CN111110228B - 一种心电信号r波的检测方法及装置 - Google Patents

Abstract

本发明涉及心电信号检测技术领域，公开了一种心电信号R波的检测方法、装置及计算机存储介质，其中方法包括以下步骤：收集原始心电信号建立数据集，对所述原始心电信号进行R波位置标注，将标注后的原始心电信号转换为连续的标签序列；采用语义分割网络对所述数据集内的原始心电信号进行学习得到与所述标签序列相对应的结果序列；计算所述标签序列与所述结果序列的损失值，根据损失值的梯度修正所述语义分割网络的网络参数，得到收敛后的标注模型；根据所述标注模型对待测心电信号进行R波的检测。本发明具有心电信号R波检测准确率高，泛用性高的技术效果。

Description

一种心电信号R波的检测方法及装置

技术领域

本发明涉及心电信号检测技术领域，具体涉及一种心电信号R波的检测方法、装置以及计算机存储介质。

背景技术

目前，心血管疾病是常见多发主要慢性疾病之一，而且死亡率一直处于高位，已成为世界性的公共卫生问题。针对反应心脑血管疾病状态的ECG信号的日常监控，分析识别诊断，具有很高的临床研究与开发价值。由于ECG信号是一种微弱的、非线性的，而且极易受到人体内外的多种干扰，因此加大了分析识别诊断的难度，为了提高心电信号自动分析检测系统的精确性，一般情况是在信号分析之前，对分析信号进行预处理，其处理的好坏将直接影响到信号的分析与诊断的精准率。在信号诊断中，心电信号中的QRS波群检测能够提供很多重要的诊断和评估信息，在心电信号的自动诊断技术中显得尤为重要。在心电信号识别系统中，R波定位精准度直接影响其他特征波的定位。因此，R波的参数提取对ECG信号的分析尤为重要，是区分正常和病理心律的基础。

目前对心电信号的R波检测方法都是通过数字信号变换的方法、数学形态学方法等传统方法提取R波的特征，此类方法繁琐，往往需要对心电信号进行预处理，筛选去除坏数据，去除信号中的噪声、突变，然后提取心电信号的多种特征，并且由于不同个体的心电信号往往存在较大的差异，此类方法的泛用性都不太高。

发明内容

本发明的目的在于克服上述技术不足，提供一种心电信号R波的检测方法、装置以及计算机存储介质，解决现有技术中心电信号R波提取需要先进行信号预处理，提取过程繁琐，且泛用性不高的技术问题。

为达到上述技术目的，本发明的技术方案提供一种心电信号R波的检测方法，包括以下步骤：

收集原始心电信号建立数据集，对所述原始心电信号进行R波位置标注，将标注后的原始心电信号转换为连续的标签序列；

采用语义分割网络对所述数据集内的原始心电信号进行学习得到与所述标签序列相对应的结果序列；

计算所述标签序列与所述结果序列的损失值，根据损失值的梯度修正所述语义分割网络的网络参数，得到收敛后的标注模型；

根据所述标注模型对待测心电信号进行R波的检测。

本发明还提供了一种心电信号R波的检测装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述心电信号R波的检测方法。

本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述心电信号R波的检测方法。

与现有技术相比，本发明的有益效果包括：本发明以基于深度学习的图像的语义分割网络为基础，将原本用于二维图像数据的图像分割方法应用于一维心电信号；同时对原始心电信号进行转换，使其可以应用于语义分割网络的学习训练中。通过深度神经网络的对心电信号的R波进行有监督的训练和学习，得到能对R波进行检测的标注模型。语义分割网络自动学习不同R波的特征，且根据损失值的梯度对网络参数进行多次修正迭代之后得到的标注模型具有极高的R波识别准确率。通过对大量不同的已标注R波位置的心电信号进行学习，使得得到的标注模型可以适用于不同心电信号的R波检测，具有较高的泛用性。运用标注模型在对心电信号进行R波检测时不需要对信号进行预处理，极大的简化了操作流程。因此，采用本发明得到的标注模型具有精确度高、识别速度快、抗干扰能力强、泛用性高的优点。

附图说明

图1是本发明提供的心电信号R波的检测方法一实施方式的流程图；

图2是本发明提供的心电信号R波的检测方法一实施方式的标签序列转换示意；

图3是本发明提供的增加有双向GRU层的语义分割网络一实施方式的网络结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

如图1所示，本发明的实施例1提供了心电信号R波的检测方法，以下简称本方法，包括以下步骤：

S1、收集原始心电信号建立数据集，对所述原始心电信号进行R波位置标注，将标注后的原始心电信号转换为连续的标签序列；

S2、采用语义分割网络对所述数据集内的原始心电信号进行学习得到与所述标签序列相对应的结果序列；

S3、计算所述标签序列与所述结果序列的损失值，根据损失值的梯度修正所述语义分割网络的网络参数，得到收敛后的标注模型；

S4、根据所述标注模型对待测心电信号进行R波的检测。

本方法首先建立数据集，数据即包括4000条单导联原始心电信号，4000条原始心电信号可以取自不同的个体，或者相同个体的不同导联信号。原始心电信号为长度10s的时间序列，采样率500Hz，表现为5000长度的一维数组。数组每个点的值域在-5～+5之间，单位为毫伏(mV)，物理意义为心电信号的幅值。对每条原始心电信号进行R波标记，每条原始心电信号则包含有对应的原始标签，原始标签为R波波峰的坐标集合，10s的原始心电信号包含有4～40个R波波峰。

R波标记完成后，对原始心电信号的R波位置标注进行转换，生成与原始心电信号对应的带有R波位置信息的连续标签序列；接着对原始心电信号进行学习，使用的网络结构为语义分割网络；语义分割网络对原始心电信号进行下采样-上采样，生成能够与标签序列对应的结果序列，对结果序列和标签序列进行点对点的损失计算，反向传播损失梯度，修正网络参数，重复此步骤，最后得到收敛后的标注模型，通过标注模型实现待测心电信号的R波检测。

传统方法的R波识别包含数据预处理过程，用来消除噪声、信号伪迹和信号突变的影响，由于每条数据存在的问题不一，预处理过程往往很繁琐；除此之外，传统方法得到的R波位置检测准确率低。本方法针对这些问题，提出利用深度学习的方法对心电信号的R波进行端到端的识别，由于数据集数据量大，因此训练出的标注模型具有强大的抗干扰能力，因此少量具有噪声、伪迹和突变的心电信号对模型的预测影响微乎其微。同时，本发明采用的语义分割网络原本用于对二维图像数据的处理，用来分割图像中的物体，而本发明所需要解决的R波识别问题，原始标签为一系列离散的点，并不适用于该网络，因此本发明采用标签序列转化步骤将这些离散的点变成连续的数据段，让原本的识别R波波峰点的问题转化为识别R波波段问题，降低了使用深度学习识别R波的难度。语义分割网络自动学习不同R波段的特征，且根据损失值的梯度对网络参数进行多次修正迭代之后得到的标注模型具有极高的R波识别准确率。通过对大量不同的已标注R波位置的心电信号进行学习，使得得到的标注模型可以适用于不同心电信号的R波检测，具有较高的泛用性。因此，采用本发明得到的标注模型具有精确度高、识别速度快、抗干扰能力强、泛用性高的优点。

应该理解的，本实施例中数据集收集的是单导联的心电信号，因此得出的标注模型适用于单导联的心电信号的R波检测；如果数据即收集的是多导联的心电信号，则得出的标注模型也可以适用于多导联的心电信号的R波检测，需要处理多导联的心电信号，只需要对网络的输入层进行相应的设置即可，可迁移性好。

优选的，将标注后的原始心电信号转换为连续的标签序列，具体为：

将标注后的所述原始心电信号转换为one-hot码得到连续的标签序列。

如图2所示，由于原始心电信号标注后的原始标签由离散的若干个点构成，因此直接用此原始标签进行网络训练不太现实，所以本方法首先将原始标签转换成与原始心电信号对应长度的one-hot码。

具体的，将标注后的所述原始心电信号转换为one-hot码得到连续的标签序列，具体为：

将标注的R波坐标点及其左右设定范围内坐标点的坐标值均设为1，其他坐标点的坐标值设为0，得到所述one-hot码。

本实施例中具体细节为，以R波坐标点为中心的左右共75个坐标点的值为1，表示为R波数据段，其它坐标点的值为0，表示为非R波数据段，如图2所示。

本发明采用语义分割网络对原始心电信号进行学习，以提取R波特征。语义分割网络是改进于FCN的用于图像分割的网络结构，原本用于处理图像数据，本发明将其用于一维心电信号的处理，语义分割网络能够对原始心电信号进行特征提取，而且最后还可以映射为与标签序列逐点对应的结果序列进行输出，以便与标签序列进行逐渐损失计算。具体的，语义分割网络一方面通过卷积对原始心电信号进行特征提取和下采样，另一方面通过语义分割网络后半部分进行上采样后的特征与网络前半部分的卷积特征进行维度拼接，最后将结果序列还原到与标签序列相同长度。

优选的，采用语义分割网络对所述原始心电信号进行学习得到与所述标签序列相对应的结果序列，具体为：

所述语义分割网络为增加有双向GRU层的语义分割网络；

所述语义分割网络通过下采样提取所述原始心电信号的R波特征，然后通过所述双向GRU层再进行一次特征提取，最后通过所述语义分割网络进行上采样，生成与所述标签序列对应的结果序列。

本优选实施例在采用语义分割网络对原始心电信号进行学习的基础之上，对现有语义分割网络的网络结构进行改进，在语义分割网络中添加双向GRU层。具体的，如图3所示，本实施例采用的语义分割网络为针对一维信号的U-Net网络，此网络的卷积层(conv)卷积核大小为3(kernel＝3)，使用的激活函数为ReLu；上采样使用卷积核为2(kernel＝2)的卷积层(Upconv)；在网络的底部，处理后的特征通过双向GRU层(BiGRU)再进行一次特征提取，最后通过所述语义分割网络后半部分的卷积层进行上采样，与网络前半部分的卷积特征进行维度拼接(Copy and Crop)，生成与所述标签序列对应的结果序列。双向GRU层对时间序列的特征提取表现好，而心电信号就是一种时间序列，因此双向GRU层非常适合用于心电信号的处理，本优选实施例在原本的U-net网络中间部分添加了双向GRU层，这是原本U-net网络所不具有的部分，GRU层是LSTM层的变体，由于此层能够记忆序列的信息，在处理时间序列上具有很好的效果，添加此层能显著提升网络对R波位置的识别精度。

优选的，计算所述标签序列与所述结果序列的损失值，具体为：

采用二元交叉熵损失函数对所述结果序列以及所述标签序列进行点对点的损失计算，得到各点的损失值。

具体的，本实施例中训练使用的深度学习框架为Tensorflow后端的keras，数据的batch size为16，迭代次数为5000，损失函数为二元交叉熵损失，优化器为Adam。

应该理解的，本发明中语义分割网络还可以是U-net网络以外的其他网络，训练过程中的超参数，如学习率、批次大小、迭代次数的修改，都可以根据具体情况进行设定，本实施例仅为举例说明，并不用于限定本发明。

优选的，根据损失值的梯度修正所述语义分割网络的网络参数，得到收敛后的标注模型，具体为：

设置迭代次数，判断所述语义分割网络的修正次数是否大于迭代次数，如果是，则停止修正，输出收敛后的标注模型，如果否，则再次采用语义分割网络对所述原始心电信号进行学习得到与所述标签序列相对应的结果序列；计算所述标签序列与所述结果序列的损失值，根据损失值的梯度修正所述语义分割网络的网络参数。

通过多次的迭代修正，不断提高网络参数的精度，得到收敛的标注精度较高的标注模型。

优选的，将所述数据集分为多个训练集，分别采用每一所述训练集内的原始心电信号进行学习得到多个所述标注模型，分别采用每一所述标注模型对待测心电信号进行R波的检测，得到多个预测序列，以各所述预测序列的平均值作为待测心电信号的最终预测结果。

具体的，本实施例将数据即等分为十个训练集，每一个训练集训练得到一个标注模型，最后通过十个标注模型对待测心电信号进行预测，从而提高检测精度。

优选的，将所述数据分为训练集和测试集；采用所述训练集内的原始心电信号进行学习得到所述标注模型；采用所述测试集内的原始心电信号对所述标注模型进行验证，得到评估所述标注模型的准确率的分值。

具体的，本优选实施例中，将4000条原始心电信号拆分为包含2000条原始心电信号的训练集和包含2000条原始心电信号的测试集，训练集作为标注模型的训练数据，测试集用来评估最终标注模型的分数。训练时采用十倍交叉验证法，将训练集分为10等份，每次取其中的9份作为训练集，剩下的1份作为验证集，保证每次的验证数据都不一样。通过这样的数据划分，训练出10个标注模型。所有标注模型训练完成后，测试集的每条原始心电信号通过十个标注模型得到十个输出的预测序列，求其平均得到最终预测序列，通过对比最终测试序列与标签序列评估标注模型的准确率。

优选的，采用所述测试集内的原始心电信号对所述标注模型进行验证，得到评估所述标注模型的准确率的分值，具体为：

采用所述标注模型对所述测试集内的原始心电信号进行R波的检测，得到预测序列；

将所述预测序列与相应的所述标签序列进行对比，预测序列中R波坐标点与相应的标签序列的R波坐标点的误差在设定范围内，则判定为R波预测正确；

所述预测序列中所有R波均预测正确，则为所述标注模型增加第一设定分值；所述预测序列中R波出现多判，则为所述标注模型增加第二设定分值；所述预测序列中R波出现漏判，则为所述标注模型增加第三设定分值；

逐一对各所述预测序列进行对比判断，得到所述标注模型的分值。

对测试集内的每条原始心电信号的R波位置进行预测，会得到与原始标签格式相同的一系列预测序列，预测的R波坐标误差在±37.5个点范围内，即为此R波正确预测，否则为错误预测。每条原始心电信号的所有R波正确预测且无多判和漏判，则此数据得分为1分；预测的R波个数比实际R波多1个，得分为0.7分；预测的R波个数比实际R波少1个，得分为0.3分；其余情况得分为0。统计测试集内所有原始心电信号的判断得分，得到标注模型的分值，实现对标注模型准确率的评估。

经计算，本实施例测试集内2000条原始心电信号上的平均得分为0.9643，说明得到采用本发明得到的标注模型具有很高的精度。

实施例2

本发明的实施例2提供了心电信号R波的检测装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现实施例1提供的心电信号R波的检测方法。

本发明实施例提供的心电信号R波的检测装置，用于实现心电信号R波的检测方法，因此，心电信号R波的检测方法所具备的技术效果，心电信号R波的检测装置同样具备，在此不再赘述。

实施例3

本发明的实施例3提供了计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现实施例1提供的心电信号R波的检测方法。

本发明实施例提供的计算机存储介质，用于实现心电信号R波的检测方法，因此，心电信号R波的检测方法所具备的技术效果，计算机存储介质同样具备，在此不再赘述。

以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (7)

1.一种心电信号R波的检测方法，其特征在于，包括以下步骤：

收集原始心电信号建立数据集，对所述原始心电信号进行R波位置标注，将标注后的原始心电信号转换为连续的标签序列；

采用语义分割网络对所述数据集内的原始心电信号进行学习得到与所述标签序列相对应的结果序列；

计算所述标签序列与所述结果序列的损失值，根据损失值的梯度修正所述语义分割网络的网络参数，得到收敛后的标注模型；

根据所述标注模型对待测心电信号进行R波的检测；

将所述数据分为训练集和测试集；采用所述训练集内的原始心电信号进行学习得到所述标注模型；采用所述测试集内的原始心电信号对所述标注模型进行验证，得到评估所述标注模型的准确率的分值；

采用所述测试集内的原始心电信号对所述标注模型进行验证，得到评估所述标注模型的准确率的分值，具体为：

采用所述标注模型对所述测试集内的原始心电信号进行R波的检测，得到预测序列；

将所述预测序列与相应的所述标签序列进行对比，预测序列中R波坐标点与相应的标签序列的R波坐标点的误差在设定范围内，则判定为R波预测正确；

所述预测序列中所有R波均预测正确，则为所述标注模型增加第一设定分值；所述预测序列中R波出现多判，则为所述标注模型增加第二设定分值；所述预测序列中R波出现漏判，则为所述标注模型增加第三设定分值；

逐一对各所述预测序列进行对比判断，得到所述标注模型的分值；

采用语义分割网络对所述原始心电信号进行学习得到与所述标签序列相对应的结果序列，具体为：

所述语义分割网络为增加有双向GRU层的语义分割网络；

所述语义分割网络通过下采样提取所述原始心电信号的R波特征，然后通过所述双向GRU层再进行一次特征提取，最后通过所述语义分割网络进行上采样，生成与所述标签序列对应的结果序列。

2.根据权利要求1所述的心电信号R波的检测方法，其特征在于，将标注后的原始心电信号转换为连续的标签序列，具体为：

将标注后的所述原始心电信号转换为one-hot码得到连续的标签序列。

3.根据权利要求1所述的心电信号R波的检测方法，其特征在于，计算所述标签序列与所述结果序列的损失值，具体为：

采用二元交叉熵损失函数对所述结果序列以及所述标签序列进行点对点的损失计算，得到各点的损失值。

4.根据权利要求1所述的心电信号R波的检测方法，其特征在于，根据损失值的梯度修正所述语义分割网络的网络参数，得到收敛后的标注模型，具体为：

设置迭代次数，判断所述语义分割网络的修正次数是否大于迭代次数，如果是，则停止修正，输出收敛后的标注模型，如果否，则再次采用语义分割网络对所述原始心电信号进行学习得到与所述标签序列相对应的结果序列；计算所述标签序列与所述结果序列的损失值，根据损失值的梯度修正所述语义分割网络的网络参数。

5.根据权利要求1所述的心电信号R波的检测方法，其特征在于，将所述数据集分为多个训练集，分别采用每一所述训练集内的原始心电信号进行学习得到多个所述标注模型，分别采用每一所述标注模型对待测心电信号进行R波的检测，得到多个预测序列，以各所述预测序列的平均值作为待测心电信号的最终预测结果。

6.一种心电信号R波的检测装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-5任一所述的心电信号R波的检测方法。

7.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-5任一所述的心电信号R波的检测方法。

Images