设的比例划分训练集、验证集和测试集，并对所述心律异常检测模型进行预测性能训练；其中，利用训练集和验证集对建立的心律异常检测模型进行训练和参数选择，测试集用于检验经训练和参数选择后得到的心律异常检测模型的泛化能力；处理模块14，用于调用训练后的心律异常检测模型对待分析的心电数据进行心律异常识别处理，得到识别结果，并采用merkle patricia树算法，在各个节点上加密存储所述识别结果。
66.在本实施例中，上述心电检测的装置实施例中的各个模块的具体实现，请参照上述心电检测的方法实施例中所述，在此不再进行赘述。
67.本发明还提供一种心电检测的设备，所述心电检测的设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述心电检测的方法的步骤。
68.本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述心电检测的方法的步骤。
69.有益效果：本发明提供的一种心电检测的方法、装置、设备及存储介质，通过采用智能穿戴设备获取心电信号监测数据，并对其进行预处理、特征提取和标记。实现了降低信噪比，并提高数据的质量。通过构建具有kd策略的informer架构（kd-informer），充分利用informer作为学习共享高级特征的骨干网络，以及带有压缩和激发模块的resnet结构进行先验信息融合，从而实现了一种可精确、实时地识别心律异常的检测模型。将监测数据划分为训练集、验证集和测试集，可以对心律异常检测模型进行预测性能训练，进一步提高模型
的准确性和泛化能力。此外，使用merkle patricia树算法加密存储识别结果可保护患者的隐私和数据安全。
70.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
71.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（read-only memory， rom）、随机存取存储器（random access memory，ram）、磁碟或者光盘等各种可以存储程序代码的介质。
72.以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种心电检测的方法，其特征在于，包括：通过智能穿戴设备获取心电信号的监测数据；对所述监测数据进行预处理，得到去噪后的第一监测数据，并对所述第一监测数据进行特征提取和标记，得到第二监测数据；构建具有kd策略的informer架构kd-informer，得到心律异常检测模型；其中，kd-informer采用informer作为学习共享高级特征的骨干网络，并采用带有压缩和激发模块的resnet结构用于融合先验信息；将第二监测数据按照预设的比例划分训练集、验证集和测试集，并对所述心律异常检测模型进行预测性能训练；其中，利用训练集和验证集对建立的心律异常检测模型进行训练和参数选择，测试集用于检验经训练和参数选择后得到的心律异常检测模型的泛化能力；调用训练后的心律异常检测模型对待分析的心电数据进行心律异常识别处理，得到识别结果，并采用merkle patricia树算法，在各个节点上加密存储所述识别结果。2.根据权利要求1所述的方法，其特征在于，所述通过智能穿戴设备获取心电信号的监测数据；对所述监测数据进行预处理，得到去噪后的第一监测数据，包括：通过智能穿戴设备获取心电信号，并基于心电信号的属性获取局部化的小波基；将所述小波基进行多层小波分解，分解为一系列的细节系数和一个近似系数，并提取心电信号的不同层次的频率；针对每个层次的频率对应的细节系数和近似系数，并基于预设的阈值，将小于阈值的细节系数和近似系数设为零；其中，采用visushrink、sureshrink或bayesshrink方法，根据心电信号的噪声水平和信号幅值特点确定阈值；使用处理后的细节系数和近似系数进行信号的小波重构，得到去噪后的第一监测数据。3.根据权利要求1所述的方法，其特征在于，所述对所述第一监测数据进行特征提取和标记，得到第二监测数据，包括：对所述第一监测数据进行低通滤波处理，得到滤波信号；对所述滤波信号进行差分运算处理，得到一阶差分信号；对所述一阶差分信号进行平方处理，得到平方信号；对所述平方信号进行滑动平均积分处理，得到滑动平均积分信号；其中，根据平方信号的特性设置对应的积分窗口宽度；利用历史qrs波幅值作参考，计算自适应阈值，通过滑动平均积分信号中满足的自适应阈值的最大值，定位qrs波波峰，即r波位置；从r波位置开始，利用心电信号波形特性对心电信号进行频段分析，并分别对p波和t波进行特征提取，得到p波数据和t波数据，并标记对应的标注。4.根据权利要求1所述的方法，其特征在于，所述构建具有kd策略的informer架构kd-informer，得到心律异常检测模型的步骤，包括：基于带有压缩和激发模块的resnet结构来融合先验信息，训练一个完整版本的informer教师模型；选择一个轻量级的informer作为informer学生模型；其中，初始化informer学生模型，通过基于响应的kd策略将informer教师模型学到的知识融合到informer学生模型的训练
过程中；评估informer学生模型在心律异常检测任务上的表现，得到表现结果，根据所述表现结果对informer学生模型进行调优。5.根据权利要求1所述的方法，其特征在于，所述测试集用于检验经训练和参数选择后得到的心律异常检测模型的泛化能力，包括：获取比例划分过后的初始测试集的特征集，并采用sbs和随机森林方法分别从所述特征集中过滤出具有前c位的特征子集；在特征参数的后向消除阶段，依次消除重要性最低的特征，将剩余的特征集输入到回归器以拟合血压值，并根据优化后的回归结果选择最终的特征集，作为心律异常检测模型的测试集。6.根据权利要求1所述的方法，其特征在于，所述采用merkle patricia树算法，在各个节点上加密存储所述识别结果，包括：初始化一个空的merkle patricia树节点作为根节点，并在根节点创建一个节点池用于存储和管理树的各个节点；对识别结果进行分组，并使用哈希函数为每组识别结果生成对应的哈希值，将生成的哈希值作为叶子节点的标识输入节点池；以二进制形式表示哈希值，并在每个叶子节点中保存对应的前缀，将叶子节点连接到合适的内部节点，构建连接路径；预先选择一个加密哈希函数，针对每个叶子节点和内部节点应用哈希函数，对叶子节点的标识进行加密，内部节点对子节点的哈希值进行连接并加密；将加密后的merkle patricia树的子节点哈希值和节点池信息分布到网络中的其他节点，各个其它节点根据所接收的信息还原出相同的树结构。7.一种心电检测的装置，其特征在于，所述心电检测的装置包括：获取模块，用于通过智能穿戴设备获取心电信号的监测数据；对所述监测数据进行预处理，得到去噪后的第一监测数据，并对所述第一监测数据进行特征提取和标记，得到第二监测数据；构建模块，用于构建具有kd策略的informer架构kd-informer，得到心律异常检测模型；其中，kd-informer采用informer作为学习共享高级特征的骨干网络，并采用带有压缩和激发模块的resnet结构用于融合先验信息；训练模块，用于将第二监测数据按照预设的比例划分训练集、验证集和测试集，并对所述心律异常检测模型进行预测性能训练；其中，利用训练集和验证集对建立的心律异常检测模型进行训练和参数选择，测试集用于检验经训练和参数选择后得到的心律异常检测模型的泛化能力；处理模块，用于调用训练后的心律异常检测模型对待分析的心电数据进行心律异常识别处理，得到识别结果，并采用merkle patricia树算法，在各个节点上加密存储所述识别结果。8.一种心电检测的设备，其特征在于，所述心电检测的设备包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述心电检测的设备执行
如权利要求1-6中任一项所述的心电检测的方法。9.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-6中任一项所述的心电检测的方法。

技术总结
本发明涉及心电检测技术领域，公开了一种心电检测的方法、装置、设备及存储介质。所述心电检测的方法包括：通过智能穿戴设备获取心电信号的监测数据；对所述监测数据进行预处理，得到去噪后的第一监测数据，并对所述第一监测数据进行特征提取和标记，得到第二监测数据；构建具有KD策略的Informer架构KD-Informer，得到心律异常检测模型；本发明能够提高心电信号诊断的敏感性和特异性，进而提高心电检测的准确。准确。准确。


技术研发人员：胡军
受保护的技术使用者：深圳市爱保护科技有限公司
技术研发日：2023.08.08
技术公布日：2023/9/7