CN111345815B - 一种心电信号中qrs波的检测方法、装置、设备和存储介质 - Google Patents

一种心电信号中qrs波的检测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111345815B
CN111345815B CN202010094040.2A CN202010094040A CN111345815B CN 111345815 B CN111345815 B CN 111345815B CN 202010094040 A CN202010094040 A CN 202010094040A CN 111345815 B CN111345815 B CN 111345815B
Authority
CN
China
Prior art keywords
candidate region
score
feature extraction
candidate
anchor points
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
Application number
CN202010094040.2A
Other languages
English (en)
Other versions
CN111345815A (zh
Inventor
赵巍
胡静
王红梅
贾东亚
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.)
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Shiyuan Electronics Thecnology 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 Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority to CN202010094040.2A priority Critical patent/CN111345815B/zh
Publication of CN111345815A publication Critical patent/CN111345815A/zh
Application granted granted Critical
Publication of CN111345815B publication Critical patent/CN111345815B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]

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

本发明实施例公开了一种心电信号中QRS波的检测方法、装置、设备和存储介质。该方法包括：对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；对样本信号进行特征提取，生成样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为设定长度的二分之一、四分之一和八分之一；根据样本信号对应的特征向量构建预设长度的锚点，根据锚点的值确认样本信号中的候选区域以及候选区域的分数；将候选区域和特征向量输入到候选区识别模块，依次经过候选区识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个二维向量表征候选区域中的QRS波和非QRS波。本方案实现了对复杂信号的精确处理，对新信号的快速适应。

Description

一种心电信号中QRS波的检测方法、装置、设备和存储介质
技术领域
本发明实施例涉及信号处理技术领域，尤其涉及一种心电信号中QRS波的检测方法、装置、设备和存储介质。
背景技术
目前我国的心血管疾病患者数量约为2.6亿，心血管死亡率占城乡居民疾病死亡构成的首位，并且患病人数依然在持续增加。心电信号反应了心脏活动的电生理过程。由于基于心电信号的检查成本低，使用方便，因此被广泛用于心血管疾病的检查和诊断。图1给出了一个典型的心电波形。正常的心电信号一般由P波，QRS复合波和T波组成，有时候也会有u波。其中P波表示了心房收缩的电活动，QRS波和T表示了心室收缩的电活动。
心电类型分析是心电图机、心电监护仪等诊断和分析设备中的重要组成部分。心电类型分析通过对心电信号进行测量和分析，能够检测多种疾病并及时发出警报。QRS波的自动检测是心电类型分析中的一个重要功能，其检测结果能用于心率计算，疾病分类的后续步骤。
现有的QRS波检测算法通常由三到四个步骤组成：降噪滤波，特征提取，候选区域检测和分类，最后输出判断为QRS波的区域位置。在降噪滤波时，由于QRS波的频率范围通常小于45Hz，因此通常对输入的原始心电信号进行带通滤波(如0.5Hz到45Hz)，以去除基线漂移和肌电等噪声信号。在候选区域检测和特征提取时，除了心电信号之外，积分波、小波分解和重构后的信号等辅助信号的幅值、斜率、能量、宽度等特征也常被利用。最后利用事先设定的阈值或者机器学习算法对特征进行判断，识别出真正的QRS波。
现有算法在高信噪比的心电信号上能够取得很好的性能，但是由于特征为人工设计，较难反映复杂测量环境下和噪声较大时心电信号的特点，导致QRS波检测的性能不佳；并且设计出的特征只能针对特定的测量方案以及对应的数据集，也导致现有检测方式的可移植性较低。
发明内容
本发明提供了一种确心电信号中QRS波的检测方法、装置、设备和存储介质，以解决现有技术中QRS波检测不能适应复杂信号和变化信号的技术问题。
第一方面，本发明实施例提供了一种心电信号中QRS波的检测方法，包括：
对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；
