CN109077714B - 信号识别方法、装置、设备和存储介质 - Google Patents

信号识别方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN109077714B
CN109077714B CN201810730207.2A CN201810730207A CN109077714B CN 109077714 B CN109077714 B CN 109077714B CN 201810730207 A CN201810730207 A CN 201810730207A CN 109077714 B CN109077714 B CN 109077714B
Authority
CN
China
Prior art keywords
signal
parameter
characteristic parameter
interval
characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810730207.2A
Other languages
English (en)
Other versions
CN109077714A (zh
Inventor
胡静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority to CN201810730207.2A priority Critical patent/CN109077714B/zh
Publication of CN109077714A publication Critical patent/CN109077714A/zh
Application granted granted Critical
Publication of CN109077714B publication Critical patent/CN109077714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Cardiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明实施例公开了一种信号识别方法、装置、设备和存储介质，该方法包括，设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到；将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。应用本实施例中的方法进行信号识别，提高了信号识别的速度和准确度。

Description

信号识别方法、装置、设备和存储介质
技术领域
本发明涉及信号处理技术，尤其涉及一种信号识别方法、装置、设备和存储介质。
背景技术
心房颤动简称房颤，是临床最常见的一种心律失常疾病，减少房颤的发病率和死亡率具有重要的临床意义和社会意义。
在实现本发明的过程中，发明人发现现有技术中至少存在如下问题。现有技术中通过RR间期不规则作为标准来判断房颤是否发作，然而，RR间期绝对不规则也是其他心律信号的表现之一。判断标准单一，导致判断结果不准确。
发明内容
本发明实施例提供一种信号识别方法、装置、设备和存储介质，应用本实施例中的方法进行信号识别，提高了信号识别的速度和准确度。
第一方面，本发明实施例提供了一种信号识别方法，该方法包括：
设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；
设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到；
将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；
将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。
第二方面，本发明实施例还提供了一种信号识别装置，该装置包括：
第一设计模块，用于设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；
第二设计模块，用于设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到；
模型构建模块，用于将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；
信号识别模块，用于将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的信号识别方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的信号识别方法。
