CN111067511B - 一种心电数据中关键点的确定方法、装置及设备 - Google Patents
一种心电数据中关键点的确定方法、装置及设备 Download PDFInfo
- Publication number
- CN111067511B CN111067511B CN201911149307.7A CN201911149307A CN111067511B CN 111067511 B CN111067511 B CN 111067511B CN 201911149307 A CN201911149307 A CN 201911149307A CN 111067511 B CN111067511 B CN 111067511B
- Authority
- CN
- China
- Prior art keywords
- points
- point
- sampling
- wave
- determining
- 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
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]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- 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]
Abstract
本申请公开一种心电数据中关键点的确定方法、装置及设备,所述方法包括:获取心电数据的采样点信息;其中,所述采样点信息包括采样点与幅值的对应关系;将所述采样点信息输入至经过训练的深度学习模型,经过处理后,输出所述采样点信息中各个采样点分别对应的标签;基于各个采样点分别对应的标签,确定所述心电数据的关键点。本申请通过深度学习的方式确定心电数据中的关键点,能够提高关键点确定的效率与准确率。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种心电数据中关键点的确定方法、装置及设备。
背景技术
对于心电数据的关键点的确定,是医生在从事心电图分析工作中的重要任务之一。心电数据的关键点是指能够表示心电数据特征的某些采样点,通常,心电数据的关键点包括心电数据对应的波形中的P、Q、R、S、T等关键点。
目前,基本是由医生凭经验人工从心电数据中确定关键点,显然耗时耗力,且确定的关键点可能存在准确性问题。
发明内容
有鉴于此,本申请提供了一种心电数据中关键点的确定方法、装置及设备,能够基于深度学习模型确定心电数据中的关键点,提高关键点的确定效率与准确率。
第一方面,为实现上述发明目的,本申请提供了一种心电数据中关键点的确定方法,所述方法包括:
获取心电数据的采样点信息;
将所述采样点信息输入至经过训练的深度学习模型,经过处理后,输出所述采样点信息中各个采样点分别对应的标签;其中,所述深度学习模型为利用包括具有标签的采样点的心电数据样本训练得到;
基于各个采样点分别对应的标签,确定所述心电数据的关键点。
一种可选的实施方式中,所述基于各个采样点分别对应的标签,确定所述心电数据的关键点,包括:
将具有不同标签的相邻两个采样点中的一个采样点,确定为所述心电数据的关键点。
一种可选的实施方式中,所述心电数据的关键点包括PRT波点,所述PRT波点包括P波峰值点、R波位置点或T波峰值点,所述基于各个采样点分别对应的标签,确定所述心电数据的关键点之后,还包括:
确定所述心电数据中包含所述PRT波点的预设第一范围内的采样点;
将所述预设第一范围内的采样点中幅值最大的采样点,确定为所述PRT波点的修正点,所述PRT波点的修正点用于对所述PRT波点的位置进行修正。
一种可选的实施方式中,所述心电数据的关键点还包括QS波点,所述QS波点包括Q波位置点或S波位置点,所述PRT波点的修正点包括所述R波位置点的修正点,所述方法还包括:
基于所述R波位置点的修正点和所述QS波点,确定所述心电数据中包含所述QS波点的预设第二范围内的采样点;
在所述预设第二范围内的采样点中,分别确定各个采样点的微分信号;
在所述微分信号的最大值和最小值分别对应的采样点确定的范围内,将幅值最小的采样点确定为所述QS波点的修正点。
一种可选的实施方式中,所述QS波点的修正点包括所述S波位置点的修正点,所述方法还包括:
以所述S波位置点的修正点为起点,按照采样顺序依次确定各个采样点的微分信号;
将微分信号首次大于预设第一阈值的采样点确定为J点;其中,所述J点属于所述心电数据的关键点。
一种可选的实施方式中,所述心电数据的关键点还包括PT波起点,所述PT波起点包括P波onset点或T波onset点,所述方法还包括:
基于所述P波峰值点的修正点或所述T波峰值点的修正点,确定所述心电数据中包含所述PT波起点的预设第三范围内的采样点;
在所述预设第三范围内的采样点中,分别确定各个采样点的微分信号;
在所述微分信号的最值对应的采样点与所述预设第三范围的起点对应的采样点确定的范围内,按照采样顺序依次确定各个采样点的微分信号;
基于微分信号首次大于预设第二阈值的采样点,确定所述PT波起点的修正点。
一种可选的实施方式中,所述心电数据的关键点还包括PT波止点,所述PT波止点包括P波offset点或T波offset点,所述方法还包括:
基于所述P波峰值点的修正点或所述T波峰值点的修正点,确定所述心电数据中包含所述PT波止点的预设第四范围内的采样点;
在所述预设第四范围内的采样点中,分别确定各个采样点的微分信号;
在所述微分信号的最值对应的采样点与所述预设第四范围的止点对应的采样点确定的范围内,按照采样顺序依次确定各个采样点的微分信号;
基于微分信号首次小于预设第三阈值的采样点,确定所述PT波止点的修正点。
第二方面,本申请还提供了一种心电数据中关键点的确定装置,所述装置包括:
获取模块,用于获取心电数据的采样点信息;其中,所述采样点信息包括采样点与幅值的对应关系;
处理模块,用于将所述采样点信息输入至经过训练的深度学习模型,经过处理后,输出所述采样点信息中各个采样点分别对应的标签;
确定模块,用于基于各个采样点分别对应的标签,确定所述心电数据的关键点。
第三方面,本申请还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,当所述指令在终端设备上运行时,使得所述终端设备执行如上述任一项所述的方法。
第四方面,本申请还提供了一种心电数据中关键点的确定设备,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述任一项所述的方法。
本申请提供的心电数据中关键点的确定方法中,利用经过训练的深度学习模型,对心电数据中的采样点信息进行处理,得到各个采样点分别对应的标签,并基于各个采样点分别对应的标签,确定心电数据的关键点。可见,本申请实施例通过深度学习的方式确定心电数据中的关键点,能够提高关键点确定的效率与准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种心电数据中关键点的确定方法的流程图;
图2为本申请实施例提供的一种心电数据去噪前后的效果对比图;
图3为本申请实施例提供的一种具有标签的心电数据样本的示意图;
图4为本申请实施例提供的一种深度学习模型的输出格式的部分示意图;
图5为本申请实施例提供的另一种心电数据中关键点的确定方法的流程图;
图6为本申请实施例提供的一种心电数据中关键点的确定装置的结构示意图;
图7为本申请实施例提供的一种心电数据中关键点的确定设备的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在心电图分析工作中,医生通常需要花大量时间人工确定出心电数据中的关键点,从而基于确定出的关键点得出对心电图的分析结论。
为了解放医生的劳动力,本申请提供了一种能够自动化的从心电数据中确定出关键点的方式,具体的,通过深度学习模型,对心电数据中的采样点信息进行处理,得到各个采样点分别对应的标签,从而基于各个采样点分别对应的标签,确定出心电数据中的关键点。可见,本申请提供的心电数据中关键点的确定方法,能够提高关键点确定的效率与准确率。
以下为本申请实施例提供的一种心电数据中关键点的确定方法,参考图1,为本申请实施例提供的一种心电数据中关键点的确定方法的流程图,该方法包括:
S101:获取心电数据的采样点信息;其中,所述采样点信息包括采样点与幅值的对应关系。
本申请实施例中,心电数据为通过心电监护仪等心电设备采集到的数据,实际应用中,心电数据是心电设备以预设频率采集的数据,心电设备采集数据的频率决定心电数据中包含的采样点的数量,例如,心电设备以250Hz采集到的心电数据中每秒包含250个采样点。
实际应用中,在确定需要处理的心电数据后,获取该心电数据的采样点信息,具体的,采样点信息包括采样点与幅值的对应的关系,其中,幅值是指对应的采样点的心电信号大小。
实际应用中,不同的心电设备采集到的心电数据的格式可能不同,例如心电数据的格式包括XML格式、json格式等。本申请实施例中,将不同格式的心电数据的解析方式进行集成,针对不同格式的心电数据,能够利用预先集成的方式对其进行统一解析,得到心电数据中的采样点信息。
为了提高关键点的确定准确率,在获取心电数据的采样点信息之前,可以首先对心电数据进行去噪处理。
一种可选的实施方式中,可以采用巴特沃斯滤波器对心电数据进行去噪处理,以便滤除心电数据中的高频肌电干扰、工频干扰和低频基线漂移以及直流分量等干扰信号。如图2所示,为本申请实施例提供的一种心电数据去噪前后的效果对比图,其中,图2的左边部分为去噪之前的心电数据,图2的右边部分为去噪之后的心电数据。实际应用中,可以将图2通过用户界面显示给医生等用户,以便作为心电图分析工作中的参考信息。
S102:将所述采样点信息输入至经过训练的深度学习模型,经过处理后,输出所述采样点信息中各个采样点分别对应的标签。
本申请实施例中,在利用深度学习模型进行数据处理之前,首先利用大量的心电数据样本对深度学习模型进行训练,得到经过训练的深度学习模型。
具体的,预先对心电数据样本标记标签,如图3所示,为本申请实施例提供的一种具有标签的心电数据样本的示意图,其中,心电数据样本的起搏心跳部分的采样点的标签分别为数字0,从p波onset点至p波峰值点的采样点的标签分别为数字1,从p波峰值点至p波offset点的采样点的标签分别为数字2,从p波offset点至q波位置点的采样点的标签分别为数字3,从q波位置点至r波峰值点的采样点的标签分别为数字4,从r波位置点至s波位置点的采样点的标签分别为数字5,从s波位置点至t波onset点采样点的标签分别为数字6,从t波onset点至t波峰值点的采样点的标签分别为数字7,从t波峰值点至t波offset点的采样点的标签分别为数字8。利用具有上述标签的心电数据样本对深度学习模型进行训练,得到经过训练的深度学习模型,用于心电数据的关键点的确定。
一种可选的实施方式中,可以利用主要功能为对图片或波形分割的U-net深度学习分割网络实现本申请实施例中的深度学习模型。其中,U-net是属于卷积神经网络的一种变形,其结构形似字母U,因而得名U-net。U-net是一种基于FCN(Fully ConvolutionalNeural Network:全卷积神经网络)进行改进的网络,尤其适用于对样本量较少的数据进行训练,而本申请实施例所利用的心电数据样本正是属于样本较难获取的医学领域属于,由于心电数据样本量较少,因此,本申请实施例选用U-net深度学习分割网络实现本申请实施例中的深度学习模型。对于U-net深度学习分割网络的架构,本申请对实施例其不再过多赘述。
本申请实施例中,在得到经过训练的深度学习模型后,将心电数据的采样点信息输入至该经过训练的深度学习模型,由该深度学习模型采样点信息中的采样点和幅值的对应关系进行处理,输出各个采样点分别对应的标签。参考图4,为本申请实施例提供的一种深度学习模型的输出格式的部分示意图。其中,第66-71个采样点分别对应的标签为3,第72-76个采样点分别对应的标签为4。
S103:基于各个采样点分别对应的标签,确定所述心电数据的关键点。
本申请实施例中,在经过训练的深度学习模型输出心电数据的各个采样点分别对应的标签后,基于各个采样点分别对应的标签,确定心电数据的关键点。
具体的,基于图3中心电数据的标签的设定方式,可以将心电数据中具有不同标签的相邻两个采样点中的一个采样点确定为该心电数据的关键点。如图4所示,第71个采样点的标签为3,第72个采样点的标签为4,显然第71、72个采样点为具有不同标签的相邻采样点,可以将第71个或第72个采样点确定为该心电数据的关键点。具体的,根据图3中标签的设置方式,可以将第71个或第72个采样点确定为该心电数据的Q波位置点。
一种可选的实施方式中,依据上述方式可以确定出心电数据的p波onset点、p波峰值点、p波offset点、q波位置点、r波位置点、s波位置点、t波onset点、t波峰值点和t波offset点,作为该心电数据的关键点。
另外,在确定出心电数据的关键点后,基于获取到的心电数据的采样点信息包括得采样点与幅值的对应关系,确定各个关键点对应的幅值,最终得到各个关键点与幅值的对应关系,作为后续各种病症的判断依据。
本申请实施例提供的心电数据中关键点的确定方法,利用经过训练的深度学习模型,对心电数据中的采样点信息进行处理,得到各个采样点分别对应的标签,并基于各个采样点分别对应的标签,确定心电数据的关键点。可见,本申请实施例通过深度学习的方式确定心电数据中的关键点,能够提高关键点确定的效率与准确率。
基于上述实施例,本申请提供了一种具体的应用场景,参考图5,为本申请实施例提供的另一种心电数据中关键点的确定方法的流程图。其中,心电数据的关键点包括P波onset点、P波峰值点、P波offset点、R波位置点、S波位置点、T波onset点、T波峰值点、T波offset点共8个关键点。本申请实施例提供的心电数据中关键点的确定方法用于确定上述8个关键点,具体方法包括:
S501:获取心电数据的采样点信息;其中,所述采样点信息包括采样点与幅值的对应关系。
S502:将所述采样点信息输入至经过训练的深度学习模型,经过处理后,输出所述采样点信息中各个采样点分别对应的标签。
其中,心电数据的起搏心跳部分的采样点的标签分别为数字0,从p波onset点至p波峰值点的采样点的标签分别为数字1,从p波峰值点至p波offset点的采样点的标签分别为数字2,从p波offset点至q波位置点的采样点的标签分别为数字3,从q波位置点至r波峰值点的采样点的标签分别为数字4,从r波位置点至s波位置点的采样点的标签分别为数字5,从s波位置点至t波onset点采样点的标签分别为数字6,从t波onset点至t波峰值点的采样点的标签分别为数字7,从t波峰值点至t波offset点的采样点的标签分别为数字8。
值得注意的是,各个标签可以利用数字0-8表示,也可以利用其它标识,本申请实施例对此不作限定。
S503:基于各个采样点分别对应的标签,确定所述心电数据的关键点。
S501-S503可参照上述实施例中的S101-S103的描述进行理解,在此不再赘述。
为了进一步的提高心电数据中关键点确定的准确性,本申请实施例从心电数据的形态学特征角度,对心电数据中确定的关键点进行修正,以提高关键点的确定精度。
S504:确定心电数据中包含PRT波点的预设第一范围内的采样点;其中,所述PRT波点包括P波峰值点、R波位置点或T波峰值点;
S505:将所述预设第一范围内的采样点中幅值最大的采样点,确定为所述PRT波点的修正点。
对于P波峰值点、R波位置点和T波峰值点三个关键点,本申请实施例通过分别确定包含各个关键点的一定范围内的采样点的最大幅值的方式,对其进行修正。具体的,以对R波位置点的修正为例,首先确定包括R波位置点的预设第一范围内的采样点,如R波位置点前后各5个采样点的范围内的采样点。由于心电数据的形态学特征中R波位置点为该预设第一范围内的采样点中幅值最大的采样点,因此,可以确定预设第一范围内的采样点中幅值最大的采样点,作为R波位置点的修正点。依照上述方式可以对P波峰值点和T波峰值点分别进行修正,分别得到P波峰值点的修正点和T波峰值点的修正点。
S506:基于R波位置点的修正点和QS波点,确定心电数据中包含QS波点的预设第二范围内的采样点;其中,QS波点包括Q波位置点或S波位置点。
本申请实施例中,以R波位置点的修正点为基础,继续对Q波位置点和S波位置点分别进行修正。具体的,以对Q波位置点的修正为例,首先确定包括Q波位置点的预设第二范围内的采样点,如Q波位置点前后各5个采样点的范围内的采样点。
另一种可选的实施方式中,通常心电数据中包含多个周期的数据,可以通过计算每个周期数据中R波位置点的修正点和Q波位置点之间的采样点的平均值的方式,确定与R波位置点的修正点向左相差该平均值个数的采样点的位置,并该位置前后各5个采样点的范围内的采样点作为包括Q波位置点的预设第二范围内的采样点。由于该实施方式综合考虑了心电数据中各个周期数据的影响,因此能够提高修正的准确性。
S507:在所述预设第二范围内的采样点中,分别确定各个采样点的微分信号。
S508:在所述微分信号的最大值和最小值分别对应的采样点确定的范围内,将幅值最小的采样点确定为所述QS波点的修正点。
本申请实施例中,基于心电数据的形态学特征,在确定的预设第二范围内的采样点中,确定各个采样点的微分信号的最大值和最小值分别对应的采样点构成的范围,并在该范围内确定幅值最小的采样点,最终将该采样点确定为Q波位置点的修正点。其中,微分信号是指对应采样点的斜率值,用于表示该采样点的前后位置的采样点的幅值变化情况。
依照上述方式,可以对S波位置点进行修正,得到S波位置点的修正点,在此不再赘述。
S509:基于所述P波峰值点的修正点或所述T波峰值点的修正点,确定所述心电数据中包含所述PT波起点的预设第三范围内的采样点;其中,PT波起点包括P波onset点或T波onset点。
本申请实施例中,以P波峰值点的修正点为基础,对P波onset点进行修正。具体的,首先确定包括P波onset点的预设第三范围内的采样点,如P波onset点前后各10个采样点的范围内的采样点。
另一种可选的实施方式中,通常心电数据中包含多个周期的数据,可以通过计算每个周期数据中P波峰值点的修正点和P波onset点之间的采样点的平均值的方式,确定与P波峰值点的修正点向左相差该平均值个数的采样点的位置,并该位置前后各10个采样点的范围内的采样点作为包括P波onset点的预设第三范围内的采样点。由于该实施方式综合考虑了心电数据中各个周期数据的影响,因此能够提高修正的准确性。
S510:在所述预设第三范围内的采样点中,分别确定各个采样点的微分信号;
S511:在所述微分信号的最值对应的采样点与所述预设第三范围的起点对应的采样点确定的范围内,按照采样顺序依次确定各个采样点的微分信号;
S512:基于微分信号首次大于预设第二阈值的采样点,确定所述PT波起点的修正点。
本申请实施例中,确定的预设第三范围内的采样点中,确定微分信号的最值对应的采样点,并按照采样顺序,确定该采样点与预设第三范围的起点对应的采样点构成的范围内的采样点中微分信号首次大于预设第二阈值的采用点,最终将该采样点作为P波onset点的修正点。
另外,为了进一步提高关键点的确定准确性,本申请实施例还可以确定微分信号首次大于预设第二阈值的采样点与所述P波onset之间的采样点个数;如果所述采样点个数不大于第一预设值,则结合所述微分信号首次大于预设第二阈值的采样点和所述P波onset点,确定所述P波onset点的修正点;否则,将所述微分信号首次大于或小于预设第二阈值的采样点的前一个采样点,确定为所述P波onset点的修正点。
依照上述方式,可以对T波onset点进行修正,得到T波onset点的修正点,在此不再赘述。
S513:基于P波峰值点的修正点或所述T波峰值点的修正点,确定所述心电数据中包含所述PT波止点的预设第四范围内的采样点,其中,PT波止点包括P波offset点或T波offset点。
本申请实施例中,以P波峰值点的修正点为基础,对P波offset点进行修正。具体的,首先确定包括P波offset点的预设第四范围内的采样点,如P波offset点前后各10个采样点的范围内的采样点。
另一种可选的实施方式中,通常心电数据中包含多个周期的数据,可以通过计算每个周期数据中P波峰值点的修正点和P波offset点之间的采样点的平均值的方式,确定与P波峰值点的修正点向右相差该平均值个数的采样点的位置,并该位置前后各10个采样点的范围内的采样点作为包括P波offset点的预设第四范围内的采样点。由于该实施方式综合考虑了心电数据中各个周期数据的影响,因此能够提高修正的准确性。
S514:在所述预设第四范围内的采样点中,分别确定各个采样点的微分信号;
S515:在所述微分信号的最值对应的采样点与所述预设第四范围的止点对应的采样点确定的范围内,按照采样顺序依次确定各个采样点的微分信号。
S516:基于微分信号首次小于预设第三阈值的采样点,确定所述PT波止点的修正点。
本申请实施例中,确定的预设第四范围内的采样点中,确定微分信号的最值对应的采样点,并按照采样顺序,确定该采样点与预设第四范围的止点对应的采样点构成的范围内的采样点中微分信号首次小于预设第三阈值的采用点,最终将该采样点作为P波offset点的修正点。
另外,为了进一步提高关键点的确定准确性,本申请实施例还可以确定微分信号首次小于预设第三阈值的采样点与所述P波onset之间的采样点个数;如果所述采样点个数不大于第二预设值,则结合所述微分信号首次大于预设第二阈值的采样点和所述P波offset点,确定所述P波onset点的修正点;否则,将所述微分信号首次大于或小于预设第二阈值的采样点的前一个采样点,确定为所述P波onset点的修正点。
依照上述方式,可以对T波offset点进行修正,得到T波offset点的修正点,在此不再赘述。
另外,一种可选的实施方式中,心电数据的关键点还可以包括J点,具体的,本申请实施例可以S波位置点的修正点为基础,确定心电数据中的J点。具体的,首先,以心电数据中S波位置点的修正点为起点,按照采样顺序依次确定各个采样点的微分信号;然后,将微分信号首次大于预设第一阈值的采样点确定为J点。
值得注意的是,本申请实施例中的预设第一阈值、预设第二阈值、预设第三阈值分别可以取0.005左右的值,如(0.005±0.001)的值。
本申请实施例提供的心电数据中关键点的确定方法中,在基于深度学习模型确定的关键点的基础上,进一步的从心电数据的形态学特征角度,对关键点进行修正,提高心电数据中关键点确定的准确性。
基于上述方法实施例,本申请还提供了一种心电数据中关键点的确定装置,参考图6,为本申请实施例提供的一种心电数据中关键点的确定装置的结构示意图,该装置包括:
获取模块601,用于获取心电数据的采样点信息;
处理模块602,用于将所述采样点信息输入至经过训练的深度学习模型,经过处理后,输出所述采样点信息中各个采样点分别对应的标签;其中,所述深度学习模型为利用包括具有标签的采样点的心电数据样本训练得到;
确定模块603,用于基于各个采样点分别对应的标签,确定所述心电数据的关键点。
一种可选的实施方式中,所述确定模块603,具体用于:
将具有不同标签的相邻两个采样点中的一个采样点,确定为所述心电数据的关键点。
一种实施方式中,所述心电数据的关键点包括PRT波点,所述PRT波点包括P波峰值点、R波位置点或T波峰值点,所述装置还包括:
第一确定模块,用于确定所述心电数据中包含所述PRT波点的预设第一范围内的采样点;
第二确定模块,用于将所述预设第一范围内的采样点中幅值最大的采样点,确定为所述PRT波点的修正点,所述PRT波点的修正点用于对所述PRT波点的位置进行修正。
一种实施方式中,所述心电数据的关键点还包括QS波点,所述QS波点包括Q波位置点或S波位置点,所述PRT波点的修正点包括所述R波位置点的修正点,所述装置还包括:
第三确定模块,用于基于所述R波位置点的修正点和所述QS波点,确定所述心电数据中包含所述QS波点的预设第二范围内的采样点;
第四确定模块,用于在所述预设第二范围内的采样点中,分别确定各个采样点的微分信号;
第五确定模块,用于在所述微分信号的最大值和最小值分别对应的采样点确定的范围内,将幅值最小的采样点确定为所述QS波点的修正点。
一种实施方式中,所述QS波点的修正点包括所述S波位置点的修正点,所述装置还包括:
第六确定模块,用于以所述S波位置点的修正点为起点,按照采样顺序依次确定各个采样点的微分信号;
第七确定模块,用于将微分信号首次大于预设第一阈值的采样点确定为J点;其中,所述J点属于所述心电数据的关键点。
一种可选的实施方式中,所述心电数据的关键点还包括PT波起点,所述PT波起点包括P波onset点或T波onset点,所述装置还包括:
第八确定模块,用于基于所述P波峰值点的修正点或所述T波峰值点的修正点,确定所述心电数据中包含所述PT波起点的预设第三范围内的采样点;
第九确定模块,用于在所述预设第三范围内的采样点中,分别确定各个采样点的微分信号;
第十确定模块,用于在所述微分信号的最值对应的采样点与所述预设第三范围的起点对应的采样点确定的范围内,按照采样顺序依次确定各个采样点的微分信号;
第十一确定模块,用于基于微分信号首次大于预设第二阈值的采样点,确定所述PT波起点的修正点。
一种可选的实施方式中,所述心电数据的关键点还包括PT波止点,所述PT波止点包括P波offset点或T波offset点,所述装置还包括:
第十二确定模块,用于基于所述P波峰值点的修正点或所述T波峰值点的修正点,确定所述心电数据中包含所述PT波止点的预设第四范围内的采样点;
第十三确定模块,用于在所述预设第四范围内的采样点中,分别确定各个采样点的微分信号;
第十四确定模块,用于在所述微分信号的最值对应的采样点与所述预设第四范围的止点对应的采样点确定的范围内,按照采样顺序依次确定各个采样点的微分信号;
第十五确定模块,用于基于微分信号首次小于预设第三阈值的采样点,确定所述PT波止点的修正点。
本申请实施例提供的心电数据中关键点的确定装置中,通过深度学习的方式确定心电数据中的关键点,能够提高关键点确定的效率与准确率。
进一步的,在基于深度学习模型确定的关键点的基础上,从心电数据的形态学特征角度,对关键点进行修正,提高心电数据中关键点确定的准确性。
另外,本申请实施例还提供了一种心电数据中关键点的确定设备,参见图7所示,可以包括:
处理器701、存储器702、输入装置703和输出装置704。心电数据中关键点的确定设备中的处理器701的数量可以一个或多个,图7中以一个处理器为例。在本发明的一些实施例中,处理器701、存储器702、输入装置703和输出装置704可通过总线或其它方式连接,其中,图7中以通过总线连接为例。
存储器702可用于存储软件程序以及模块,处理器701通过运行存储在存储器702的软件程序以及模块,从而执行心电数据中关键点的确定设备的各种功能应用以及数据处理。存储器702可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等。此外,存储器702可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。输入装置703可用于接收输入的数字或字符信息,以及产生与心电数据中关键点的确定设备的用户设置以及功能控制有关的信号输入。
具体在本实施例中,处理器701会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器702中,并由处理器701来运行存储在存储器702中的应用程序,从而实现上述心电数据中关键点的确定方法中的各种功能。
另外,本申请还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,当所述指令在终端设备上运行时,使得所述终端设备执行上述的心电数据中关键点的确定方法。
可以理解的是,对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请实施例所提供的一种心电数据中关键点的确定方法、装置及设备进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种心电数据中关键点的确定方法,其特征在于,所述方法包括:
获取心电数据的采样点信息,其中,所述采样点信息包括采样点与幅值的对应关系;
将所述采样点信息输入至经过训练的深度学习模型,由所述深度学习模型对输入的采样点信息中的采样点和幅值的对应关系进行处理,输出所述采样点信息中各个采样点分别对应的标签;其中,所述深度学习模型为利用包括具有标签的采样点的心电数据样本训练得到;
将具有不同标签的相邻两个采样点中的一个采样点,确定为所述心电数据的关键点。
2.根据权利要求1所述的方法,其特征在于,所述心电数据的关键点包括PRT波点,所述PRT波点包括P波峰值点、R波位置点或T波峰值点,确定所述心电数据的关键点之后,还包括:
确定所述心电数据中包含所述PRT波点的预设第一范围内的采样点;
将所述预设第一范围内的采样点中幅值最大的采样点,确定为所述PRT波点的修正点,所述PRT波点的修正点用于对所述PRT波点的位置进行修正。
3.根据权利要求2所述的方法,其特征在于,所述心电数据的关键点还包括QS波点,所述QS波点包括Q波位置点或S波位置点,所述PRT波点的修正点包括所述R波位置点的修正点,所述方法还包括:
基于所述R波位置点的修正点和所述QS波点,确定所述心电数据中包含所述QS波点的预设第二范围内的采样点;
在所述预设第二范围内的采样点中,分别确定各个采样点的微分信号;
在所述微分信号的最大值和最小值分别对应的采样点确定的范围内,将幅值最小的采样点确定为所述QS波点的修正点。
4.根据权利要求3所述的方法,其特征在于,所述QS波点的修正点包括所述S波位置点的修正点,所述方法还包括:
以所述S波位置点的修正点为起点,按照采样顺序依次确定各个采样点的微分信号;
将微分信号首次大于预设第一阈值的采样点确定为J点;其中,所述J点属于所述心电数据的关键点。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述心电数据的关键点还包括PT波起点,所述PT波起点包括P波onset点或T波onset点,所述方法还包括:
基于所述P波峰值点的修正点或所述T波峰值点的修正点,确定所述心电数据中包含所述PT波起点的预设第三范围内的采样点;
在所述预设第三范围内的采样点中,分别确定各个采样点的微分信号;
在所述微分信号的最值对应的采样点与所述预设第三范围的起点对应的采样点确定的范围内,按照采样顺序依次确定各个采样点的微分信号;
基于微分信号首次大于预设第二阈值的采样点,确定所述PT波起点的修正点。
6.根据权利要求2-4任一项所述的方法,其特征在于,所述心电数据的关键点还包括PT波止点,所述PT波止点包括P波offset点或T波offset点,所述方法还包括:
基于所述P波峰值点的修正点或所述T波峰值点的修正点,确定所述心电数据中包含所述PT波止点的预设第四范围内的采样点;
在所述预设第四范围内的采样点中,分别确定各个采样点的微分信号;
在所述微分信号的最值对应的采样点与所述预设第四范围的止点对应的采样点确定的范围内,按照采样顺序依次确定各个采样点的微分信号;
基于微分信号首次小于预设第三阈值的采样点,确定所述PT波止点的修正点。
7.一种心电数据中关键点的确定装置,其特征在于,所述装置包括:
获取模块,用于获取心电数据的采样点信息;其中,所述采样点信息包括采样点与幅值的对应关系;
处理模块,用于将所述采样点信息输入至经过训练的深度学习模型,由所述深度学习模型对输入的采样点信息中的采样点和幅值的对应关系进行处理,输出所述采样点信息中各个采样点分别对应的标签;
确定模块,用于将具有不同标签的相邻两个采样点中的一个采样点,确定为所述心电数据的关键点。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-6任一项所述的方法。
9.一种电子设备,其特征在于,包括:存储器,处理器,及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911149307.7A CN111067511B (zh) | 2019-11-21 | 2019-11-21 | 一种心电数据中关键点的确定方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911149307.7A CN111067511B (zh) | 2019-11-21 | 2019-11-21 | 一种心电数据中关键点的确定方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111067511A CN111067511A (zh) | 2020-04-28 |
CN111067511B true CN111067511B (zh) | 2022-08-16 |
Family
ID=70311461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911149307.7A Active CN111067511B (zh) | 2019-11-21 | 2019-11-21 | 一种心电数据中关键点的确定方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111067511B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111956203A (zh) * | 2020-08-18 | 2020-11-20 | 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 |
CN112494044A (zh) * | 2020-11-09 | 2021-03-16 | 沈阳东软智能医疗科技研究院有限公司 | 疲劳驾驶检测方法、装置、可读存储介质及电子设备 |
CN112587152B (zh) * | 2020-11-11 | 2022-08-16 | 上海数创医疗科技有限公司 | 一种融合U-net网络和滤波方法的12导联T波提取方法 |
CN113647959B (zh) * | 2021-07-27 | 2024-01-12 | 东软集团股份有限公司 | 一种心电波形信号的波形识别方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106344004A (zh) * | 2016-09-28 | 2017-01-25 | 清华大学 | 心电信号特征点检测方法及装置 |
CN109567789A (zh) * | 2018-12-03 | 2019-04-05 | 东软集团股份有限公司 | 心电图数据的分割处理方法、装置及可读存储介质 |
CN110432894A (zh) * | 2019-08-09 | 2019-11-12 | 上海鹰瞳医疗科技有限公司 | 心电图关键点标注方法及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10426364B2 (en) * | 2015-10-27 | 2019-10-01 | Cardiologs Technologies Sas | Automatic method to delineate or categorize an electrocardiogram |
-
2019
- 2019-11-21 CN CN201911149307.7A patent/CN111067511B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106344004A (zh) * | 2016-09-28 | 2017-01-25 | 清华大学 | 心电信号特征点检测方法及装置 |
CN109567789A (zh) * | 2018-12-03 | 2019-04-05 | 东软集团股份有限公司 | 心电图数据的分割处理方法、装置及可读存储介质 |
CN110432894A (zh) * | 2019-08-09 | 2019-11-12 | 上海鹰瞳医疗科技有限公司 | 心电图关键点标注方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111067511A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111067511B (zh) | 一种心电数据中关键点的确定方法、装置及设备 | |
CN108186011B (zh) | 房颤检测方法、装置及可读存储介质 | |
Roonizi et al. | A signal decomposition model-based Bayesian framework for ECG components separation | |
Maharaj et al. | Discriminant analysis of multivariate time series: Application to diagnosis based on ECG signals | |
Maji et al. | Empirical mode decomposition vs. variational mode decomposition on ECG signal processing: A comparative study | |
CN104398257A (zh) | 一种心电波形周期性统计分析方法 | |
CN107233093B (zh) | R波的检测方法、装置及电子设备 | |
CN109077720B (zh) | 信号处理方法、装置、设备和存储介质 | |
US20150025403A1 (en) | Mood analysis method, system, and apparatus | |
Liu et al. | Refined generalized multiscale entropy analysis for physiological signals | |
EP3716134A1 (en) | Parallel analysis device for ecg signals, and method and mobile terminal | |
CN109310354A (zh) | 心电图中st事件的呈现方法及装置 | |
CN104202644A (zh) | 脑电波信号标准化输出方法、装置、机顶盒及系统 | |
CN111358460A (zh) | 心律失常的识别方法、装置及电子设备 | |
CN110432894B (zh) | 心电图关键点标注方法及电子设备 | |
US10743789B2 (en) | ECG signal parallel analysis apparatus, method and mobile terminal | |
Singh et al. | Labview based ECG patient monitoring system for cardiovascular patient using SMTP Technology | |
CN110613444B (zh) | 一种母胎混合心电信号的显示方法及装置 | |
DE102011000717A1 (de) | Verfahren und System zur Analyse von Patienten | |
US20210052179A1 (en) | Method for determining r peaks of electrocardiogram | |
CN110916649B (zh) | 一种长程心电散点图的处理装置、处理方法及检测装置 | |
Dalvi et al. | Graph search based detection of periodic activations in complex periodic signals: Application in atrial fibrillation electrograms | |
Gaigawali et al. | Cloud based ECG monitoring and fibrillation detection for healthcare system | |
CN111419214A (zh) | 一种心电异常检测方法、终端及服务器 | |
Chatterjee et al. | A microcontroller based system for real-time heart rate estimation from ECG signal |
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 |