CN111053552B - 一种基于深度学习的qrs波检测方法 - Google Patents

Abstract

本发明提出一种基于深度学习的QRS波检测方法，耗时较短，工序简单，准确率高，可以快速准确检测出QRS波，并且也可以应用于检测心脏病疾病的医疗移动设备；本发明提出一种空洞卷积，在基本的神经网络算法之上添加一种空洞卷积，通过空洞卷积可以保持卷积核不变的同时，增大卷积的视野，大大提高QRS波的检测精度；本发明不需要心电信号预处理，波形特征提取等操作，直接使用深度学习代替，节省了时间，减少了工作量，不需要人工识别，提高了工作效率。

Description

一种基于深度学习的QRS波检测方法

技术领域

本发明涉及QRS波检测技术领域，尤其涉及一种基于深度学习的QRS波检测方法。

背景技术

心血管疾病是危害人类身体健康的主要疾病之一，而心电图(electrocardiography,ECG)是诊断心血管疾病的重要手段，也是反映心脏周期性活动的重要指标，在临床上得到广泛的应用，如何使用计算机对心电图做出快速、准确的分析一直是一个热门课题。心电信号中的波形定位和特征提取是心电诊断和分析的基础，其准确性和可靠性是诊断其他心脏疾病的关键。其中QRS波的检测是ECG信号中的一个重要的内容，在这个基础之上才能正确检测其他波形，如检测P波、T波、PR间期、ST段等，通过QRS波检测计算出的心动周期也是诊断心律失常的重要依据之一，因此QRS波的检测是心电信号分析的基础。

过去十几年来，QRS波检测算法经过多年的发展，较为传统的算法一般包括小波变换法、差分阈值法、经验模态分解法等，这些算法的主要步骤包括对心电信号进行预处理，提取特征和检测分类等操作，但往往只能针对特定的心电数据库中的数据，对心电信号的质量和干扰非常敏感，通用性不强。人工智能的发展尤其是深度学习的出现，为QRS波检测提供了一种全新的解决方案，利用精心设计的神经网络架构，深度学习模型能从各种类型的心电图数据中自主提取特征，从而精准定位QRS波，准确率高，还可以实现在穿戴式设备上的实时检测。

发明内容

本发明的目的在于提出一种耗时较短，工序简单，准确率高的QRS波检测方法。

为达到上述目的，本发明提出一种基于深度学习的QRS波检测方法，包括以下步骤：

步骤1：采集待分析的心电数据；

步骤2：利用预先构建的QRS波检测模型对所述待分析的心电数据进行QRS波的识别处理，获取识别结果；

步骤3：利用决策模块对所述识别结果进一步进行QRS波的修正和定位，得到原始心电图上所有QRS波的位置信息；

步骤4：根据所述QRS波的位置信息定位QRS波。

优选的，在步骤1中，所述待分析的心电数据时长为10秒，采样频率为500Hz。

优选的，在步骤2中，所述QRS波检测模型为预先利用卷机人工神经网络算法训练心电数据样本构建的卷积神经网络模块。

优选的，所述卷积神经网络模块对输入的所述待分析的心电数据用三组卷积进行特征提取，每组有六个卷积，卷积核大小分别是11，7，7，5，5，5；

三组卷积具有不同的空洞率，第一组卷积的空洞率为1，1，1，1，1，1；第二组卷积的空洞率为2，2，4，8，8，8；第三组卷积的空洞率为4，4，8，16，32，64；

每一组卷积组成模式是：一个卷积+批量归一化(BatchNormalization)层+最大池化层+两个卷积+批量归一化+最大池化层+Dropout+三个卷积+批量归一化(BatchNormalization)+最大池化层；

接着用一个Concatenate函数把三组卷积取到的特征拼接一起，然后用一个SENet(Sequeeze-and-Excitation)对特征的重要性进行调整，接入3个全连接层，最后采用sigmoid激活函数判断每个数据点属于QRS波的概率。