本发明实施例中，通过设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到；将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。应用本发明实施例中提供的方法进行信号识别，提高了信号识别的速度和准确度；经过预处理的波形更光滑，预处理消除了高频噪声，更方便准确的提取有效信息；应用本发明实施例中提供的特征参数，能得到更精确的模型参数值，应用深度神经网络模型对待检测信号进行识别，更加能够表征房颤发作的特性，更适合实际应用场景；将该结果在显示设备上显示，作为个人或医生检测或诊断的基础。
附图说明
图1a是本发明实施例一中的一种信号识别方法的流程图；
图1b是本发明实施例一中所适用的一种实际采集到的心电信号的波形图；
图1c是本发明实施例一中所适用的一种预处理后的心电信号的波形图；
图2是本发明实施例二中的一种信号识别方法的流程图；
图3是本发明实施例三中的一种信号识别方法的流程图；
图4是本发明实施例四中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
心电信号(Electrocardiogram，ECG))是指，心脏活动时心肌激动产生的生物电信号。通过识别心电信号，可以识别房颤、其他心律(除房颤外的异常节律)、正常窦性心律和噪声等不同的心电信号。房颤是指心房颤动，是临床最常见的一种心律失常疾病，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。因此，准确识别心电信号有重要的意义。
在一个具体的例子中，心电信号显示在心电图机上，心电图机上显示的心电信号由一系列的波组成，每个波组代表着一个心动周期，一个波组包括P波、QRS波、T波。P波是心房除极波，是每一个波组中的第一波，反映了左右心房的除极过程；典型的QRS波包括三个紧密相连的波，第一个向下的波称为Q波，继Q波之后的一个高尖的直立波称为R波，R波后向下的波称为S波，因其紧密相连，且反映了心室电激动过程，故统称为QRS波，反映了左右心室的除极过程。T波位于S-T段之后，是一个比较低而占时较长的波，它是心室复极所产生的。U波是紧接T波后0.02～0.04s出现的一个低频、低振幅波，方向与T波一致，是心室复极的一部分。
实施例一
图1a为本发明实施例一提供的一种信号识别方法的流程图，本实施例可适用于识别待检测信号的情况，该方法可以由本发明实施例提供的信号识别装置来执行，该装置可采用软件和/或硬件的方式实现。参考图1a，该方法具体可以包括如下步骤：
S110、设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到。
具体的，获取心电信号后，设计其第一特征参数，其中，满足设定条件的波序列可以包括：P波序列以及PR间期构成的序列，然后对其进行设定的运算得到。可选的，第一特征参数可以是ECG的统计特征，设定的运算可以是求不同波形幅值的最大值或最小值等。
其中，心电信号的波形信息可以是波峰位置、波谷位置和波间期，可选的，波间期是指，同一个波形的不同波峰之间的时间差，或者不同波形的波峰之间的时间差，这里不形成具体限定，根据实际的应用情况而定。心电信号的波序列可以是多个心电信号组成的离散序列。
S120、设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到。
具体的，信号波间期包括RR间期、PR间期和QT间期，第二特征参数包括RR间期差的均方根RMS△RR、PR间期差的均方根RMS△PR以及QT间期差的均方根RMS△QT；RR间期差的均方根RMS△RR与RR间期均值的比值RA_RMS△RR；PR间期差的均方根RMS△PR和PR间期均值的比值RA_RMS△PR；QT间期差的均方根RMS△QT和QT间期均值的比值RA_RMS△QT。
在一个具体的例子中，可以通过如下方式设计心电信号的第二特征参数：
第一、计算心电信号的间期差的均方根，计算公式如下：
Figure BDA0001720679820000051
Figure BDA0001720679820000052
Figure BDA0001720679820000053
第二、计算所述均方根与对应的心电信号的间期的比值，计算公式如下：
Figure BDA0001720679820000054
Figure BDA0001720679820000061
Figure BDA0001720679820000062
在上述公式中，N代表波组的数量，ΔRR(i)、ΔPR(i)和ΔQT(i)均代表间期差；RR(i)、PR(i)和QT(i)均代表间期。
S130、将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型。
具体的，将第一特征参数和第二特征参数作为识别特征参数进行训练，确定深度神经网络模型的模型参数。神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统。深度神经网络融合了多种神经网络结构，或者，深度神经网络包括全连接的神经元结构。得到模型的最优参数，以及深度神经网络模型。
可选的，所述神经网络模型为深度置信网络模型，所述深度置信网由多个限制玻尔兹曼机层组成。
其中，深度置信网(deep belief networks，DBNs)由多个限制玻尔兹曼机层组成。限制玻尔兹曼机可被视为一个无向图模型，其中h为隐含层，可视为特征提取器，w为连接矩阵，v为可见层。假设每个节点取值都在集合{0，1}中，即i，j，vi∈{0，1}，hj∈{0，1}，对于一组给定的状态(v，h)，限制玻尔兹曼机作为一个系统所具备的能量定义为
Figure BDA0001720679820000063
其中θ＝{ai，bj，Wij}是限制玻尔兹曼机的参数，均为实数，ai表示可见节点i的偏置，bj表示隐含层节点j的偏置，Wij为可见节点i与隐含层节点j之间的连接矩阵。激活函数采用sigmoid，定义为σ(x)＝1/(1+exp(-x))，分类器采用softmax。
S140、将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。
具体的，应用获取到的深度神经网络模型进行训练，将待检测信号输入深度神经网络模型进行训练，根据训练结果识别待检测信号。
在上述技术方案的基础上，将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号之后，还包括：将识别结果展示在显示设备上，其中，所示识别结果包括信号类型。其中，识别结果可以是房颤信号、其他心律(除房颤外的异常节律)、正常窦性心律和噪声这四种不同的心电信号。应用本发明实施例中提供的方法，更加能够表征房颤发作的特性，更适合实际应用场景。
将该结果在显示设备上显示，作为个人或医生检测或诊断的基础。在一个具体的例子中，显示设备可以是包含心电模块的单导联心电贴、多体征设备或监护仪设备等。
为检测房颤提供了很好的选择，可以运行在便携式心电图仪或房颤检测装置上。通过细分房颤检测的目标分类，将简单的房颤、非房颤分类为更为细致的房颤、其他异常节律、正常窦性节律和噪声，能够更精准地辅助医生进行专业的判断，也更加地实用。
本发明实施例中，通过设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到；将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。应用本实施例中的方法进行信号识别，提高了信号识别的速度和准确度。
在上述技术方案的基础上，所述设计心电信号的第一特征参数之前，还包括：获取心电信号并进行预处理。
具体的，通过专用的信号采集设备对心电信号进行采集，专用的信号采集设备可以是心电图机，对采集后的信号进行预处理。在一个具体的例子中，利用多通道同步数据采集将处理的人体心脏信号、背景噪声和心电信号进行采集和存储。首先，通过心电导联和传感器获得心电数据，通过模拟电路对采集的信号进行阻抗匹配、过滤和放大等处理。然后，由模数转换器把人体生理参数的模拟信号转化为数字信号，由存储器存储。图1b示出了一种实际采集到的心电信号的波形图，其中，心电信号中包含各种噪声，波形粗糙，不光滑，导致QRS波中蕴含的有用信息难以提取。采用低通数字滤波器(巴特沃斯滤波器)进行低通滤波，滤除高频噪声(300Hz以上)，得到滤波后的心电信号。
确定处理后的心电信号的波形信息。示例性的，采用小波变换技术提取心电信号中的P波和QRS波的波形信息，可选的，波形信息包括PR间期、RR间期和QT间期。通过TP和PQ基线获得心电信号的基准点，即P波，Q波，R波，S波和T波的波峰的位置，并计算得到PR间期，RR间期、QT间期等。可选的，间期是指两个波峰之间的时间间隔，例如，PR间期是指，P波的波峰和R波的波峰之间的时间间隔。图1c示出了一种预处理后的心电信号的波形图，通过图1c可以看出，经过预处理的波形更光滑。
实施例二
图2为本发明实施例二提供的一种信号识别方法的流程图，本实施例在上述实施例的基础上实现，其中，第一特征参数包括P波序列的差值参数、P波序列的变化参数和PR间期变异性特征参数。参考图2，该方法具体可以包括如下步骤：
S210、计算P波序列中信号幅值的最大值和所述信号幅值的最小值之差得到所述P波序列的差值参数。
具体的，P(i,j)表示P波序列，i表示P波序列的样本数，j表示P波序列的第j个样本，PD(i)表示P波序列的差值参数，mjax{P(i,j)}表示P波序列中信号幅值的最大值，
Figure BDA0001720679820000093
表示P波序列中信号幅值的最小值。因此，
Figure BDA0001720679820000094
S220、选取满足设定条件的差值参数进行运算，确定P波序列的变化参数。
其中，PDI表示P波序列的变化参数，将P波序列的差值参数的最大值与P波序列中信号幅值的最大值做商，也即，
Figure BDA0001720679820000091
S230、根据PR间期相空间的概率密度函数计算所述PR间期变异性特征参数。
具体的，令x(n)(n＝1，...m)表示PR间期，PR间期的相位空间y(n)和PR间隔变异性PRIV。计算过程如下：
y(n)＝(x(n),x(n+1),...,x(n+(m-1)t),n＝1,2,....,m..
Figure BDA0001720679820000092
其中，||.||表示欧几里得距离，h是阶梯函数，m是嵌入维数，t是延迟时间，C是组合运算，r是设定常量参数。
继续计算P波序列的变化参数PDI和PR间期变化的比值，用于表征两者的相对变化PPR，计算过程如下：
Figure BDA0001720679820000101
S240、设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到。
S250、将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型。
S260、将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。
本发明实施例中，通过计算P波序列中信号幅值的最大值和所述信号幅值的最小值之差得到所述P波序列的差值参数，选取满足设定条件的差值参数进行运算，确定P波序列的变化参数，根据PR间期相空间的概率密度函数计算所述PR间期变异性特征参数。提出了一种结合P波、RR间期和PR间期特征的识别方法，相对于单一的基于P波、RR间期或者PR间期特征的方法，具有更高的鲁棒性，更适合实际应用场景。
实施例三
图3是本发明实施例三提供的一种信号识别装置的结构示意图，该装置适用于执行本发明实施例提供给的一种信号识别方法。如图3所示，该装置具体可以包括：
第一设计模块310，用于设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；
第二设计模块320，用于设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到；
模型构建模块330，用于将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；
信号识别模块340，用于将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。
进一步的，所述第一特征参数包括P波序列的差值参数、P波序列的变化参数和PR间期变异性特征参数；
相应的，第一设计模块310具体用于：
计算P波序列中信号幅值的最大值和所述信号幅值的最小值之差得到所述P波序列的差值参数；
选取满足设定条件的差值参数进行运算，确定P波序列的变化参数；
根据PR间期相空间的概率密度函数计算所述PR间期变异性特征参数。
进一步的，第二设计模块320具体用于：
计算心电信号的间期差的均方根；
计算所述均方根与对应的心电信号的间期的比值。
进一步的，还包括预处理模块，用于在所述设计心电信号的第一特征参数之前，获取心电信号并进行预处理。
进一步的，还包括显示模块，用于在所述将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号之后，将识别结果展示在显示设备上，其中，所示识别结果包括信号类型。
进一步的，所述神经网络模型为深度置信网络模型，所述深度置信网由多个限制玻尔兹曼机层组成。
本发明实施例提供的信号识别装置可执行本发明任意实施例提供的信号识别方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图4中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的信号识别方法：
也即，所述处理单元执行所述程序时实现：设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到；将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。
实施例五
本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的信号识别方法：
也即，该程序被处理器执行时实现：设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到；将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种信号识别方法，其特征在于，包括：
设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；
设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到，具体包括：计算心电信号的间期差的均方根；
计算所述均方根与对应的心电信号的间期的比值；
将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；
将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。
2.根据权利要求1所述的方法，其特征在于，所述第一特征参数包括P波序列的差值参数、P波序列的变化参数和PR间期变异性特征参数；
相应的，所述设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到，包括：
计算P波序列中信号幅值的最大值和所述信号幅值的最小值之差得到所述P波序列的差值参数；
选取满足设定条件的差值参数进行运算，确定P波序列的变化参数；
根据PR间期相空间的概率密度函数计算所述PR间期变异性特征参数。
3.根据权利要求1所述的方法，其特征在于，所述设计心电信号的第一特征参数之前，还包括：
获取心电信号并进行预处理。
4.根据权利要求1所述的方法，其特征在于，所述将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号之后，还包括：
将识别结果展示在显示设备上，其中，所示识别结果包括信号类型。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述神经网络模型为深度置信网络模型，所述深度置信网由多个限制玻尔兹曼机层组成。
6.一种信号识别装置，其特征在于，包括：
第一设计模块，用于设计心电信号的第一特征参数，其中，所述第一特征参数为对满足设定条件的波序列样本进行设定的运算得到；