对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点的值确认所述样本信号中的候选区域以及所述候选区域的分数；
将所述候选区域和所述特征向量输入到候选区识别模块，依次经过所述候选区识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个二维向量，所述二维向量用于表征所述候选区域中的QRS波和非QRS波的得分。
其中，所述对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一，包括：
将所述样本信号输入初始特征提取模块得到初始特征提取结果，三个尺度对应的特征提取模块对所述初始特征提取结果按对应的尺度等级进行特征提取，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
将每个尺度对应的特征提取结果输出到对应的卷积层并综合相邻尺度上特征提取的结果生成所述样本信号在三个尺度上的特征向量。
其中，所述初始特征提取模块包括一个卷积层、一个批归一化层、一个激活层和池化层；所述三个尺度对应特征提取模块均包括两个卷积层、两个批归一化层和两个激活层。
其中，所述根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点的值确认所述样本信号中的候选区域以及所述候选区域的分数，包括：
对于每个所述尺度对应的特征向量，以所述特征向量上的每个样本点为中心，构建长度为9个样本点的锚点，所述锚点的分数为所述锚点的中心样本点的值；
将全部所述锚点按分数由大到小进行排序，生成检查列表；
依次对所述检查列表中的所述锚点进行候选区域筛选，将每次筛选出的锚点作为候选区域添加到候选列表，在所述候选列表中删除该锚点以及与该锚点距离0.2秒内的其他锚点，每次筛选出的锚点为所述检查列表中分数最高、起点大于0且终点小于对应的所述特征向量的长度的锚点，所述锚点的分数作为对应候选区域的分数。
其中，第k个真实QRS波在第j层特征向量的位置为ref_lock，值为
Figure BDA0002384639820000031
所述QRS波的漏检损失misdet_lossk通过以下公式计算：
Figure BDA0002384639820000032
其中fk＝1为真实的QRS波，fk＝0为漏检的QRS波。
其中，所述QRS波的检测误检损失det_lossi通过以下公式计算：
det_lossi＝-filogdet_scorei-(1-fi)log(1-det_scorei)；
所述QRS波的分类误检损失cls_lossi通过以下公式计算：
cls_lossi＝-filogcls_scorei-(1-fi)log(1-cls_scorei)；
其中，det_scorei和cls_scorei分别为候选区检测的检测分数和候选区识别模块的输出分数，fi＝1为真实的QRS波，fi＝0为误检的QRS波。
其中，所述候选区识别模块的卷积层的通道数、卷积核尺寸、步长和填充尺寸分别为16、3、1和0。
第二方面，本发明实施例还提供了一种心电信号中QRS波的检测装置，包括：
预处理单元，用于对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；
特征提取单元，用于对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
候选区检测单元，用于根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点的值确认所述样本信号中的候选区域以及所述候选区域的分数；
信号分类单元，用于将所述候选区域和所述特征向量输入到候选区识别模块，依次经过所述候选区识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个二维向量，所述二维向量用于表征所述候选区域中的QRS波和非QRS波的得分。
其中，所述特征提取单元，包括：
特征提取模块，用于将所述样本信号输入初始特征提取模块得到初始特征提取结果，三个尺度对应的特征提取模块对所述初始特征提取结果按对应的尺度等级进行特征提取，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
特征向量生成模块，用于将每个尺度对应的特征提取结果输出到对应的卷积层并综合相邻尺度上特征提取的结果生成所述样本信号在三个尺度上的特征向量。
其中，所述初始特征提取模块包括一个卷积层、一个批归一化层、一个激活层和池化层；所述三个尺度对应特征提取模块均包括两个卷积层、两个批归一化层和两个激活层。
其中，所述候选区检测单元，包括：
锚点计算模块，用于对于每个所述尺度对应的特征向量，以所述特征向量上的每个样本点为中心，构建长度为9个样本点的锚点，所述锚点的分数为所述锚点的中心样本点的值；
锚点排序模块，用于将全部所述锚点按分数由大到小进行排序，生成检查列表；
候选区筛选模块，用于依次对所述检查列表中的所述锚点进行候选区域筛选，将每次筛选出的锚点作为候选区域添加到候选列表，在所述候选列表中删除该锚点以及与该锚点距离0.2秒内的其他锚点，每次筛选出的锚点为所述检查列表中分数最高、起点大于0且终点小于对应的所述特征向量的长度的锚点，所述锚点的分数作为对应候选区域的分数。
其中，第k个真实QRS波在第j层特征向量的位置为ref_lock，值为
Figure BDA0002384639820000041
所述QRS波的漏检损失misdet_lossk通过以下公式计算：
Figure BDA0002384639820000042
其中fk＝1为真实的QRS波，fk＝0为漏检的QRS波。
其中，所述QRS波的检测误检损失det_lossi通过以下公式计算：
det_lossi＝-filogdet_scorei-(1-fi)log(1-det_scorei)；
所述QRS波的分类误检损失cls_lossi通过以下公式计算：
cls_lossi＝-filogcls_scorei-(1-fi)log(1-cls_scorei)；
其中，det_scorei和cls_scorei分别为候选区检测的检测分数和候选区识别模块的输出分数，fi＝1为真实的QRS波，fi＝0为误检的QRS波。
其中，所述候选区识别模块的卷积层的通道数、卷积核尺寸、步长和填充尺寸分别为16、3、1和0。
第三方面，本发明实施例还提供了一种设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面中任一所述的心电信号中QRS波的检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一所述的心电信号中QRS波的检测方法。
上述心电信号中QRS波的检测方法、装置、设备和存储介质，通过对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点的值确认所述样本信号中的候选区域以及所述候选区域的分数；将所述候选区域和所述特征向量输入到候选区识别模块，依次经过所述候选区识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个二维向量，所述二维向量用于表征所述候选区域中的QRS波和非QRS波的得分。本实施例基于深度学习的方法，通过端到端的自动检测过程提升特征的表达和分类效果，优化了复杂测量环境下和噪声较大时的QRS波检测性能，还能自动训练的新测量模型，节约训练时间。
附图说明
图1为心电信号的结构示意图；
图2为本发明实施例一提供的一种心电信号中QRS波的检测方法的流程图；
图3-图6为本发明实施例一提供的一种心电信号处理过程的变化示意图；
图7为本发明实施例一提供的心电信号处理过程中的数据流动示意图；
图8为本发明实施例二提供的一种心电信号中QRS波的检测方法的特征提取流程图；
图9为本发明实施例二中特征提取过程中数据流动示意图；
图10-图13为本发明实施例二中特征提取模块的数据处理流程示意图；
图14为本发明实施例二中候选区筛选的流程图；
图15为本发明实施例二中候选区分类的数据处理流程示意图；
图16为本发明实施例三提供的一种心电信号中QRS波的检测装置的结构示意图；
图17为本发明实施例四提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
实施例一
图2为本发明实施例一提供的一种心电信号中QRS波的检测方法的流程图。实施例中提供的心电信号中QRS波的检测方法可以由心电信号中QRS波的检测设备执行，该心电信号中QRS波的检测设备可以通过软件和/或硬件的方式实现，该心电信号中QRS波的检测设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。例如，心电信号中QRS波的检测设备可以是手机、工业控制计算机等。
如图2所示，实施例一中提供的心电信号中QRS波的检测方法，包括以下步骤：
步骤S110：对采集到的心电信号进行预处理，得到若干段设定长度的样本信号。
预处理主要包括重采样、滤波等对信号的波形调整，具体来说，对于最原始的心电信号，首先将心电信号重采样到256Hz(fs＝256)，然后利用通带范围为0.5Hz到40Hz的滤波器进行带通滤波。对于某个个体的心电信号，用于分析的心电信号片段长度一般为10秒左右，也就是说，对于某个个体的心电信号，10秒长度的心电信号中有2560个样本点，在本实施例中取整，设重采样后的心电信号为si，i＝1,…,n(n＝2560)，图3和图4给出了滤波前后的心电信号。对比图3和图4可以发现，带通滤波滤除了信号中的“毛刺”部分。
步骤S120：对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一。
三个尺度上的特征向量的长度分别为设定长度的二分之一、四分之一和八分之一，为表述简单，分别定义为第一层、第二层和第三层。其中第一层用于起搏器信号的检测，第二层用于正常宽度QRS波的检测，第三层用于宽大畸形的QRS波，例如室性早搏的检测，这三种的集合构成全部的QRS波。
步骤S130：根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点的值确认所述样本信号中的候选区域以及所述候选区域的分数。
根据设定长度的锚点的值，可以对各个样本信号进行打分和排序，先粗略确认出疑似QRS波的候选区域，如图5所示，其中先行确认了若干疑似QRS波的波形，并用“×”予以标记，除了峰值较大的那一部分，还有相当多峰值较小的波形被标记。
步骤S140：将所述候选区域和所述特征向量输入到候选区识别模块，依次经过所述候选区识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个二维向量，所述二维向量用于表征所述候选区域中的QRS波和非QRS波的得分。
在初步确认疑似QRS波之后，将对应得到的候选区域和特征向量输入到候选区识别模块，可以进一步精确判断出候选区的信号是否是QRS波。在图5所示的候选区的基础上，判断出图6中“×”标记的信号为QRS波，在图3-图6中，“·”对应的波为事实上的QRS波，可以清晰看到，经过以上处理，在图6中准确的判断出了所有的QRS波。
图7中进一步形象地呈现了以上的数据流动过程，从得到最原始的心电信号，然后对其进行预处理得到可做特征提取的初步信号，对于特征提取的结果，输出到候选区域进行信号检测，最后将候选区域和特征提取的结果进行综合，得到QRS的判断过程。在该处理过程中，候选区域的特征提取，候选区域检测以及候选区域识别(即分类)能够根据输入信号的特点进行自动的优化，性能优于人工设定，并且能进行全自动的训练。
整体而言，通过对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点的值确认所述样本信号中的候选区域以及所述候选区域的分数；将所述候选区域和所述特征向量输入到候选区识别模块，依次经过所述候选区识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个二维向量，所述二维向量用于表征所述候选区域中的QRS波和非QRS波的得分。本实施例基于深度学习的方法，通过端到端的自动检测过程提升特征的表达和分类效果，优化了复杂测量环境下和噪声较大时的QRS波检测性能，还能自动训练的新测量模型，节约训练时间。
实施例二
图5为本发明实施例二提供的一种心电信号中QRS波的检测方法的流程图。本实施例是在上述实施例的基础上进行具体化，尤其是对步骤S120和步骤S130的具体化，需要说明的是，在本实施例中同时呈现了对步骤S120和步骤S130的具体化，并不是二者必须同时实施，而是为描述方案做的整合处理，在实际处理过程中，可以将步骤S120或步骤S130的具体化作为独立的实现方式存在。为描述方便，本实施例中对整个信号处理过程做了更细层面上的完整描述。整体上，包括步骤S110，图8和图14中的相关步骤以及步骤S140。
步骤S110：对采集到的心电信号进行预处理，得到若干段设定长度的样本信号。
步骤S121：将所述样本信号输入初始特征提取模块得到初始特征提取结果，三个尺度对应的特征提取模块对所述初始特征提取结果按对应的尺度等级进行特征提取，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一。
步骤S122：将每个尺度对应的特征提取结果输出到对应的卷积层并综合相邻尺度上特征提取的结果生成所述样本信号在三个尺度上的特征向量。
步骤S121和步骤S122中的数据处理过程可以参考图9，其中C0、C1、C2和C3分别表示初始特征提取模块和三个尺度对应的特征提取模块，样本信号进入到C0(初始特征提取模块)之后按照图9中所示的方向进行流动，并在流动过程中按图9所示进行对应的处理。以第一层为例，样本信号在进入到C0之后，按图10所示的数据处理流程(包括卷积层、批归一化层、激活层和池化层)；C0的提取结果输出到C1(第一层提取模块)，C1按图11所示的数据处理流程(包括两个卷积层、两个批归一化层和两个激活层)得到相应的处理结果，该处理结果输出到C2以及C1对应的卷积层，再经过图9所示的两次卷积以及一次上采样的数据综合，得到第一层对应的特征向量f1。第二层和第三层的特征提取分别参考图12和图13。第二层和第三层的数据处理过程类似，只是其中涉及到的某些处理参数不同，例如C0的卷积层的通道数(c)、卷积核尺寸(k)，步长(s)和填充尺寸(p)分别为64、7、1和3，C1、C2和C3本身的两层卷积层的参数组合又有可能不同，具体参考图11-图13。最后提取到的特征向量中，第i个尺度(第i层)特征向量上的第j个样本点(即位置为j)记录为
Figure BDA0002384639820000091
在以上训练过程中，第k个真实QRS波在第j层特征向量的位置为ref_lock，值为
Figure BDA0002384639820000092
所述QRS波的漏检损失misdet_lossk通过以下公式计算：
Figure BDA0002384639820000093
其中fk＝1为真实的QRS波，fk＝0为漏检的QRS波。
此外，所述QRS波的检测误检损失det_lossi通过以下公式计算：
det_lossi＝-filogdet_scorei-(1-fi)log(1-det_scorei)；
所述QRS波的分类误检损失cls_lossi通过以下公式计算：
cls_lossi＝-filogcls_scorei-(1-fi)log(1-cls_scorei)；
其中，det_scorei和cls_scorei分别为候选区检测的检测分数和候选区识别模块的输出分数，fi＝1为真实的QRS波，fi＝0为误检的QRS波。
以上的损失函数是针对本实施例的具体应用场景设定。检测方案利用了随机梯度下降(SDA)来优化基于交叉熵(cross-entropy)的损失函数。根据AAMI/EC57标准，检出的QRS波位置与标注的QRS波位置之差的绝对值应当小于0.15秒。如果某个候选区域的位置与标注的QRS波位置之差的绝对值均大于0.15秒，则该候选区域被判别为误检。如果某个真实QRS波的位置与全部检出的QRS波位置之差的绝对值均大于0.15秒，则该QRS波被判别为漏检。因此本方案中的损失函数由漏检损失misdet_loss和误检损失组成，其中误检损失又由候选区检测损失(det_loss)和候选区识别损失(cls_loss)组成。
对于以上三类损失整体求和得到总的损失值，最后利用反向传播算法计算该损失值对于全部参数(w)的导数
Figure BDA0002384639820000101
得到更新后的参数(w'):
Figure BDA0002384639820000102
其中η为学习率，一般设为0.01。一旦损失值(l oss)小于事先设定的阈值，则停止训练并将当前的参数保存作为QRS波自动检测模型。
步骤S131：对于每个所述尺度对应的特征向量，以所述特征向量上的每个样本点为中心，构建长度为9个样本点的锚点，所述锚点的分数为所述锚点的中心样本点的值。
步骤S132：将全部所述锚点按分数由大到小进行排序，生成检查列表。
步骤S133：依次对所述检查列表中的所述锚点进行候选区域筛选，将每次筛选出的锚点作为候选区域添加到候选列表，在所述候选列表中删除该锚点以及与该锚点距离0.2秒内的其他锚点，每次筛选出的锚点为所述检查列表中分数最高、起点大于0且终点小于对应的所述特征向量的长度的锚点，所述锚点的分数作为对应候选区域的分数。
对于候选区域的确定，步骤S131-步骤S133具体可以通过以下数学语言描述：a.以特征向量上的每个样本点
Figure BDA0002384639820000103
为中心，构建长度为9个样本点的锚点
Figure BDA0002384639820000104
例如样本点
Figure BDA0002384639820000105
所对应的锚点为
Figure BDA0002384639820000106
锚点的分数为
Figure BDA0002384639820000107
(锚点中心处样本)的值。(第1层特征向量上的锚点对应于原始信号上的17个样本点长度，即0.067秒的候选区域，用于起搏器信号的检测；第2层特征向量上的锚点对应于原始信号上的33个样本点长度，即0.13秒的候选区域，用于正常宽度QRS波的检测；第3层特征向量上的锚点对应于原始信号上的65个样本点长度，即0.25秒的候选区域，用于宽大畸形的QRS波的检测)b.将全部锚点按分数由大到小进行排序，生成检查列表。c.在检查列表中选择分数最高，且锚点起点大于0，锚点终点小于特征图长度(li)的锚点作为候选区域加入候选列表，并在检查列表中删除该锚点，以及与该锚点相距离0.2秒(正常情况下两次心跳的最短间隔为0.2秒)之内的所有其他锚点。d.重复步骤c直到检查列表为空，将候选列表中的锚点作为候选区域的位置，锚点的值作为候选区域的分数并输出。
步骤S140：将所述候选区域和所述特征向量输入到候选区识别模块，依次经过所述候选区识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个二维向量，所述二维向量用于表征所述候选区域中的QRS波和非QRS波的得分。
最后的具体判断过程参考图15所示的数据处理过程，其中输入的数据包括候选区域，还包括特征向量，在本实施例中，候选区识别模块的卷积层的通道数(c)、卷积核尺寸(k)、步长(s)和填充尺寸(p)分别为16、3、1和0。
实施例三
图16为本发明实施例三提供的一种心电信号中QRS波的检测装置的结构示意图。参考图16，该心电信号中QRS波的检测装置包括：预处理单元310、特征提取单元320、候选区检测单元330和信号分类单元340。其中，预处理单元310，用于对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；特征提取单元320，用于对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；候选区检测单元330，用于根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点的值确认所述样本信号中的候选区域以及所述候选区域的分数；信号分类单元340，用于将所述候选区域和所述特征向量输入到候选区识别模块，依次经过所述候选区识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个二维向量，所述二维向量用于表征所述候选区域中的QRS波和非QRS波的得分。
其中，所述特征提取单元320，包括：
特征提取模块，用于将所述样本信号输入初始特征提取模块得到初始特征提取结果，三个尺度对应的特征提取模块对所述初始特征提取结果按对应的尺度等级进行特征提取，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
特征向量生成模块，用于将每个尺度对应的特征提取结果输出到对应的卷积层并综合相邻尺度上特征提取的结果生成所述样本信号在三个尺度上的特征向量。
其中，所述初始特征提取模块包括一个卷积层、一个批归一化层、一个激活层和池化层；所述三个尺度对应特征提取模块均包括两个卷积层、两个批归一化层和两个激活层。
其中，所述候选区检测单元330，包括：
锚点计算模块，用于对于每个所述尺度对应的特征向量，以所述特征向量上的每个样本点为中心，构建长度为9个样本点的锚点，所述锚点的分数为所述锚点的中心样本点的值；
锚点排序模块，用于将全部所述锚点按分数由大到小进行排序，生成检查列表；
候选区筛选模块，用于依次对所述检查列表中的所述锚点进行候选区域筛选，将每次筛选出的锚点作为候选区域添加到候选列表，在所述候选列表中删除该锚点以及与该锚点距离0.2秒内的其他锚点，每次筛选出的锚点为所述检查列表中分数最高、起点大于0且终点小于对应的所述特征向量的长度的锚点，所述锚点的分数作为对应候选区域的分数。
其中，第k个真实QRS波在第j层特征向量的位置为ref_lock，值为
Figure BDA0002384639820000121
所述QRS波的漏检损失misdet_lossk通过以下公式计算：
Figure BDA0002384639820000122
其中fk＝1为真实的QRS波，fk＝0为漏检的QRS波。
其中，所述QRS波的检测误检损失det_lossi通过以下公式计算：
det_lossi＝-filogdet_scorei-(1-fi)log(1-det_scorei)；
所述QRS波的分类误检损失cls_lossi通过以下公式计算：
cls_lossi＝-filogcls_scorei-(1-fi)log(1-cls_scorei)；
其中，det_scorei和cls_scorei分别为候选区检测的检测分数和候选区识别模块的输出分数，fi＝1为真实的QRS波，fi＝0为误检的QRS波。
其中，所述候选区识别模块的卷积层的通道数、卷积核尺寸、步长和填充尺寸分别为16、3、1和0。
本发明实施例提供的心电信号中QRS波的检测装置包含在心电信号中QRS波的检测设备中，且可用于执行上述任意实施例提供的心电信号中QRS波的检测方法，具备相应的功能和有益效果。
实施例四
图17为本发明实施例四提供的一种设备的结构示意图，该设备在具体的产品呈现上可以是各种心电图机，心电监护仪，更具体来来说，可以是应用有前述实施例中所述的心电信号中QRS波的检测方法的设备。如图17所示，该设备包括处理器410、存储器420、输入装置430、输出装置440以及通信装置450；设备中处理器410的数量可以是一个或多个，图17中以一个处理器410为例；心电信号中QRS波的检测设备中的处理器410、存储器420、输入装置430、输出装置440以及通信装置450可以通过总线或其他方式连接，图17中以通过总线连接为例。
存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的心电信号中QRS波的检测方法对应的程序指令/模块(例如，心电信号中QRS波的检测装置中的预处理单元310、特征提取单元320、候选区检测单元330和信号分类单元340)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的心电信号中QRS波的检测方法。
存储器420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；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器420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、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。通信装置450用于与图像拍摄模块进行数据通信。
上述设备包含心电信号中QRS波的检测装置，可以用于执行任意心电信号中QRS波的检测方法，具备相应的功能和有益效果。
实施例五
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种心电信号中QRS波的检测方法，该方法包括：
对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；
对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点的值确认所述样本信号中的候选区域以及所述候选区域的分数；
将所述候选区域和所述特征向量输入到候选区识别模块，依次经过所述候选区识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个二维向量，所述二维向量用于表征所述候选区域中的QRS波和非QRS波的得分。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的心电信号中QRS波的检测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述心电信号中QRS波的检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种心电信号中QRS波的检测方法，其特征在于，包括：
对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；
对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点的值确认所述样本信号中的候选区域以及所述候选区域的分数；
将所述候选区域和所述特征向量输入到候选区识别模块，依次经过所述候选区识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个二维向量，所述二维向量用于表征所述候选区域中的QRS波和非QRS波的得分；
其中，所述根据所述锚点的值确认所述样本信号中的候选区域以及所述候选区域的分数，包括：
将全部所述锚点按分数由大到小进行排序，生成检查列表；
依次对所述检查列表中的所述锚点进行候选区域筛选，将每次筛选出的锚点作为候选区域添加到候选列表，在所述候选列表中删除该锚点以及与该锚点距离0.2秒内的其他锚点，每次筛选出的锚点为所述检查列表中分数最高、起点大于0且终点小于对应的所述特征向量的长度的锚点，所述锚点的分数作为对应候选区域的分数；
其中，所述对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一，包括：
将所述样本信号输入初始特征提取模块得到初始特征提取结果，三个尺度对应的特征提取模块对所述初始特征提取结果按对应的尺度等级进行特征提取，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
将每个尺度对应的特征提取结果输出到对应的卷积层并综合相邻尺度上特征提取的结果生成所述样本信号在三个尺度上的特征向量。
2.根据权利要求1所述的检测方法，其特征在于，所述初始特征提取模块包括一个卷积层、一个批归一化层、一个激活层和池化层；所述三个尺度对应特征提取模块均包括两个卷积层、两个批归一化层和两个激活层。
3.根据权利要求1所述的检测方法，其特征在于，所述根据所述样本信号对应的特征向量构建预设长度的锚点，包括：
对于每个所述尺度对应的特征向量，以所述特征向量上的每个样本点为中心，构建长度为9个样本点的锚点，所述锚点的分数为所述锚点的中心样本点的值。
4.根据权利要求3所述的检测方法，其特征在于，第k个真实QRS波在第j层特征向量的位置为ref_lock，值为
Figure FDA0004074987630000021
所述QRS波的漏检损失misdet_lossk通过以下公式计算：
Figure FDA0004074987630000022
其中fk＝1为真实的QRS波，fk＝0为漏检的QRS波。
5.根据权利要求3所述的检测方法，其特征在于，所述QRS波的检测误检损失det_lossi通过以下公式计算：
det_lossi＝-fi logdet_scorei-(1-fi)log(1-det_scorei)；
所述QRS波的分类误检损失cls_lossi通过以下公式计算：
cls_lossi＝-fi logcls_scorei-(1-fi)log(1-cls_scorei)；
其中，det_scorei和cls_scorei分别为候选区检测的检测分数和候选区识别模块的输出分数，fi＝1为真实的QRS波，fi＝0为误检的QRS波。
6.根据权利要求1所述的检测方法，其特征在于，所述候选区识别模块的卷积层的通道数、卷积核尺寸、步长和填充尺寸分别为16、3、1和0。
7.一种心电信号中QRS波的检测装置，其特征在于，包括：
预处理单元，用于对采集到的心电信号进行预处理，得到若干段设定长度的样本信号；
特征提取单元，用于对所述样本信号进行特征提取，生成所述样本信号在三个尺度上的特征向量，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
候选区检测单元，用于根据所述样本信号对应的特征向量构建预设长度的锚点，根据所述锚点的值确认所述样本信号中的候选区域以及所述候选区域的分数；
信号分类单元，用于将所述候选区域和所述特征向量输入到候选区识别模块，依次经过所述候选区识别模块的卷积层、激活层、批归一化层和线性全连接层的计算，输出一个二维向量，所述二维向量用于表征所述候选区域中的QRS波和非QRS波的得分；
其中，所述候选区检测单元，包括：
锚点排序模块，用于将全部所述锚点按分数由大到小进行排序，生成检查列表；
候选区筛选模块，用于依次对所述检查列表中的所述锚点进行候选区域筛选，将每次筛选出的锚点作为候选区域添加到候选列表，在所述候选列表中删除该锚点以及与该锚点距离0.2秒内的其他锚点，每次筛选出的锚点为所述检查列表中分数最高、起点大于0且终点小于对应的所述特征向量的长度的锚点，所述锚点的分数作为对应候选区域的分数；
所述特征提取单元，包括：
特征提取模块，用于将所述样本信号输入初始特征提取模块得到初始特征提取结果，三个尺度对应的特征提取模块对所述初始特征提取结果按对应的尺度等级进行特征提取，三个尺度上的特征向量的长度分别为所述设定长度的二分之一、四分之一和八分之一；
特征向量生成模块，用于将每个尺度对应的特征提取结果输出到对应的卷积层并综合相邻尺度上特征提取的结果生成所述样本信号在三个尺度上的特征向量。
8.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的心电信号中QRS波的检测方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的心电信号中QRS波的检测方法。
CN202010094040.2A 2020-02-11 2020-02-11 一种心电信号中qrs波的检测方法、装置、设备和存储介质 Active CN111345815B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010094040.2A CN111345815B (zh) 2020-02-11 2020-02-11 一种心电信号中qrs波的检测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010094040.2A CN111345815B (zh) 2020-02-11 2020-02-11 一种心电信号中qrs波的检测方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN111345815A CN111345815A (zh) 2020-06-30
CN111345815B true CN111345815B (zh) 2023-05-02

Family

ID=71188954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010094040.2A Active CN111345815B (zh) 2020-02-11 2020-02-11 一种心电信号中qrs波的检测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111345815B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114027853B (zh) * 2021-12-16 2022-09-27 安徽心之声医疗科技有限公司 基于特征模板匹配的qrs波群检测方法、装置、介质及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108647614A (zh) * 2018-04-28 2018-10-12 吉林大学 心电图心拍分类识别方法及系统
CN109598220A (zh) * 2018-11-26 2019-04-09 山东大学 一种基于多元输入多尺度卷积的人数统计方法
CN109960968A (zh) * 2017-12-22 2019-07-02 成都心吉康科技有限公司 分类器的生成方法、房颤检测装置及存储介质
CN110123367A (zh) * 2019-04-04 2019-08-16 平安科技（深圳）有限公司 计算机设备、心音识别装置、方法、模型训练装置及存储介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7751873B2 (en) * 2006-11-08 2010-07-06 Biotronik Crm Patent Ag Wavelet based feature extraction and dimension reduction for the classification of human cardiac electrogram depolarization waveforms
CN104873190A (zh) * 2008-10-09 2015-09-02 加利福尼亚大学董事会 用于自动定位生物节律紊乱的源的机器和过程
US8527038B2 (en) * 2009-09-15 2013-09-03 Sotera Wireless, Inc. Body-worn vital sign monitor
US8214028B2 (en) * 2010-02-03 2012-07-03 National Instruments Corporation Electrocardiogram analysis and parameter estimation
CN101828917B (zh) * 2010-05-07 2011-09-14 深圳大学 心电信号特征提取的方法和系统
CN103156599B (zh) * 2013-04-03 2014-10-15 河北大学 一种心电信号r特征波检测方法
US20140378810A1 (en) * 2013-04-18 2014-12-25 Digimarc Corporation Physiologic data acquisition and analysis
HUP1600354A2 (en) * 2016-06-01 2018-03-28 Gyoergy Zoltan Kozmann Method and measurement arrangement for monitoring certain functional parameters of the human heart
CN108446707B (zh) * 2018-03-06 2020-11-24 北方工业大学 基于关键点筛选及dpm确认的遥感图像飞机检测方法
CN109009084B (zh) * 2018-06-08 2021-03-23 广州视源电子科技股份有限公司 多导联心电信号的qrs波群校验方法、装置及设备、介质
CN109691994A (zh) * 2019-01-31 2019-04-30 英菲泰克(天津)科技有限公司 一种基于心电图的心率监测分析方法
CN109998532A (zh) * 2019-06-04 2019-07-12 广州视源电子科技股份有限公司 基于多导联多结构聚合网络的心电信号识别方法和装置
CN110432895B (zh) * 2019-08-09 2022-02-11 上海鹰瞳医疗科技有限公司 训练数据处理、心电波形检测方法及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109960968A (zh) * 2017-12-22 2019-07-02 成都心吉康科技有限公司 分类器的生成方法、房颤检测装置及存储介质
CN108647614A (zh) * 2018-04-28 2018-10-12 吉林大学 心电图心拍分类识别方法及系统
CN109598220A (zh) * 2018-11-26 2019-04-09 山东大学 一种基于多元输入多尺度卷积的人数统计方法
CN110123367A (zh) * 2019-04-04 2019-08-16 平安科技（深圳）有限公司 计算机设备、心音识别装置、方法、模型训练装置及存储介质

Also Published As

Publication number Publication date
CN111345815A (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN109171712B (zh) 心房颤动识别方法、装置、设备及计算机可读存储介质
CN106108889B (zh) 基于深度学习算法的心电图分类方法
US9314177B2 (en) System and method of detecting abnormal movement of a physical object
CN107837082A (zh) 基于人工智能自学习的心电图自动分析方法和装置
WO2019161610A1 (zh) 心电信息处理方法和心电工作站系统
US20120130263A1 (en) Medical decision support system
WO2019161611A1 (zh) 心电信息处理方法和心电工作站
WO2019234458A1 (en) Detecting abnormalities in ecg signals
CN103961089B (zh) 基于分段直线拟合的窦性心率震荡趋势检测方法
CN105726018A (zh) 一种与rr间期无关的房颤自动检测方法
CN107028603A (zh) 使用脉搏触诊信号来检测人体内的糖尿病的装置和方法
CN106725420A (zh) 室性早搏识别方法及室性早搏识别系统
CN1953705A (zh) 分析ecg曲线获得长qt综合症和药物影响的系统和方法
CN112806977B (zh) 基于多尺度融合网络的生理参数测量方法
CN113057648A (zh) 一种基于复合lstm结构的ecg信号分类方法
CN103970975A (zh) 心电数据处理方法和系统
CN110693488A (zh) 心电信号处理系统、方法、电子设备及可读存储介质
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
CN111345815B (zh) 一种心电信号中qrs波的检测方法、装置、设备和存储介质
CN115486849A (zh) 心电信号质量评估方法、装置及设备
CN111345814B (zh) 一种心电信号中心拍的分析方法、装置、设备和存储介质
Biran et al. Automatic qrs detection and segmentation using short time fourier transform and feature fusion
CN112842355B (zh) 基于深度学习目标检测的心电信号心搏检测识别方法
KR20180128634A (ko) 휴대용 생체정보 측정 단말기를 이용한 R-peak 검출 방법 및 시스템
CN115089145A (zh) 基于多尺度残差网络和ppg信号的智能血压预测方法

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