优选的，每一个卷积里面添加空洞卷积，增大卷积的视野，还添加激活函数，所述激活函数为ReLU激活函数。

优选的，在步骤3中，利用所述决策模块对所述识别结果进一步进行QRS波的修正和定位，包括以下步骤：

步骤3.1：对整个心电图进行扫描；

步骤3.2：寻找QRS波概率大于0.5的连续3个及以上数据点；

步骤3.3：将满足条件的连续点的中点作为QRS波候选点；

步骤3.4：对所有候选点间的间距进行计算；

步骤3.5：对两个候选点间隔小于0.2s，对这两个点属于QRS波的概率进行判断，删除概率低的候选点，保留概率高的候选点；

步骤3.6：把所有保留的数据点数值乘以8，得到原始心电图上所有QRS波的位置信息。

与现有技术相比，本发明的优势之处在于：

1、本发明的是一种耗时较短，工序简单，准确率高，可以快速准确检测出QRS波，并且也可以应用于检测心脏病疾病的医疗移动设备。

2、本发明提出一种空洞卷积，在基本的神经网络算法之上添加一种空洞卷积，通过空洞卷积可以保持卷积核不变的同时，增大卷积的视野，大大提高QRS波的检测精度。

3、本发明不需要心电信号预处理，波形特征提取等操作，直接使用深度学习代替，节省了时间，减少了工作量，不需要人工识别，提高了工作效率。

附图说明

图1为本发明实施例中基于深度学习的QRS波检测方法的流程图；

图2为本发明实施例中卷积神经网络工作流程图；

图3为本发明实施例中决策模块的工作流程图；

图4为本发明实施例的效果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案作进一步地说明。

如图1所示，本发明提出一种基于深度学习的QRS波检测方法，包括以下步骤：

步骤1：采集待分析的心电数据；待分析的心电数据时长为10秒，采样频率为500Hz；

步骤2：利用预先构建的QRS波检测模型对待分析的心电数据进行QRS波的识别处理，获取识别结果。

QRS波检测模型为预先利用卷机人工神经网络算法训练心电数据样本构建的卷积神经网络模块，卷积人工神经网络属于深度学习神经网络的一种，卷积神经网络模块的工作流程如图2所示：

步骤2.1：输入采样频率为500Hz的心电数据；

步骤2.2：第一层由一个卷积、批量归一化(BN)、最大池化层组成，卷积核大小都为11，卷积里添加空洞卷积，空洞率为1，2，4，激活函数是Relu；

步骤2.3：第二层由两个卷积、批量归一化(BN)、最大池化层、Dropout层组成，卷积核大小都为7、7，卷积里添加空洞卷积，空洞率为1、1；2、4；4、8，激活函数是Relu；

步骤2.4：第三层由三个卷积、批量归一化(BN)、最大池化层组成，卷积核大小都为5，卷积里添加空洞卷积，空洞率为1、1、1；8、8、8；16、32、64，激活函数是Relu；

步骤2.5：用一个SENet(Sequeeze-and-Excitation)对特征的重要性进行调整，通过学习的方式来自动获取到每个特征通道的重要程度，然后依照这个重要程度去提升有用的特征并抑制对当前任务用处不大的特征；

步骤2.6：接入3个全连接层，最后sigmoid激活函数判断每个数据点属于QRS波的概率；

步骤2.7：输出QRS波位置信息。

本实施例的方法中，每个卷积中添加了空洞卷积，增加了卷积视野，提高QRS波检测精度。本实施例中神经节点的激活函数采用RELU激活函数，ReLu较sigmond或tanh，具有梯度恒为1，无梯度耗散问题，收敛快；增大了网络的稀疏性，稀疏性越大，提取出来的特征就越具有代表性，泛化能力越强。网络中间用一个SENet(Sequeeze-and-Excitation)对特征的重要性进行调整，使得有效的feature map权重大，无效或者效果小的feature map权重小的方式训练模型达到更好的结果。

步骤3：利用决策模块对识别结果进一步进行QRS波的修正和定位，得到原始心电图上所有QRS波的位置信息；

如图3所示，具体包括以下步骤：

步骤3.1：对整个心电图进行扫描；

步骤3.2：寻找QRS波概率大于0.5的连续3个及以上数据点；

步骤3.3：将满足条件的连续点的中点作为QRS波候选点；

步骤3.4：对所有候选点间的间距进行计算；

步骤3.5：由于心肌细胞不应期的存在，QRS波间的间隔不可能小于0.2秒，因此对所有候选点间的间距进行计算，对两个候选点间隔小于0.2s，对这两个点属于QRS波的概率进行判断，删除概率低的候选点，保留概率高的候选点；

步骤3.6：把所有保留的数据点数值乘以8，得到原始心电图上所有QRS波的位置信息。

步骤4：根据QRS波的位置信息定位QRS波。

本实施例的方法，通过采用卷积人工神经网络，自动快速提取QRS波特征。另外，通过深度学习神经网络探索多层的特征表达，可以免去人工寻找的过程，而用机器学习的方式寻找到全面且有效的特征，相对于传统的方法，识别结果更准确，且方便快捷，提高了实用性，可推广临床使用。

表1各卷积模块卷积层的具体参数

上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (3)

1.一种基于深度学习的QRS波检测方法，其特征在于，包括以下步骤：

步骤1：采集待分析的心电数据；

步骤2：利用预先构建的QRS波检测模型对所述待分析的心电数据进行QRS波的识别处理，获取识别结果；

步骤3：利用决策模块对所述识别结果进一步进行QRS波的修正和定位，得到原始心电图上所有QRS波的位置信息；

步骤4：根据所述QRS波的位置信息定位QRS波；

在步骤2中，所述QRS波检测模型为预先利用卷积 人工神经网络算法训练心电数据样本构建的卷积神经网络模块；

所述卷积神经网络模块对输入的所述待分析的心电数据用三组卷积进行特征提取，每组有六个卷积，卷积核大小分别是11，7，7，5，5，5；

三组卷积具有不同的空洞率，第一组卷积的空洞率为1，1，1，1，1，1；第二组卷积的空洞率为2，2，4，8，8，8；第三组卷积的空洞率为4，4，8，16，32，64；

每一组卷积组成模式是：一个卷积+批量归一化层+最大池化层+两个卷积+批量归一化+最大池化层+Dropout+三个卷积+批量归一化层+最大池化层；

接着用一个Concatenate函数把三组卷积取到的特征拼接一起，然后用一个SENet对特征的重要性进行调整，接入3个全连接层，最后采用sigmoid激活函数判断每个数据点属于QRS波的概率；

每一个卷积里面添加空洞卷积，增大卷积的视野，还添加激活函数，所述激活函数为ReLU激活函数。

2.根据权利要求1所述的基于深度学习的QRS波检测方法，其特征在于，在步骤1中，所述待分析的心电数据时长为10秒，采样频率为500Hz。

3.根据权利要求1所述的基于深度学习的QRS波检测方法，其特征在于，在步骤3中，利用所述决策模块对所述识别结果进一步进行QRS波的修正和定位，包括以下步骤：

步骤3.1：对整个心电图进行扫描；

步骤3.2：寻找QRS波概率大于0.5的连续3个及以上数据点；

步骤3.3：将满足条件的连续点的中点作为QRS波候选点；

步骤3.4：对所有候选点间的间距进行计算；

步骤3.5：对两个候选点间隔小于0.2s，对这两个点属于QRS波的概率进行判断，删除概率低的候选点，保留概率高的候选点；

步骤3.6：把所有保留的数据点数值乘以8，得到原始心电图上所有QRS波的位置信息。

Images