第二设计模块，用于设计所述心电信号的第二特征参数，其中，所述第二特征参数为对所述心电信号波间期特性进行处理得到，具体包括：计算心电信号的间期差的均方根；计算所述均方根与对应的心电信号的间期的比值；
模型构建模块，用于将所述第一特征参数和所述第二特征参数作为识别特征参数进行训练，构建深度神经网络模型；
信号识别模块，用于将待检测信号输入所述深度神经网络模型进行训练，识别待检测信号。
7.根据权利要求6所述的装置，其特征在于，所述第一特征参数包括P波序列的差值参数、P波序列的变化参数和PR间期变异性特征参数；
相应的，所述第一设计模块具体用于：
计算P波序列中信号幅值的最大值和所述信号幅值的最小值之差得到所述P波序列的差值参数；
选取满足设定条件的差值参数进行运算，确定P波序列的变化参数；
根据PR间期相空间的概率密度函数计算所述PR间期变异性特征参数。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一所述的方法。
9.一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，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN201810730207.2A 2018-07-05 2018-07-05 信号识别方法、装置、设备和存储介质 Active CN109077714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810730207.2A CN109077714B (zh) 2018-07-05 2018-07-05 信号识别方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810730207.2A CN109077714B (zh) 2018-07-05 2018-07-05 信号识别方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN109077714A CN109077714A (zh) 2018-12-25
CN109077714B true CN109077714B (zh) 2021-03-23

Family

ID=64836958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810730207.2A Active CN109077714B (zh) 2018-07-05 2018-07-05 信号识别方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN109077714B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109770859A (zh) * 2019-03-28 2019-05-21 广州视源电子科技股份有限公司 心电信号的处理方法和装置、存储介质、处理器
CN110097011A (zh) * 2019-05-06 2019-08-06 北京邮电大学 一种信号识别方法及装置
TWI701681B (zh) * 2019-05-16 2020-08-11 中國醫藥大學附設醫院 心房顫動預測模型及其預測系統
CN110151177A (zh) * 2019-05-28 2019-08-23 长春理工大学 基于表面肌电信号的足下垂检测装置及检测方法
CN111956203B (zh) * 2020-08-18 2024-09-03 广州视源电子科技股份有限公司 心电信号参数化方法、模型训练方法、装置、设备及介质
CN113792585B (zh) * 2021-08-03 2023-06-27 重庆兆光科技股份有限公司 一种管道振动信号监测方法、系统、电子设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003053233A1 (de) * 2001-12-21 2003-07-03 Hans Esperer Verfahren und vorrichtung zur automatisierten detektion und differenzierung von herzrhythmusstörungen
CN102512157A (zh) * 2011-12-15 2012-06-27 重庆大学 基于模型的动态心电图t波交替定量分析方法
CN104127194A (zh) * 2014-07-14 2014-11-05 华南理工大学 一种基于心率变异性分析方法的抑郁症的评估系统及方法
CN105147248A (zh) * 2015-07-30 2015-12-16 华南理工大学 基于生理信息的抑郁症评估系统及其评估方法
CN106066933A (zh) * 2016-05-27 2016-11-02 成都信汇聚源科技有限公司 获取房颤识别人工神经网络权重值矩阵的方法
CN106889979A (zh) * 2016-12-30 2017-06-27 中国科学院电子学研究所 一种基于心电信号和血氧容积波的连续性血压测量方法
CN107184203A (zh) * 2017-07-03 2017-09-22 重庆大学 基于自适应集合经验模态分解的心电信号特征点识别方法
CN108113664A (zh) * 2017-12-07 2018-06-05 广州视源电子科技股份有限公司 心电信号获取过程中抑制陷波滤波器振铃的方法及系统
CN108186011A (zh) * 2017-12-13 2018-06-22 深圳竹信科技有限公司 房颤检测方法、装置及可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2328205B1 (es) * 2007-07-30 2010-08-30 Universitat Politecnica De Catalunya Metodo para obtener la frecuencia cardiaca y la frecuencia respiratoria en una bascula electronica pesa-personas.
CN101579233A (zh) * 2008-05-14 2009-11-18 深圳市盛力康实业发展有限公司 一种心血管功能检测方法、系统及装置
CN103519826B (zh) * 2013-10-29 2015-05-20 北京新兴阳升科技有限公司 反射式血氧饱和度测量仪及其测量方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003053233A1 (de) * 2001-12-21 2003-07-03 Hans Esperer Verfahren und vorrichtung zur automatisierten detektion und differenzierung von herzrhythmusstörungen
CN102512157A (zh) * 2011-12-15 2012-06-27 重庆大学 基于模型的动态心电图t波交替定量分析方法
CN104127194A (zh) * 2014-07-14 2014-11-05 华南理工大学 一种基于心率变异性分析方法的抑郁症的评估系统及方法
CN105147248A (zh) * 2015-07-30 2015-12-16 华南理工大学 基于生理信息的抑郁症评估系统及其评估方法
CN106066933A (zh) * 2016-05-27 2016-11-02 成都信汇聚源科技有限公司 获取房颤识别人工神经网络权重值矩阵的方法
CN106889979A (zh) * 2016-12-30 2017-06-27 中国科学院电子学研究所 一种基于心电信号和血氧容积波的连续性血压测量方法
CN107184203A (zh) * 2017-07-03 2017-09-22 重庆大学 基于自适应集合经验模态分解的心电信号特征点识别方法
CN108113664A (zh) * 2017-12-07 2018-06-05 广州视源电子科技股份有限公司 心电信号获取过程中抑制陷波滤波器振铃的方法及系统
CN108186011A (zh) * 2017-12-13 2018-06-22 深圳竹信科技有限公司 房颤检测方法、装置及可读存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"AF classification from ECG recording using feature ensemble and sparse coding";Bradley等;《2017 Computing in Cardiology》;20170927;参见摘要以及正文第1-2页 *
"Atrial fibrillation detection using feedforward neural networks and automatically extracted signal features";Santiago等;《2017 Computing in Cardiology》;20170927;参见摘要以及正文第1-2页 *
"ENCASE: An ENsemble ClASsifiEr for ECG classification using expert features and deep neural networks";Shenda Hong等;《2017 Computing in Cardiology》;20170927;全文 *
"心电波形检测与心率变异性分析方法研究";董红生;《中国博士学位论文全文数据库信息科技辑》;20130228(第2013年02期);全文 *
"融合领域知识的心电图分类方法研究";王丽苹;《中国博士学位论文全文数据库信息科技辑》;20131130(第2013年11期);全文 *

Also Published As

Publication number Publication date
CN109077714A (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
CN109077714B (zh) 信号识别方法、装置、设备和存储介质
Liu et al. Arrhythmia classification of LSTM autoencoder based on time series anomaly detection
Gupta et al. Chaos theory: an emerging tool for arrhythmia detection
Sellami et al. A robust deep convolutional neural network with batch-weighted loss for heartbeat classification
Li et al. Patient-specific ECG classification by deeper CNN from generic to dedicated
Wang et al. Arrhythmia classification algorithm based on multi-head self-attention mechanism
CN109077720B (zh) 信号处理方法、装置、设备和存储介质
Amrani et al. Very deep feature extraction and fusion for arrhythmias detection
CN109117730B (zh) 心电图心房颤动实时判断方法、装置、系统及存储介质
US20230143594A1 (en) Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems
CN111990989A (zh) 一种基于生成对抗及卷积循环网络的心电信号识别方法
Roopaei et al. Chaotic based reconstructed phase space features for detecting ventricular fibrillation
CN113876335B (zh) 心电图心搏分类方法、装置、电子设备和介质
Liu et al. Diagnosis of arrhythmias with few abnormal ECG samples using metric-based meta learning
Xiang et al. ECG-based heartbeat classification using two-level convolutional neural network and RR interval difference
CN110367936B (zh) 心电信号检测方法及装置
JP2021186686A (ja) コヒーレントアルゴリズムを使用したローカルノイズ識別
WO2024098553A1 (zh) 一种针对心电图的分析识别方法、系统以及存储介质
CN109044348A (zh) 房颤检测装置及存储介质
Tseng et al. Sliding large kernel of deep learning algorithm for mobile electrocardiogram diagnosis
Karri et al. A real-time embedded system to detect QRS-complex and arrhythmia classification using LSTM through hybridized features
WO2021071646A1 (en) Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems
Rahuja et al. A deep neural network approach to automatic multi-class classification of electrocardiogram signals
Wu et al. Autonomous detection of myocarditis based on the fusion of improved quantum genetic algorithm and adaptive differential evolution optimization back propagation neural network
Allam et al. Multi-stream Bi-GRU network to extract a comprehensive feature set for ECG signal classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant