CN111214225A - 室性激动识别方法、装置、电子设备及可读存储介质 - Google Patents
室性激动识别方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111214225A CN111214225A CN201911349549.0A CN201911349549A CN111214225A CN 111214225 A CN111214225 A CN 111214225A CN 201911349549 A CN201911349549 A CN 201911349549A CN 111214225 A CN111214225 A CN 111214225A
- Authority
- CN
- China
- Prior art keywords
- trained
- complex
- qrs
- determining
- wave
- 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.)
- Granted
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
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- 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
- A61B5/35—Detecting specific parameters of the electrocardiograph cycle by template matching
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Cardiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提供了一种室性激动识别方法、装置、电子设备及可读存储介质,应用于计算机技术领域,其中该方法包括:基于预训练的位置确定模型自动确定QRS波群的起点位置与终点位置,然后根据确定的所述QRS波群的起点位置与终点位置确定所述QRS波群的波群特征,进而根据确定的QRS波群的波群特征通过预训练的二叉树模型自动识别出心电信号数据是否为室性激动。从而实现了室性激动的自动识别,与人工定位心脏电激动起源部位相比,提升了室性激动识别的效率,此外,基于提取的多个维度的QRS波群的波群特征进行室性激动的识别,提升了室性激动识别的准确性。
Description
技术领域
本申请涉及计算机技术领域,具体而言,本申请涉及一种室性激动识别方法、装置、电子设备及可读存储介质。
背景技术
心电图的临床应用已经有100多年的历史,能够诊断心律失常、冠心病、先心病等心脏疾病,是临床上不可或缺的检查手段之一,具有无创、便捷、准确可靠的优点。心电图在临床上的重要性是不言而喻的,例如:心导管检查过程中需要心电图监测,冠状动脉造影术、PTCA术也时刻需要心电图监视,没有心电图标测,射频消融心律失常就不可能成功。
目前,我国专业的心电图技师数量匮乏,特别是在老、少、边、穷地区,这种现象更加严重。对于一些较为疑难的心电图,很多临床医生都不能正确判读,因此基于计算机技术的常规心电图和动态心电图自动诊断技术应运而生。心电图是检出和诊断心律失常最佳的无创性检查方法,大多数心律失常根据心电图特征即可做出诊断,准确定位心脏电激动起源部位是诊断心律失常的关键一步。目前的心电图自动诊断技术对于心脏电激动的起源部位的判定不尽如人意,其准确度亟待提高。
发明内容
本申请提供了一种室性激动识别方法、装置、电子设备及可读存储介质,用于准确定位心脏电激动起源部位,提升室性激动识别的准确性,本申请采用的技术方案如下:
第一方面,提供了一种室性激动识别方法,该方法包括,
获取一个完整心动周期的心电信号数据;
基于心电信号数据截取预定长度的待识别心电信号数据;
基于待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置;
基于确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征;
基于QRS波群的波群特征通过预训练的二叉树模型识别确定心电信号数据是否为室性激动。
可选地,波群特征包括QRS波群时限特征、R波电压特征、S波电压特征。
可选地,预训练的位置定位模型包括预训练的起点位置定位模型、预训练的终点位置定位模型。
可选地,基于待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置,包括:
基于待识别心电信号数据以及预训练的起点位置定位模型或预训练的终点位置定位模型,确定QRS波群起点或QRS波群终点距离R波顶点的相对距离;
基于R波顶点的位置以及QRS波群起点或QRS波群终点距离R波顶点的相对距离,确定QRS波群的起点位置或终点位置。
可选地,预训练的位置定位模型为机器核学习模型,机器核学习模型如下所示:
其中,核函数K选取高斯核函数建模,高斯核形式如下:
其中,||·||2表示欧式范数。
可选地,该方法还包括:
进行预训练的位置定位模型的训练时,基于交叉验证的办法确定超参数λ、σ。
可选地,预定长度的待识别心电信号数据为R波顶点前后预定时间长度的的心电信号数据。
第二方面,提供了一种室性激动识别装置,该装置包括,
获取模块,用于获取一个完整心动周期的心电信号数据;
截取模块,用于基于心电信号数据截取预定长度的待识别心电信号数据;
第一确定模块,用于基于待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置;
第二确定模块,用于基于确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征;
第三确定模块,用于基于QRS波群的波群特征通过预训练的二叉树模型识别确定心电信号数据是否为室性激动。
可选地,波群特征包括QRS波群时限特征、R波电压特征、S波电压特征。
可选地,预训练的位置定位模型包括预训练的起点位置定位模型、预训练的终点位置定位模型。
可选地,第一确定模块包括:
第一确定单元,用于基于待识别心电信号数据以及预训练的起点位置定位模型或预训练的终点位置定位模型,确定QRS波群起点或QRS波群终点距离R波顶点的相对距离;
第二确定单元,用于基于R波顶点的位置以及QRS波群起点或QRS波群终点距离R波顶点的相对距离,确定QRS波群的起点位置或终点位置。
可选地,预训练的位置定位模型为机器核学习模型,机器核学习模型如下所示:
其中,核函数K选取高斯核函数建模,高斯核形式如下:
其中,||·||2表示欧式范数。
可选地,该装置还包括:
第四确定模块,用于进行预训练的位置定位模型的训练时,基于交叉验证的办法确定超参数λ、σ。
可选地,预定长度的待识别心电信号数据为R波顶点前后预定时间长度的的心电信号数据。
第三方面,提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中一个或多个应用程序被存储在存储器中并被配置为由一个或多个处理器执行,一个或多个程序配置用于:执行第一方面所示的室性激动识别方法。
第四方面,提供了一种计算机可读存储介质,计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机可以执行第一方面所示的室性激动识别方法。
本申请提供了一种室性激动识别方法、装置、电子设备及可读存储介质,本申请通过获取一个完整心动周期的心电信号数据,然后基于心电信号数据截取预定长度的待识别心电信号数据,并基于待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置,继而基于确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征,最后基于QRS波群的波群特征通过预训练的二叉树模型识别确定心电信号数据是否为室性激动。即基于预训练的位置确定模型自动确定QRS波群的起点位置与终点位置,然后根据确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征,进而根据确定的QRS波群的波群特征通过预训练的二叉树模型自动识别出心电信号数据是否为室性激动。从而实现了室性激动的自动识别,与人工定位心脏电激动起源部位相比,提升了室性激动识别的效率,此外,基于提取的多个维度的QRS波群的波群特征进行室性激动的识别,提升了室性激动识别的准确性。
本申请附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例的一种室性激动识别方法的流程示意图;
图2为本申请实施例的一种室性激动识别装置的结构示意图;
图3为本申请实施例的另一室性激动识别装置的结构示意图;
图4为本申请实施例的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,各实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
本申请实施例提供了一种室性激动识别方法,如图1所示,该方法可以包括以下步骤:
步骤S101,获取一个完整心动周期的心电信号数据;
其中,心动周期(cardiaccycle)指从一次心跳的起始到下一次心跳的起始,心血管系统所经历的过程。具体地,心电数据是从采样率为1000Hz,长度为10秒钟的常规心电图中截取的。
步骤S102,基于心电信号数据截取预定长度的待识别心电信号数据;
其中,预定长度的待识别心电信号数据为R波顶点前后预定时间长度的的心电信号数据。
具体地,可以截取R波顶点前第一预定时间长度与R波顶点第二预定时间长度的数据作为待识别心电信号数据。
优选地,第一预定时间长度可以为120毫秒,第二预定时间长度可以为180毫秒。
具体地,可以截取的待识别心电信号数据进行预处理,其中,该预处理可以包括归一化处理,优选地,可以是进行[-1,1]归一化,也可以进行[0,1]的归一化。其中,[-1,1]归一化所用的公式如下:
其中,xmin=min{xi|i=1,2,3,280},
xmax=max{xi|i=1,2,3,280}。
步骤S103,基于待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置;
具体地,可以将归一化处理后的待识别心电信号数据输入至预训练的位置定位模型,用于确定QRS波群的起点位置与终点位置。
步骤S104,基于确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征;
具体地,根据QRS波群的起点位置与终点位置可以提取得到QRS波群的波群特征;其中,该波群特征可以是多维的特征;其中,波群特征包括但不限于以下特征:QRS波群时限特征、R波电压特征、S波电压特征。
步骤S105,基于QRS波群的波群特征通过预训练的二叉树模型识别确定心电信号数据是否为室性激动。
具体地,可以对提取得到的QRS波群的波群特征进行归一化处理,然后输入至预训练的二叉树模型识别确定心电信号数据是否为室性激动;其中,该二叉树模型的建模步骤如下:
(1)特征选取
选取的特征包括:目标QRS波群时限,与目标QRS波群相邻的、在其前面的QRS波群的时限,与目标QRS波群相邻的、在其后面的QRS波群的时限,与目标QRS波群相关的前、后两个RR间期,目标QRS波群在各个导联上电压的最大值、最小值,与目标QRS波群相邻的、在其前面的QRS波群在各个导联上电压的最大值、最小值,与目标QRS波群相邻的、在其后面的QRS波群在各个导联上电压的最大值、最小值;
(2)数据预处理
在本步骤中,数据预处理就是指数据归一化,我们采用前述公式一所示方法进行数据归一化。
(3)训练模型及模型优化
本步骤即是将经过预处理后的样本喂给模型进行训练,需要注意的是:在本步中需要给生成的树模型进行剪枝,以防止过拟合,提高泛化性。
本申请实施例提供了一种室性激动识别方法,本申请实施例通过获取一个完整心动周期的心电信号数据,然后基于心电信号数据截取预定长度的待识别心电信号数据,并基于待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置,继而基于确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征,最后基于QRS波群的波群特征通过预训练的二叉树模型识别确定心电信号数据是否为室性激动。即基于预训练的位置确定模型自动确定QRS波群的起点位置与终点位置,然后根据确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征,进而根据确定的QRS波群的波群特征通过预训练的二叉树模型自动识别出心电信号数据是否为室性激动。从而实现了室性激动的自动识别,与人工定位心脏电激动起源部位相比,提升了室性激动识别的效率,此外,基于提取的多个维度的QRS波群的波群特征进行室性激动的识别,提升了室性激动识别的准确性。
本申请实施例提供了一种可能的实现方式,预训练的位置定位模型包括预训练的起点位置定位模型、预训练的终点位置定位模型。
具体地,预训练的位置定位模型包括预训练的起点位置定位模型、预训练的终点位置定位模型,其中,预训练的位置定位模型为机器核学习模型,机器核学习模型如下所示:
其中,核函数K选取高斯核函数建模,高斯核形式如下:
其中,||·||2表示欧式范数。
其中,进行该模型的训练时,根据泛函分析原理,公式二的解为:
其中,α=(α1,α2,…,αm)T为线性方程组
其中,训练模型包括两部:确定超参数λ,σ的值与求解最优解fz,λ。
(1)确定超参数λ,σ的值。
本发明采用交叉验证的办法确定超参数λ,σ的值。首先,确定λ,σ的查找范围:[λmin,λmax]×[σmin,σmax]及搜索步长Δ,然后在[λmin,λmax]×[σmin,σmax]所确定的网格范围内查找最优的一组λ,σ。
给定一组超参数的值(λs,σs),将训练集平均分成m个子集,将每个子集分别做一次验证集,其余的m-1个子集作为训练集,这样会得到m个模型,用这m个模型验证集的均方误差的平均数作为此组超参数(λ0,σ0)下,模型的预测误差。
遍历网格中所有(λ,σ)的值,取预测误差最小的那一组作为超参数的最优值,记作(λo,σo)。
(2)求解fz,λ
将(λo,σo)代入式五即可解出α=(α1,α2,…,αm)T,将α=(α1,α2,…,αm)T代入式四即可求得fz,λ。
其中,训练模型所用的样本可以是通过如下方式得到的:
本发明在训练QRS波群起点、终点位置定位模型时所用的心电数据是从采样率为1000Hz,长度为10秒钟的常规心电图中截取的。
以下记z={zi|zi=(xi,yi),i=1,2,…,m,m∈Z}为一组简单随机样本,其中xi为输入数据,yi为输出数据。本发明中,xi为心电信号片段,yi为QRS波群起点至R波顶点的长度(单位:毫秒)。x的截取方式为:从R波顶点位置起往前119毫秒处至R波顶点位置后160毫秒处,总计280毫秒,所以xi=(x1,x2,…,x280)。
其中,可以对样本数据进行预处理,然后进行模型的训练,其中,数据预处理包括两部分:滤波和数据归一化;滤波包括50Hz陷波、40Hz低通滤波;数据归一化方式可以选取[-1,1]归一化。
对于本申请实施例,预训练的位置定位模型包括预训练的起点位置定位模型、预训练的终点位置定位模型,为确定QRS波群的起点位置和终点位置提供了基础。
本申请实施例提供了一种可能的实现方式,步骤S103包括:
步骤S1031(图中未示出),基于待识别心电信号数据以及预训练的起点位置定位模型或预训练的终点位置定位模型,确定QRS波群起点或QRS波群终点距离R波顶点的相对距离;
步骤S1032(图中未示出),基于R波顶点的位置以及QRS波群起点或QRS波群终点距离R波顶点的相对距离,确定QRS波群的起点位置或终点位置。
具体地,基于预训练的起点位置定位模型或预训练的终点位置定位模型可以得到QRS波群起点或QRS波群终点距离R波顶点的相对距离,然后根据R波顶点的位置,可以确定QRS波群的起点位置或终点位置。
对于本申请实施例,解决了如何具体确定QRS波群的起点位置或终点位置的问题。
图2为本申请实施例提供的一种室性激动识别装置,该装置20包括:获取模块201、截取模块202、第一确定模块203、第二确定模块204、第三确定模块205,其中,
获取模块201,用于获取一个完整心动周期的心电信号数据;
截取模块202,用于基于心电信号数据截取预定长度的待识别心电信号数据;
第一确定模块203,用于基于待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置;
第二确定模块204,用于基于确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征;
第三确定模块205,用于基于QRS波群的波群特征通过预训练的二叉树模型识别确定心电信号数据是否为室性激动。
本申请实施例提供了一种室性激动识别装置,本申请实施例通过获取一个完整心动周期的心电信号数据,然后基于心电信号数据截取预定长度的待识别心电信号数据,并基于待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置,继而基于确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征,最后基于QRS波群的波群特征通过预训练的二叉树模型识别确定心电信号数据是否为室性激动。即基于预训练的位置确定模型自动确定QRS波群的起点位置与终点位置,然后根据确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征,进而根据确定的QRS波群的波群特征通过预训练的二叉树模型自动识别出心电信号数据是否为室性激动。从而实现了室性激动的自动识别,与人工定位心脏电激动起源部位相比,提升了室性激动识别的效率,此外,基于提取的多个维度的QRS波群的波群特征进行室性激动的识别,提升了室性激动识别的准确性。
本实施例的室性激动识别装置可执行本申请上述实施例中提供的一种室性激动识别方法,其实现原理相类似,此处不再赘述。
如图3所示,本申请实施例提供了另一种室性激动识别装置,该装置30包括:获取模块301、截取模块302、第一确定模块303、第二确定模块304、第三确定模块305,其中,
获取模块301,用于获取一个完整心动周期的心电信号数据;
其中,图3中的获取模块301与图2中的获取模块201的功能相同或者相似。
截取模块302,用于基于心电信号数据截取预定长度的待识别心电信号数据;
其中,图3中的截取模块302与图2中的截取模块202的功能相同或者相似。
第一确定模块303,用于基于待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置;
其中,图3中的第一确定模块303与图2中的第一确定模块203的功能相同或者相似。
第二确定模块304,用于基于确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征;
其中,图3中的第二确定模块304与图2中的第二确定模块204的功能相同或者相似。
第三确定模块305,用于基于QRS波群的波群特征通过预训练的二叉树模型识别确定心电信号数据是否为室性激动。
其中,图3中的第三确定模块305与图2中的第三确定模块205的功能相同或者相似。
其中,预定长度的待识别心电信号数据为R波顶点前后预定时间长度的的心电信号数据。
其中,波群特征为多维度的特征,其包括但不限于QRS波群时限特征、R波电压特征、S波电压特征。
本申请实施例提供了一种可能的实现方式,其中,预训练的位置定位模型包括预训练的起点位置定位模型、预训练的终点位置定位模型。
其中,预训练的位置定位模型为机器核学习模型,机器核学习模型如下所示:
其中,核函数K选取高斯核函数建模,高斯核形式如下:
其中,||·||2表示欧式范数。
本申请实施例提供了一种可能的实现方式,其中,第一确定模块303包括:
第一确定单元3031,用于基于待识别心电信号数据以及预训练的起点位置定位模型或预训练的终点位置定位模型,确定QRS波群起点或QRS波群终点距离R波顶点的相对距离;
第二确定单元3032,用于基于R波顶点的位置以及QRS波群起点或QRS波群终点距离R波顶点的相对距离,确定QRS波群的起点位置或终点位置。
对于本申请实施例,解决了如何具体确定QRS波群的起点位置或终点位置的问题。
本申请实施例提供了一种可能的实现方式,其中,该装置还包括:
第四确定模块306,用于进行预训练的位置定位模型的训练时,基于交叉验证的办法确定超参数λ、σ。
对于本申请实施例,解决了训练的模型的超参数的确定问题。
本申请实施例提供了一种室性激动识别装置,本申请实施例通过获取一个完整心动周期的心电信号数据,然后基于心电信号数据截取预定长度的待识别心电信号数据,并基于待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置,继而基于确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征,最后基于QRS波群的波群特征通过预训练的二叉树模型识别确定心电信号数据是否为室性激动。即基于预训练的位置确定模型自动确定QRS波群的起点位置与终点位置,然后根据确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征,进而根据确定的QRS波群的波群特征通过预训练的二叉树模型自动识别出心电信号数据是否为室性激动。从而实现了室性激动的自动识别,与人工定位心脏电激动起源部位相比,提升了室性激动识别的效率,此外,基于提取的多个维度的QRS波群的波群特征进行室性激动的识别,提升了室性激动识别的准确性。
本申请实施例提供了一种室性激动识别装置,适用于上述实施例所示的方法,在此不再赘述。
本申请实施例提供了一种电子设备,如图4所示,图4所示的电子设备40包括:处理器401和存储器403。其中,处理器401和存储器403相连,如通过总线402相连。进一步地,电子设备40还可以包括收发器404。需要说明的是,实际应用中收发器404不限于一个,该电子设备40的结构并不构成对本申请实施例的限定。其中,处理器401应用于本申请实施例中,用于实现图2或图3所示的获取模块、截取模块、第一确定模块、第二确定模块以及第三确定模块的功能,以及图3所示的第四确定模块的功能。收发器404包括接收机和发射机。
处理器401可以是CPU,通用处理器,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器401也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线402可包括一通路,在上述组件之间传送信息。总线402可以是PCI总线或EISA总线等。总线402可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器403可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器403用于存储执行本申请方案的应用程序代码,并由处理器401来控制执行。处理器401用于执行存储器403中存储的应用程序代码,以实现图2或图3所示实施例提供的室性激动识别装置的功能。
本申请实施例提供了一种电子设备,本申请实施例通过获取一个完整心动周期的心电信号数据,然后基于心电信号数据截取预定长度的待识别心电信号数据,并基于待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置,继而基于确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征,最后基于QRS波群的波群特征通过预训练的二叉树模型识别确定心电信号数据是否为室性激动。即基于预训练的位置确定模型自动确定QRS波群的起点位置与终点位置,然后根据确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征,进而根据确定的QRS波群的波群特征通过预训练的二叉树模型自动识别出心电信号数据是否为室性激动。从而实现了室性激动的自动识别,与人工定位心脏电激动起源部位相比,提升了室性激动识别的效率,此外,基于提取的多个维度的QRS波群的波群特征进行室性激动的识别,提升了室性激动识别的准确性。
本申请实施例提供了一种电子设备适用于上述方法实施例。在此不再赘述。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现上述实施例中所示的方法。
本申请实施例提供了一种计算机可读存储介质本申请实施例通过获取一个完整心动周期的心电信号数据,然后基于心电信号数据截取预定长度的待识别心电信号数据,并基于待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置,继而基于确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征,最后基于QRS波群的波群特征通过预训练的二叉树模型识别确定心电信号数据是否为室性激动。即基于预训练的位置确定模型自动确定QRS波群的起点位置与终点位置,然后根据确定的QRS波群的起点位置与终点位置确定QRS波群的波群特征,进而根据确定的QRS波群的波群特征通过预训练的二叉树模型自动识别出心电信号数据是否为室性激动。从而实现了室性激动的自动识别,与人工定位心脏电激动起源部位相比,提升了室性激动识别的效率,此外,基于提取的多个维度的QRS波群的波群特征进行室性激动的识别,提升了室性激动识别的准确性。
本申请实施例提供了一种计算机可读存储介质适用于上述方法实施例。在此不再赘述。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种室性激动识别方法,其特征在于,包括:
获取一个完整心动周期的心电信号数据;
基于所述心电信号数据截取预定长度的待识别心电信号数据;
基于所述待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置;
基于确定的所述QRS波群的起点位置与终点位置确定所述QRS波群的波群特征;
基于所述QRS波群的波群特征通过预训练的二叉树模型识别确定所述心电信号数据是否为室性激动。
2.根据权利要求1所述的方法,其特征在于,所述波群特征包括QRS波群时限特征、R波电压特征、S波电压特征。
3.根据权利要求1所述的方法,其特征在于,所述预训练的位置定位模型包括预训练的起点位置定位模型、预训练的终点位置定位模型。
4.根据权利要求3所述方法,其特征在于,所述基于所述待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置,包括:
基于所述待识别心电信号数据以及所述预训练的起点位置定位模型或预训练的终点位置定位模型,确定QRS波群起点或QRS波群终点距离R波顶点的相对距离;
基于R波顶点的位置以及所述QRS波群起点或QRS波群终点距离R波顶点的相对距离,确定QRS波群的起点位置或终点位置。
6.根据权利要求5所述的方法,其特征在于,该方法还包括:
进行所述预训练的位置定位模型的训练时,基于交叉验证的办法确定超参数λ、σ。
7.根据权利要求1-6任一项所述的方法,其特征在于,包括:所述预定长度的待识别心电信号数据为R波顶点前后预定时间长度的的心电信号数据。
8.一种室性激动识别装置,其特征在于,包括:
获取模块,用于获取一个完整心动周期的心电信号数据;
截取模块,用于基于所述心电信号数据截取预定长度的待识别心电信号数据;
第一确定模块,用于基于所述待识别心电信号数据与预训练的位置定位模型确定QRS波群的起点位置与终点位置;
第二确定模块,用于基于确定的所述QRS波群的起点位置与终点位置确定所述QRS波群的波群特征;
第三确定模块,用于基于所述QRS波群的波群特征通过预训练的二叉树模型识别确定所述心电信号数据是否为室性激动。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序配置用于:执行根据权利要求1至7任一项所述的室性激动识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机可以执行上述权利要求1至7中任一项所述的室性激动识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911349549.0A CN111214225B (zh) | 2019-12-24 | 2019-12-24 | 室性激动识别方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911349549.0A CN111214225B (zh) | 2019-12-24 | 2019-12-24 | 室性激动识别方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111214225A true CN111214225A (zh) | 2020-06-02 |
CN111214225B CN111214225B (zh) | 2022-12-06 |
Family
ID=70810549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911349549.0A Active CN111214225B (zh) | 2019-12-24 | 2019-12-24 | 室性激动识别方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111214225B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113598782A (zh) * | 2021-08-02 | 2021-11-05 | 储慧民 | 预测室性心律失常起源位置的系统、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150164359A1 (en) * | 2013-12-15 | 2015-06-18 | Lifewatch Technologies Ltd. | Patient specific qrs complex classification for arrythmia detection |
CN107292292A (zh) * | 2017-07-20 | 2017-10-24 | 浙江好络维医疗技术有限公司 | 一种基于支持向量机的qrs波群分类方法 |
US20180125385A1 (en) * | 2015-05-20 | 2018-05-10 | University Health Network | Method and system for assessing qrs components and the risk of ventricular arrhythmias |
CN110236530A (zh) * | 2019-06-20 | 2019-09-17 | 武汉中旗生物医疗电子有限公司 | 一种心电信号qrs波群定位方法、装置及计算机存储介质 |
-
2019
- 2019-12-24 CN CN201911349549.0A patent/CN111214225B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150164359A1 (en) * | 2013-12-15 | 2015-06-18 | Lifewatch Technologies Ltd. | Patient specific qrs complex classification for arrythmia detection |
US20180125385A1 (en) * | 2015-05-20 | 2018-05-10 | University Health Network | Method and system for assessing qrs components and the risk of ventricular arrhythmias |
CN107292292A (zh) * | 2017-07-20 | 2017-10-24 | 浙江好络维医疗技术有限公司 | 一种基于支持向量机的qrs波群分类方法 |
CN110236530A (zh) * | 2019-06-20 | 2019-09-17 | 武汉中旗生物医疗电子有限公司 | 一种心电信号qrs波群定位方法、装置及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
徐佳棋: "基于Android的智能心电仪设计", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113598782A (zh) * | 2021-08-02 | 2021-11-05 | 储慧民 | 预测室性心律失常起源位置的系统、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111214225B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
CN109948647B (zh) | 一种基于深度残差网络的心电图分类方法及系统 | |
CN107837082A (zh) | 基于人工智能自学习的心电图自动分析方法和装置 | |
WO2021057328A1 (zh) | 基于特征选取的st段分类卷积神经网络及其使用方法 | |
CN102551701A (zh) | 通过周期性信号分析检测实体物件异常运作的系统及方法 | |
KR102483693B1 (ko) | 설명 가능한 다중 심전도 부정맥 진단 장치 및 방법 | |
CN111345816B (zh) | 多导联qrs波群检测方法、装置、设备及存储介质 | |
CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
CN110432895B (zh) | 训练数据处理、心电波形检测方法及电子设备 | |
Rohmantri et al. | Arrhythmia classification using 2D convolutional neural network | |
CN110693488A (zh) | 心电信号处理系统、方法、电子设备及可读存储介质 | |
CN113288157A (zh) | 基于深度可分离卷积和改进损失函数的心律失常分类方法 | |
CN111803059A (zh) | 一种基于时域卷积网络的心电信号分类方法及装置 | |
CN111419213A (zh) | 一种基于深度学习的ecg心电信号生成方法 | |
CN112932498A (zh) | 一种基于深度学习的强泛化能力的t波形态分类系统 | |
CN115885279A (zh) | 模型训练方法、信号识别方法、装置、计算处理设备、计算机程序及计算机可读介质 | |
CN113647959B (zh) | 一种心电波形信号的波形识别方法、装置及设备 | |
CN113901893A (zh) | 基于多重级联深度神经网络的心电信号的识别与分类方法 | |
CN111214225B (zh) | 室性激动识别方法、装置、电子设备及可读存储介质 | |
CN111067512A (zh) | 心室颤动的检测装置、检测模型的训练装置、方法及设备 | |
CN117425431A (zh) | 心电图解析辅助装置、程序、心电图解析辅助方法、以及心电图解析辅助系统 | |
WO2024098553A1 (zh) | 一种针对心电图的分析识别方法、系统以及存储介质 | |
CN115429284B (zh) | 心电信号分类方法、系统、计算机设备以及可读存储介质 | |
CN113855037B (zh) | 基于Transformer的房颤识别方法及装置 | |
CN111084621B (zh) | 基于深度自编码器的qrs波群形态识别方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |