CN110037690A - 基于改进卷积神经网络的r波定位方法和装置 - Google Patents

基于改进卷积神经网络的r波定位方法和装置 Download PDF

Info

Publication number
CN110037690A
CN110037690A CN201910323617.XA CN201910323617A CN110037690A CN 110037690 A CN110037690 A CN 110037690A CN 201910323617 A CN201910323617 A CN 201910323617A CN 110037690 A CN110037690 A CN 110037690A
Authority
CN
China
Prior art keywords
wave
layer
matrix
value
length
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.)
Pending
Application number
CN201910323617.XA
Other languages
English (en)
Inventor
朱俊江
汪朝阳
杨潞潞
陈国亮
姚蔚菁
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.)
Shanghai Innovation Medical Technology Co Ltd
Original Assignee
Shanghai Innovation Medical Technology 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 Shanghai Innovation Medical Technology Co Ltd filed Critical Shanghai Innovation Medical Technology Co Ltd
Priority to CN201910323617.XA priority Critical patent/CN110037690A/zh
Publication of CN110037690A publication Critical patent/CN110037690A/zh
Pending legal-status Critical Current

Links

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
    • A61B5/24—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]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

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

Abstract

本申请涉及一种基于改进卷积神经网络的R波定位方法和装置，将每条心电图信号以固定步长和长度的滑动窗截取心电图信号形成截取段，并将截取后截取段，输入到R波位置检测模型中，通过R波位置检测模型输出的局部最大值所在的元素即可实现对R波的检测和位置的定位，本申请具有识别准确、快速的优点，且能够方便得到R波位置。

Description

基于改进卷积神经网络的R波定位方法和装置
技术领域
本申请属于心电图处理技术领域，尤其是涉及一种基于改进卷积神经网络的R波定位方法和装置。
背景技术
QRS波群反映左、右心室除极电位和时间的变化，第一个向下的波为Q波，向上的波为R波，接着向下的波是S波。自QRS波群起点至QRS波群终点的时间为QRS时限。由于R波是QRS波群中波幅最大的波，因而，R波的检测是QRS波群定位的关键步骤。
CN 109009087A公开了一种心电信号R波的快速检测方法，包括以下步骤：获取原始ECG数据并进行滤波处理；针对滤波处理后的ECG数据，在设定的初始搜索区间内，查找最大值和最小值来计算R波搜索梯度因子k；将最大值对应的采样点标记为第一个R波波峰Peak0，将Peak0设定为当前R波波峰Peak_now；利用搜索梯度因子k，从Peak_now位置开始，对滤波后的ECG数据，按搜索梯度因子k下降搜索直至相交；从得到的相交点位置开始，对滤波后的ECG数据，继续往后查找出现的第一个极大值，将该极大值标记为新的R波波峰Peak_new；将Peak_new更新为Peak_now，再重复搜索直至搜索完所有滤波后的ECG数据；返回检测到的所有R波波峰。上述检测方法，由于需要找寻利用搜索梯度因子k不断查找R波波峰，因此需要较长时间。
发明内容
本发明要解决的技术问题是：为解决现有技术中的不足，从而提供一种鲁棒性好、查找迅速的基于改进卷积神经网络的R波定位方法和装置。
本发明解决其技术问题所采用的技术方案是：
一种基于改进卷积神经网络的R波定位方法，包括以下步骤：
S1：获取多导联心电图中的任一导联信号的心电图信号；
S2：将每条心电图信号以步长为0.015-0.025s、长度为0.8-1.5s的滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值；
S3：将S2步骤中的矩阵Si导入输出值为一矩阵Y的R波位置检测模型中进行判断，其中矩阵Y与对应的矩阵S的行数与列数相等，矩阵Y＝{y1,y2…yn}，yi＝{vi1,vi2…vim}T，其中i为1～n中的任意值，v1,v2…vm的值为连续的范围值，矩阵yi中的具有大于范围值的中值的局部最大值时，即表示有R波发生，输出局部最大值所在的元素Vab，其中a为1～n中的任意值，b为1～m中的任意值，R波发生位置为S2步骤中截取的起始位置+a*步长+b/取样频率。
优选地，本发明的基于改进卷积神经网络的R波定位方法，S1步骤中，还对心电数据进行预处理，预处理时，对心电数据采用上下截止频率分别为0.1Hz、100Hz的fir滤波器进行滤波，如果心电信号采样频率不是500Hz时，则采用最邻近内插法将心电信号重采样为500Hz。
优选地，本发明的基于改进卷积神经网络的R波定位方法，S2步骤中长度为1s，步长为0.02s。
优选地，本发明的基于改进卷积神经网络的R波定位方法，S3步骤中，对卷积神经网络进行训练时采用至少5000个具有R波且已知R波位置的心电图信号以及至少5000个无R波的心电图信号为训练数据对卷积神经网络进行训练；
训练时，将每条心电图信号以S2步骤中的步长和长度为滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值，构造一矩阵Y’，矩阵Y’与对应的矩阵S的行数与列数相等，矩阵Y'＝{y1',y2'…yn'}，yi'＝{vi1',vi2'…vim'}T，其中i为1～n中的任意值，v1',v2'…vm'的值为S3步骤中连续的范围值的两个端点值，与矩阵S中R波波峰发生的位置相对应的元素处的值为其中一个端点值，与矩阵S中无R波波峰发生的位置相对应的元素处的值为另一个端点值；
训练所采用的卷积神经网络由8层网络组成，8层网络中共有5个卷积层、2个池化层和1个全连接层，第一层为卷积层，包含24个滤波器，卷积核大小为(31,1)，步长为1；第二层为卷积层，包含16个滤波器，卷积核大小为(25,24)，步长为1；第三层为池化层，池化窗大小为2，采用maxpooling池化方法池化；第四层为卷积层，12个滤波器，卷积核大小为(17,16)，步长为1；第五层为卷积层，8个滤波器，卷积核大小为(13,12)，步长为1；第六层为池化层，池化窗大小为2，采用maxpooling方法池化；第七层为卷积层，5个滤波器，卷积核大小为(10,8)，步长为1；第八层为全连接层，输出长度为500，激励函数为sigmoid函数。
优选地，本发明的基于改进卷积神经网络的R波定位方法，对卷积神经网络进行训练时的训练算法为：随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法。
本发明还提供一种基于改进卷积神经网络的R波定位装置，包括以下步骤：
获取模块：用于获取多导联心电图中的任一导联信号的心电图信号；
截取模块：将每条心电图信号以步长为0.015-0.025s、长度为0.8-1.5s的滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值；
检测模块：将截取模块中的矩阵Si导入输出值为一矩阵Y的R波位置检测模型中进行判断，其中矩阵Y与对应的矩阵S的行数与列数相等，矩阵Y＝{y1,y2…yn}，yi＝{vi1,vi2…vim}T，其中i为1～n中的任意值，v1,v2…vm的值为连续的范围值，矩阵yi中的具有大于范围值的中值的局部最大值时，即表示有R波发生，输出局部最大值所在的元素Vab，其中a为1～n中的任意值，b为1～m中的任意值，R波发生位置为截取模块中截取的起始位置+a*步长+b/取样频率。
优选地，本发明的基于改进卷积神经网络的R波定位装置，获取模块中，还对心电数据进行预处理，预处理时，对心电数据采用上下截止频率分别为0.1Hz、100Hz的fir滤波器进行滤波，如果心电信号采样频率不是500Hz时，则采用最邻近内插法将心电信号重采样为500Hz。
优选地，本发明的基于改进卷积神经网络的R波定位装置，截取模块中的长度为1s，步长为0.02s。
优选地，本发明的基于改进卷积神经网络的R波定位装置，检测模块中，用于对卷积神经网络进行训练时采用至少5000个具有R波且已知R波位置的心电图信号以及至少5000个无R波的心电图信号为训练数据对卷积神经网络进行训练；训练时，将每条心电图信号以S2步骤中的步长和长度为滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值，构造一矩阵Y’，矩阵Y’与对应的矩阵S的行数与列数相等，矩阵Y'＝{y1',y2'…yn'}，yi'＝{vi1',vi2'…vim'}T，其中i为1～n中的任意值，v1',v2'…vm'的值为S3步骤中连续的范围值的两个端点值，与矩阵S中R波波峰发生的位置相对应的元素处的值为其中一个端点值，与矩阵S中无R波波峰发生的位置相对应的元素处的值为另一个端点值；训练所采用的卷积神经网络由8层网络组成，8层网络中共有5个卷积层、2个池化层和1个全连接层，第一层为卷积层，包含24个滤波器，卷积核大小为(31,1)，步长为1；第二层为卷积层，包含16个滤波器，卷积核大小为(25,24)，步长为1；第三层为池化层，池化窗大小为2，采用maxpooling池化方法池化；第四层为卷积层，12个滤波器，卷积核大小为(17,16)，步长为1；第五层为卷积层，8个滤波器，卷积核大小为(13,12)，步长为1；第六层为池化层，池化窗大小为2，采用maxpooling方法池化；第七层为卷积层，5个滤波器，卷积核大小为(10,8)，步长为1；第八层为全连接层，输出长度为500，激励函数为sigmoid函数。
优选地，本发明的基于改进卷积神经网络的R波定位装置，对卷积神经网络进行训练时的训练算法为：随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法。
本发明的有益效果是：
本申请的基于改进卷积神经网络的R波定位方法和装置，获取导联心电图中的任一导联信号的心电图信号，之后对心电图信号进行截取，形成矩阵S，S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值，将矩阵Si导入输出值为一矩阵Y的R波位置检测模型中进行判断，其中矩阵Y与对应的矩阵S的行数与列数相等，矩阵Y＝{y1,y2…yn}，yi＝{vi1,vi2…vim}T，其中i为1～n中的任意值，vi1,vi2…vim的值为连续的范围值，矩阵yi中的具有大于范围值的中值的局部最大值时，即表示有R波发生，输出局部最大值所在的元素Vab，其中a为1～n中的任意值，b为1～m中的任意值，R波发生位置为截取的起始位置+a*步长+b/取样频率。本申请具有鲁棒性高，识别准确、快速的优点。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的心电图信号截取和处理过程的示意图；
图2是本申请实施例的卷积神经网络的结构示意图；
图3是基于改进卷积神经网络的R波定位方法的流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例
本实施例提供一种基于改进卷积神经网络的R波检测方法，如图1所示，包括以下步骤：
S1：获取多导联心电图(比如十二导联心电图)中的任一导联的心电图信号，获取后还可对心电数据进行预处理，对心电数据采用上下截止频率分别为0.1Hz、100Hz的fir滤波器进行滤波，如果心电信号采样频率不是500Hz时，则采用最邻近内插法将心电信号重采样为500Hz；
S2：将每条心电图信号以步长为0.015-0.025s、长度为0.8-1.5s的滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,S2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值；
S3：将S2步骤中的矩阵Si导入输出值为一矩阵Y的R波位置检测模型中进行判断，其中矩阵Y与对应的矩阵S的行数与列数相等，矩阵Y＝{y1,y2…yn}，yi＝{vi1,vi2…vim}T，其中i为1～n中的任意值，vi1,vi2…vim的值为连续的范围值，矩阵yi中的具有大于范围值的中值的局部最大值时，即表示有R波发生，输出局部最大值所在的元素Vab，其中a为1～n中的任意值，b为1～m中的任意值，R波发生位置为S2步骤中截取的起始位置(在心电图上第一次截取的开始位置，如果截取开始位置就是心电图信号的首端，则为0)+a*步长+b/取样频率。比如Vab的值为波峰位置且大于0.5。
R波位置检测模型为经过训练的卷积神经网络，通过以下方法训练得到：
将已知具有R波且已知R波位置的心电图信号输入卷积神经网络中，对卷积神经网络进行训练，获得R波位置检测模型；
将每条心电图信号以步长为0.015-0.025s、长度为0.8-1.5s的滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值，构造一矩阵Y’，矩阵Y’与对应的矩阵S的行数与列数相等，矩阵Y'＝{y1',y2'…yn'}，yi'＝{vi1',vi2'…vim'}T，其中i为1～n中的任意值，vi1',vi2'…vim'的值为S1步骤中连续的范围值的两个端点值，与矩阵S中R波波峰发生的位置相对应的元素处的值为其中一个端点值，与矩阵S中无R波波峰发生的位置相对应的元素处的值为另一个端点值。比如可以为1和0，与矩阵S中R波波峰发生的位置相对应的元素处的值为1，其余处为0(比如U14具有R波波峰，则V14’值为1)。
训练时采用至少5000个具有R波且已知R波位置的心电图信号以及至少5000个无R波的心电图信号的矩阵S和对应的矩阵Y为训练数据对卷积神经网络进行训练，其中，所使用的训练算法可以采用现有的任意训练算法均可。训练算法可以为：随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法等。卷积神经网络由8层网络组成。8层网络中共有5个卷积层、2个池化层和1个全连接层，第一层为卷积层，包含24个滤波器，卷积核大小为(31,1)，步长为1；第二层为卷积层，包含16个滤波器，卷积核大小为(25,24)，步长为1；第三层为池化层，池化窗大小为2，采用maxpooling池化方法池化；第四层为卷积层，12个滤波器，卷积核大小为(17,16)，步长为1；第五层为卷积层，8个滤波器，卷积核大小为(13,12)，步长为1；第六层为池化层，池化窗大小为2，采用maxpooling方法池化；第七层为卷积层，5个滤波器，卷积核大小为(10,8)，步长为1；第八层为全连接层，输出长度为500，激励函数为sigmoid函数。
局部最大最小值采用遍历式搜索的方法实现，将一段心电图信号截取的所有的截取段以心电图信号的时间先后顺序导入R波位置检测模型中并输出结果，并形成以输出结果为纵坐标，截取段的顺序编号为横坐标形成图像，图像中出现的峰值即为局部最大值，该局部最大值大于0.5的，即表示有R波发生，且R波发生位置为S2步骤中截取的起始位置+a*步长+b/取样频率。
表1改进卷积神经网络(CNN)各网格层如下表所示：
本实施例还提供一种基于改进卷积神经网络的R波定位装置，包括以下步骤：
获取模块：用于获取多导联心电图(比如十二导联心电图)中的任一导联信号的心电图信号；
截取模块：将每条心电图信号以步长为0.015-0.025s、长度为0.8-1.5s的滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值；
检测模块：将截取模块中的矩阵Si导入输出值为一矩阵Y的R波位置检测模型中进行判断，其中矩阵Y与对应的矩阵S的行数与列数相等，矩阵Y＝{y1,y2…yn}，yi＝{vi1,vi2…vim}T，其中i为1～n中的任意值，vi1,vi2…vim的值为连续的范围值，矩阵yi中的具有大于范围值的中值的局部最大值时，即表示有R波发生，输出局部最大值所在的元素Vab，其中a为1～n中的任意值，b为1～m中的任意值，R波发生位置为截取模块中截取的起始位置+a*步长+b/取样频率。
优选地，本发明的基于改进卷积神经网络的R波定位装置，获取模块中，还对心电数据进行预处理，预处理时，对心电数据采用上下截止频率分别为0.1Hz、100Hz的fir滤波器进行滤波，如果心电信号采样频率不是500Hz时，则采用最邻近内插法将心电信号重采样为500Hz。
优选地，本发明的基于改进卷积神经网络的R波定位装置，截取模块中的长度为1s，步长为0.02s。
优选地，本发明的基于改进卷积神经网络的R波定位装置，检测模块中，用于对卷积神经网络进行训练时采用至少5000个具有R波且已知R波位置的心电图信号以及至少5000个无R波的心电图信号为训练数据对卷积神经网络进行训练；训练时，将每条心电图信号以S2步骤中的步长和长度为滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值，构造一矩阵Y’，矩阵Y’与对应的矩阵S的行数与列数相等，矩阵Y'＝{y1',y2'…yn'}，yi'＝{vi1',vi2'…vim'}T，其中i为1～n中的任意值，vi1',vi2'…vim'的值为S1步骤中连续的范围值的两个端点值，与矩阵S中R波波峰发生的位置相对应的元素处的值为其中一个端点值，与矩阵S中无R波波峰发生的位置相对应的元素处的值为另一个端点值；训练所采用的卷积神经网络由8层网络组成，8层网络中共有5个卷积层、2个池化层和1个全连接层，第一层为卷积层，包含24个滤波器，卷积核大小为(31,1)，步长为1；第二层为卷积层，包含16个滤波器，卷积核大小为(25,24)，步长为1；第三层为池化层，池化窗大小为2，采用maxpooling池化方法池化；第四层为卷积层，12个滤波器，卷积核大小为(17,16)，步长为1；第五层为卷积层，8个滤波器，卷积核大小为(13,12)，步长为1；第六层为池化层，池化窗大小为2，采用maxpooling方法池化；第七层为卷积层，5个滤波器，卷积核大小为(10,8)，步长为1；第八层为全连接层，输出长度为500，激励函数为sigmoid函数。
优选地，本发明的基于改进卷积神经网络的R波定位装置，对卷积神经网络进行训练时的训练算法为：随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法。
以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (10)

1.一种基于改进卷积神经网络的R波定位方法，其特征在于，包括以下步骤：
S1：获取多导联心电图中的任一导联信号的心电图信号；
S2：将每条心电图信号以步长为0.015-0.025s、长度为0.8-1.5s的滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值；
S3：将S2步骤中的矩阵Si导入输出值为一矩阵Y的R波位置检测模型中进行判断，其中矩阵Y与对应的矩阵S的行数与列数相等，矩阵Y＝{y1,y2…yn}，yi＝{vi1,vi2…vim}T，其中i为1～n中的任意值，vi1,vi2…vim的值为连续的范围值，矩阵yi中的具有大于范围值的中值的局部最大值时，即表示有R波发生，输出局部最大值所在的元素Vab，其中a为1～n中的任意值，b为1～m中的任意值，R波发生位置为S2步骤中截取的起始位置+a*步长+b/取样频率。
2.根据权利要求1所述的基于改进卷积神经网络的R波定位方法，其特征在于，S1步骤中，还对心电数据进行预处理，预处理时，对心电数据采用上下截止频率分别为0.1Hz、100Hz的fir滤波器进行滤波，如果心电信号采样频率不是500Hz时，则采用最邻近内插法将心电信号重采样为500Hz。
3.根据权利要求1或2所述的基于改进卷积神经网络的R波定位方法，其特征在于，S2步骤中长度为1s，步长为0.02s。
4.根据权利要求1-3任一项所述的基于改进卷积神经网络的R波定位方法，其特征在于，S3步骤中，对卷积神经网络进行训练时采用至少5000个具有R波且已知R波位置的心电图信号以及至少5000个无R波的心电图信号为训练数据对卷积神经网络进行训练；
训练时，将每条心电图信号以S2步骤中的步长和长度为滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值，构造一矩阵Y’，矩阵Y’与对应的矩阵S的行数与列数相等，矩阵Y'＝{y1',y2'…yn'}，yi'＝{vi1',vi2'…vim'}T，其中i为1～n中的任意值，vi1',vi2'…vim'的值为S3步骤中连续的范围值的两个端点值，与矩阵S中R波波峰发生的位置相对应的元素处的值为其中一个端点值，与矩阵S中无R波波峰发生的位置相对应的元素处的值为另一个端点值；
训练所采用的卷积神经网络由8层网络组成，8层网络中共有5个卷积层、2个池化层和1个全连接层，第一层为卷积层，包含24个滤波器，卷积核大小为(31,1)，步长为1；第二层为卷积层，包含16个滤波器，卷积核大小为(25,24)，步长为1；第三层为池化层，池化窗大小为2，采用maxpooling池化方法池化；第四层为卷积层，12个滤波器，卷积核大小为(17,16)，步长为1；第五层为卷积层，8个滤波器，卷积核大小为(13,12)，步长为1；第六层为池化层，池化窗大小为2，采用maxpooling方法池化；第七层为卷积层，5个滤波器，卷积核大小为(10,8)，步长为1；第八层为全连接层，输出长度为500，激励函数为sigmoid函数。
5.根据权利要求4所述的基于改进卷积神经网络的R波定位方法，其特征在于，对卷积神经网络进行训练时的训练算法为：随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法。
6.一种基于改进卷积神经网络的R波定位装置，其特征在于，包括以下步骤：
获取模块：用于获取多导联心电图中的任一导联信号的心电图信号；
截取模块：将每条心电图信号以步长为0.015-0.025s、长度为0.8-1.5s的滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值；
检测模块：将截取模块中的矩阵Si导入输出值为一矩阵Y的R波位置检测模型中进行判断，其中矩阵Y与对应的矩阵S的行数与列数相等，矩阵Y＝{y1,y2…yn}，yi＝{vi1,vi2…vim}T，其中i为1～n中的任意值，v1,v2…vm的值为连续的范围值，矩阵yi中的具有大于范围值的中值的局部最大值时，即表示有R波发生，输出局部最大值所在的元素Vab，其中a为1～n中的任意值，b为1～m中的任意值，R波发生位置为S2步骤中截取的起始位置+a*步长+b/取样频率。
7.根据权利要求6所述的基于改进卷积神经网络的R波定位装置，其特征在于，获取模块中，还对心电数据进行预处理，预处理时，对心电数据采用上下截止频率分别为0.1Hz、100Hz的fir滤波器进行滤波，如果心电信号采样频率不是500Hz时，则采用最邻近内插法将心电信号重采样为500Hz。
8.根据权利要求6或7所述的基于改进卷积神经网络的R波定位装置，其特征在于，截取模块中的长度为1s，步长为0.02s。
9.根据权利要求6-8任一项所述的基于改进卷积神经网络的R波定位装置，其特征在于，检测模块中，用于对卷积神经网络进行训练时采用至少5000个具有R波且已知R波位置的心电图信号以及至少5000个无R波的心电图信号为训练数据对卷积神经网络进行训练；训练时，将每条心电图信号以S2步骤中的步长和长度为滑动窗截取心电图信号形成截取段，并将截取后截取段以矩阵S表示，其中S＝{s1,s2…sn}，s1,s2…sn为以时间顺序进行排列的截取后的截取段，其中si＝{Ui1,Ui2…Uim}T，其中i为1～n中的任意值，Ui1,Ui2…Uim为以时间顺序进行排列的截取段中的电压值，构造一矩阵Y’，矩阵Y’与对应的矩阵S的行数与列数相等，矩阵Y'＝{y1',y2'…yn'}，yi'＝{vi1',vi2'…vim'}T，其中i为1～n中的任意值，v1',v2'…vm'的值为S3步骤中连续的范围值的两个端点值，与矩阵S中R波波峰发生的位置相对应的元素处的值为其中一个端点值，与矩阵S中无R波波峰发生的位置相对应的元素处的值为另一个端点值；训练所采用的卷积神经网络由8层网络组成，8层网络中共有5个卷积层、2个池化层和1个全连接层，第一层为卷积层，包含24个滤波器，卷积核大小为(31,1)，步长为1；第二层为卷积层，包含16个滤波器，卷积核大小为(25,24)，步长为1；第三层为池化层，池化窗大小为2，采用maxpooling池化方法池化；第四层为卷积层，12个滤波器，卷积核大小为(17,16)，步长为1；第五层为卷积层，8个滤波器，卷积核大小为(13,12)，步长为1；第六层为池化层，池化窗大小为2，采用maxpooling方法池化；第七层为卷积层，5个滤波器，卷积核大小为(10,8)，步长为1；第八层为全连接层，输出长度为500，激励函数为sigmoid函数。
10.根据权利要求9所述的基于改进卷积神经网络的R波定位装置，其特征在于，对卷积神经网络进行训练时的训练算法为：随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法。
CN201910323617.XA 2019-04-22 2019-04-22 基于改进卷积神经网络的r波定位方法和装置 Pending CN110037690A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910323617.XA CN110037690A (zh) 2019-04-22 2019-04-22 基于改进卷积神经网络的r波定位方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910323617.XA CN110037690A (zh) 2019-04-22 2019-04-22 基于改进卷积神经网络的r波定位方法和装置

Publications (1)

Publication Number Publication Date
CN110037690A true CN110037690A (zh) 2019-07-23

Family

ID=67278318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910323617.XA Pending CN110037690A (zh) 2019-04-22 2019-04-22 基于改进卷积神经网络的r波定位方法和装置

Country Status (1)

Country Link
CN (1) CN110037690A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110811608A (zh) * 2019-11-19 2020-02-21 中电健康云科技有限公司 一种基于ecg信号的房颤监测方法
CN111053552A (zh) * 2019-12-03 2020-04-24 上海理工大学 一种基于深度学习的qrs波检测方法
CN111265211A (zh) * 2020-01-17 2020-06-12 上海优加利健康管理有限公司 一种用于心搏数据的滑动检测方法和装置
CN112098760A (zh) * 2020-09-21 2020-12-18 广东电网有限责任公司佛山供电局 基于卷积神经网络的电力故障信号检测方法
WO2021143400A1 (zh) * 2020-01-17 2021-07-22 上海优加利健康管理有限公司 一种基于r点的心搏数据分类方法和装置
WO2021238082A1 (zh) * 2020-05-28 2021-12-02 深圳邦健生物医疗设备股份有限公司 心电信号处理方法、装置、设备及可读介质
WO2022029139A1 (de) * 2020-08-03 2022-02-10 Xenios Ag Steuerung für eine extrakorporale kreislaufunterstützung

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4589420A (en) * 1984-07-13 1986-05-20 Spacelabs Inc. Method and apparatus for ECG rhythm analysis
WO2002069178A3 (fr) * 2001-02-28 2003-09-25 Chru Lille Procede et dispositif de filtrage d'une serie rr issue d'un signal cardiaque, et plus particulierement d'un signal ecg
CN107788969A (zh) * 2017-09-29 2018-03-13 成都瑞迪康医疗科技有限公司 一种心电信号中qrs波群的自动检测方法
KR20180052943A (ko) * 2016-11-11 2018-05-21 충북도립대학산학협력단 신경망을 이용한 심방세동 판별장치 및 심방세동 판별방법
CN108670245A (zh) * 2018-05-31 2018-10-19 哈尔滨工业大学深圳研究生院 一种心电信号检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4589420A (en) * 1984-07-13 1986-05-20 Spacelabs Inc. Method and apparatus for ECG rhythm analysis
WO2002069178A3 (fr) * 2001-02-28 2003-09-25 Chru Lille Procede et dispositif de filtrage d'une serie rr issue d'un signal cardiaque, et plus particulierement d'un signal ecg
KR20180052943A (ko) * 2016-11-11 2018-05-21 충북도립대학산학협력단 신경망을 이용한 심방세동 판별장치 및 심방세동 판별방법
CN107788969A (zh) * 2017-09-29 2018-03-13 成都瑞迪康医疗科技有限公司 一种心电信号中qrs波群的自动检测方法
CN108670245A (zh) * 2018-05-31 2018-10-19 哈尔滨工业大学深圳研究生院 一种心电信号检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
M. ŠARLIJA, F. JURIŠIĆ AND S. POPOVIĆ: "A convolutional neural network based approach to QRS detection", 《PROCEEDINGS OF THE 10TH INTERNATIONAL SYMPOSIUM ON IMAGE AND SIGNAL PROCESSING AND ANALYSIS》 *
Y. YAN, X. QIN, Y. WU, N. ZHANG, J. FAN AND L. WANG: "A restricted Boltzmann machine based two-lead electrocardiography classification", 《2015 IEEE 12TH INTERNATIONAL CONFERENCE ON WEARABLE AND IMPLANTABLE BODY SENSOR NETWORKS (BSN)》 *
项延德: "基于卷积神经网络的心电信号检测和分类研究", 《中国博士学位论文全文数据库》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110811608A (zh) * 2019-11-19 2020-02-21 中电健康云科技有限公司 一种基于ecg信号的房颤监测方法
CN111053552A (zh) * 2019-12-03 2020-04-24 上海理工大学 一种基于深度学习的qrs波检测方法
CN111053552B (zh) * 2019-12-03 2022-07-26 上海理工大学 一种基于深度学习的qrs波检测方法
CN111265211A (zh) * 2020-01-17 2020-06-12 上海优加利健康管理有限公司 一种用于心搏数据的滑动检测方法和装置
WO2021143400A1 (zh) * 2020-01-17 2021-07-22 上海优加利健康管理有限公司 一种基于r点的心搏数据分类方法和装置
CN111265211B (zh) * 2020-01-17 2022-07-29 上海乐普云智科技股份有限公司 一种用于心搏数据的滑动检测方法和装置
WO2021238082A1 (zh) * 2020-05-28 2021-12-02 深圳邦健生物医疗设备股份有限公司 心电信号处理方法、装置、设备及可读介质
WO2022029139A1 (de) * 2020-08-03 2022-02-10 Xenios Ag Steuerung für eine extrakorporale kreislaufunterstützung
CN112098760A (zh) * 2020-09-21 2020-12-18 广东电网有限责任公司佛山供电局 基于卷积神经网络的电力故障信号检测方法

Similar Documents

Publication Publication Date Title
CN110037690A (zh) 基于改进卷积神经网络的r波定位方法和装置
CN110037691A (zh) 用于r波定位的改进卷积神经网络
CN107203692A (zh) 基于深度卷积神经网络的房颤检测的实现方法
CN107679522A (zh) 基于多流lstm的动作识别方法
CN109672221B (zh) 一种用于次同步振荡分析的直驱风电场动态等值方法
CN109480824A (zh) 心电波形数据的处理方法、装置和服务器
CN108875906B (zh) 一种多尺度逐步累加的卷积神经网络学习方法
CN107886085A (zh) 一种基于t‑SNE的电能质量扰动特征提取方法
CN105212922A (zh) 面向fpga实现心电信号r波自动检测的方法及系统
CN110532936A (zh) 一种识别大田作物长势监控图像中绿色植物的方法及系统
CN106844664A (zh) 一种基于摘要的时间序列数据索引构建方法
CN109359610A (zh) 构建cnn-gb模型的方法及系统、数据特征分类方法
CN106109164A (zh) 康复系统及康复系统的控制方法
CN110037687A (zh) 基于改进卷积神经网络的室性早搏心跳定位方法和装置
CN109508748A (zh) 一种聚类方法及装置
CN107491553A (zh) 一种数据挖掘方法及系统
CN114444539A (zh) 电力负荷识别方法、装置、设备、介质和程序产品
CN108364062A (zh) 基于memd的深度学习模型构建方法及在运动想象中的应用
CN106296434A (zh) 一种基于pso‑lssvm算法的粮食产量预测方法
CN107015086A (zh) 测试带宽的方法、装置、系统及设备
CN110309774A (zh) 虹膜图像分割方法、装置、存储介质及电子设备
CN110019662B (zh) 一种标签重建方法及装置
CN107714028A (zh) 心电图分析系统及其数据分析算法的学习更新方法
CN108052574A (zh) 基于Kafka技术的从FTP服务器导入海量数据的ETL系统及实现方法
CN106782711A (zh) 信号提取和误码滤除方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190723

RJ01 Rejection of invention patent application after publication