CN111345816A - 多导联qrs波群检测方法、装置、设备及存储介质 - Google Patents
多导联qrs波群检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111345816A CN111345816A CN202010117503.2A CN202010117503A CN111345816A CN 111345816 A CN111345816 A CN 111345816A CN 202010117503 A CN202010117503 A CN 202010117503A CN 111345816 A CN111345816 A CN 111345816A
- Authority
- CN
- China
- Prior art keywords
- lead
- qrs complex
- sequence
- sampling point
- qrs
- 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]
Abstract
本申请实施例公开了一种多导联QRS波群检测方法、装置、设备及存储介质,涉及心电检测技术领域,其包括:获取多导联心电信号中每个单导联心电信号对应的QRS波群位置概率序列;融合各QRS波群位置概率序列得到融合概率序列;按照设定计算规则处理融合概率序列中处于滑动窗口范围内的各第一采样点得到融合概率序列的积分序列;基于积分序列中各第二采样点对应的第一数值得到多导联心电信号的QRS波群检测结果。采用上述方法可以解决现有技术中检测QRS波群时没有充分挖掘多导联心电信号包含的信息,使得检测结果正确率有限的技术问题,通过积分序列确定QRS波群检测结果,有效考虑了多导联心电信号包含的信息,可以更准确的检测出多导联心电信号中的QRS波群。
Description
技术领域
本申请实施例涉及心电检测技术领域,尤其涉及一种多导联QRS波群检测方法、装置、设备及存储介质。
背景技术
心电信号是记录心脏在一段时间内的电生理活动信号,其可以体现出心脏生理信息。心电信号通常以波形图(即心电图)的方式体现。在心电信号中,P波、T波和QRS波群是检测心脏状态较为重要的数据。其中,P波是心房除极波,代表左右二心房的激动。T波是心室的复极波。QRS波群反映左、右心室除极电位和时间的变化。QRS波群中第一个向下的波为Q波,向上的波为R波,接着向下的波是S波。自QRS波群起点至QRS波群终点的时间为QRS时限。QRS波群除了可以表示心脏生理信息外,还可以确定出P波和T波在心电信号中的位置。因此,准确判断出QRS波群在心电信号中的位置对于分析心电信号具有重要的作用。
在采集心电信号时,相比于单导联心电信号,多导联心电信号包含更丰富更准确的信息,因此被广泛应用于心电检测领域。发明人在实现本发明的过程中,发现现有技术存在如下缺陷:现有技术中,检测多导联心电信号中的QRS波群时,通常只能检测出多导联心电信号中各单导联心电信号的QRS波群,没有充分挖掘多导联心电信号包含的信息,这样使得QRS波群检测结果正确率有限。
发明内容
本申请提供了一种多导联QRS波群检测方法、装置、设备及存储介质,以解决现有技术中检测QRS波群时没有充分挖掘多导联心电信号包含的信息,使得检测结果正确率有限的技术问题。
第一方面,本申请实施例提供了一种多导联QRS波群检测方法,包括:
获取多导联心电信号中每个单导联心电信号对应的QRS波群位置概率序列;
融合各所述QRS波群位置概率序列,以得到融合概率序列;
按照设定计算规则处理所述融合概率序列中处于滑动窗口范围内的各第一采样点,以得到所述融合概率序列的积分序列;
基于所述积分序列中各第二采样点对应的第一数值得到所述多导联心电信号的QRS波群检测结果。
进一步的,所述获取多导联心电信号中每个单导联心电信号对应的QRS波群位置概率序列包括:
获取多导联心电信号中每个单导联心电信号对应的QRS波群预检测结果;
依次将各组输入数据输入至卷积神经网络,以得到每个单导联心电信号的QRS波群位置概率序列,其中,一组所述输入数据包含一个单导联心电信号以及与所述单导联心电信号对应的QRS波群预检测结果。
进一步的,所述获取多导联心电信号中每个单导联心电信号对应的QRS波群预检测结果包括:
获取多导联心电信号中每个单导联心电信号对应的QRS波群预检测位置坐标;
构建与单导联心电信号长度相等的全零序列;
查找所述全零序列中与所述QRS波群预检测位置坐标对应的索引,并将所述索引对应的元素修改为第二数值,修改后的全零序列为所述单导联心电信号对应的QRS波群预检测结果。
进一步的,还包括:
获取训练数据集,所述训练数据集包含设定数量的源多导联心电信号和对应的心拍标注信息;
对所述源多导联心电信号进行加噪,以得到对应的加噪心电信号,所述加噪心电信号、所述源多导联心电信号以及所述心拍标注信息组成数据增广后的训练数据集;
根据所述数据增广后的训练数据集训练并得到所述卷积神经网络。
进一步的,所述卷积神经网络由第一卷积模块、第二卷积模块和残差模块组成;
所述第一卷积模块后接有所述残差模块,所述残差模块后接有所述第二卷积模块。
进一步的,所述融合各所述QRS波群位置概率序列,以得到融合概率序列包括:
获取各所述QRS波群位置概率序列中处于相同采样时刻的各第三采样点;
计算所述相同采样时刻的各第三采样点的概率均值;
将计算得到的各所述概率均值按照对应的采样时刻组成融合概率序列。
进一步的,所述设定计算规则为将所述融合概率序列中处于滑动窗口范围内的各第一采样点对应的第三数值相加。
进一步的,所述基于所述积分序列中各第二采样点对应的第一数值得到所述多导联心电信号的QRS波群检测结果包括:
在所述积分序列中选定当前处理的第二采样点;
在所述积分序列中,查找设定数量与所述当前处理的第二采样点近邻的第二采样点,以得到第二采样点集合;
根据所述第二采样点集合中各第二采样点对应的第一数值确定所述当前处理的第二采样点满足抑制条件时,将所述当前处理的第二采样点对应的第一数值修改为第四数值,所述积分序列中全部第二采样点进行抑制条件判断后,得到所述多导联心电信号的QRS波群检测结果。
进一步的,所述抑制条件包括:所述当前处理的第二采样点对应的第一数值不等于所述第二采样点集合中的极大第一数值;或,所述当前处理的第二采样点对应的第一数值等于所述极大第一数值且小于或等于设定阈值。
第二方面,本申请实施例还提供了一种多导联QRS波群检测装置,包括:
获取模块,用于获取多导联心电信号中每个单导联心电信号对应的QRS波群位置概率序列;
融合模块,用于融合各所述QRS波群位置概率序列,以得到融合概率序列;
积分模块,用于按照设定计算规则处理所述融合概率序列中处于滑动窗口范围内的各第一采样点,以得到所述融合概率序列的积分序列;
结果确定模块,用于基于所述积分序列中各第二采样点对应的第一数值得到所述多导联心电信号的QRS波群检测结果。
第三方面,本申请实施例还提供了一种多导联QRS波群检测设备,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所述的多导联QRS波群检测方法。
第四方面,本申请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所述的多导联QRS波群检测方法。
上述多导联QRS波群检测方法、装置、设备及存储介质,通过获取多导联心电信号中每个单导联心电信号对应的QRS波群位置概率序列,融合各QRS波群位置概率序列得到融合概率序列,将融合概率序列中处于滑动窗口范围内各第一采样点按照设定计算规格进行计算,以得到积分序列,并基于积分序列中各第二采样点对应的第一数值确定多导联心电信号的QRS波群检测结果的技术方案,可以解决现有技术中检测QRS波群时没有充分挖掘多导联心电信号包含的信息,使得检测结果正确率有限的技术问题。通过积分序列确定QRS波群检测结果,有效考虑了多导联心电信号包含的信息,且相比于融合概率序列以及QRS波群位置概率序列,积分序列可以更准确的检测出多导联心电信号中的QRS波群。
附图说明
图1为本申请一个实施例提供的一种多导联QRS波群检测方法的流程图;
图2为本申请一个实施例提供的一种多导联QRS波群检测方法的流程图;
图3为本申请实施例提供的单导联心电信号坐标示意图;
图4为本申请实施例提供的QRS波群预检测结果示意图;
图5为本申请实施例提供的卷积神经网络示意图;
图6为本申请实施例提供的QRS波群位置概率序列示意图;
图7为本申请实施例提供的积分序列示意图;
图8为本申请实施例提供的非极大值抑制序列示意图;
图9为本申请实施例提供的多导联QRS波群检测方法数据流示意图;
图10为本申请实施例提供的源多导联心电信号示意图;
图11为本申请实施例提供的训练标签示意图;
图12为本申请一个实施例提供的一种多导联QRS波群检测装置的结构示意图;
图13为本申请一个实施例提供的一种多导联QRS波群检测设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请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申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或操作或对象与另一个实体或操作或对象区分开来,而不一定要求或者暗示这些实体或操作或对象之间存在任何这种实际的关系或顺序。例如,第一采样点和第二采样点的“第一”和“第二”用来区分两个不同的采样点。
实施例中提供的多导联QRS波群检测方法可以由多导联QRS波群检测设备执行,该多导联QRS波群检测设备可以通过软件和/或硬件的方式实现,该多导联QRS波群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,多导联QRS波群检测设备可以是电脑、心电图机、健康检测设备或交互智能平板等具有数据运算、分析能力的智能设备。
实施例中,以具有绘制心电图功能的健康检测设备为多导联QRS波群检测设备为例进行描述。其中,心电图是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。此时,健康检测设备可以采集心脏的心电信号并绘制出对应的心电图。在绘制心电图时,可以采用实施例中提供的多导联QRS波群检测方法确定心电图中QRS波群的位置。
图1为本申请一个实施例提供的一种多导联QRS波群检测方法的流程图。具体的,参考图1,该多导联QRS波群检测方法具体包括:
步骤110、获取多导联心电信号中每个单导联心电信号对应的QRS波群位置概率序列。
在心电图的专业术语中,将记录心电图时电极在人体体表的放置位置及电极与放大器的连接方式称为心电图的导联。通过导联采集的心电信号可以记为导联心电信号。其中,按照导联通道数,可以将导联心电信号分为单导联心电信号(即通过一个导联采集到的导联心电信号)和多导联心电信号(即通过多个导联采集到的导联心电信号)。实施例中,以多导联心电信号为例进行描述。多导联心电信号由多个单导联心电信号融合得到,其导联通道数、采样时长以及采样频率可以根据实际情况设定。可选的,多导联心电信号中各单导联心电信号的采样时长以及采样频率相等。需说明,实施例中健康检测设备可以直接获取多导联心电信号。或者是,健康检测设备与其他具有心电信号采集功能的设备进行数据通信,以获取其他设备采集的多导联心电信号。
进一步的,多导联心电信号中包含至少一个QRS波群、至少一个P波以及至少一个T波,以通过QRS波群、P波以及T波确定心脏的生理信息。可选的,QRS波群的数量与多导联心电信号的采集时长以及心脏的生理状态有关。在多导联心电信号中,可以检测出每个单导联心电信号中QRS波群的位置,实施例中,以QRS波群位置概率序列表示单导联心电信号中QRS波群的检测结果。每个单导联心电信号对应一个QRS波群位置概率序列。其中,QRS波群位置概率序列与单导联心电信号的序列长度相等,实施例中,将QRS波群位置概率序列包含的采样点记为第三采样点,此时,QRS波群位置概率序列中每个第三采样点均在单导联心电信号中对应一个采样点。例如,单导联心电信号包含L个采样点,每个采样点对应一个位置坐标,那么,QRS波群位置概率序列同样包含L个第三采样点,且各采样点与各第三采样点一一对应。典型的,通过QRS波群位置概率序列中各第三采样点上的数值可以确定单导联心电信号中对应采样点为QRS波群的概率。举例而言,在QRS波群位置概率序列中第100个第三采样点上的数值较高,则说明在单导联心电信号中对应的第100个采样点为QRS波群的概率较大。可以理解,QRS波群位置概率序列内各第三采样点的数值范围可以根据实际情况设定,实施例中,以QRS波群位置概率序列内各第三采样点的数值范围为[0,1]进行描述,即QRS波群位置概率序列为数值范围在[0,1]内的序列。
QRS波群位置概率序列的确定方式可以根据实际情况设定,例如,检测每个单导联心电信号中QRS波群的位置坐标进而得到单导联心电信号的QRS波群预检测结果,之后,根据QRS波群预检测结果生成QRS波群位置概率序列。其中,每个单导联心电信号对应的QRS波群预检测结果可以通过小波变换或PT算法(Pan_Tompkins算法)等方式得到。之后,将每个单导联心电信号和对应的QRS波群预检测结果作为一组输入数据并依次输入至训练好的神经网络模型中,以通过神经网络模型输出QRS波群位置概率序列。其中,神经网络模型的具体结构及参数可以根据实际情况设定。可选的,输入神经网络模型的QRS波群预检测结果与对应的单导联心电信号应该为长度相等的序列,然而,实际应用中得到的QRS波群预检测结果与单导联心电信号的序列长度不等,例如,单导联心电信号为持续设定时长(其具体值实施例不做限定)内设定采频率下的长序列,而对应的QRS波群预检测结果的长度为单导联心电信号中包含的QRS波群数量,用于表示各QRS波群在单导联心电信号中的位置。此时,可以基于QRS波群预检测结果构建一个与单导联心电信号的序列长度相等的序列,并将构建的序列更新为QRS波群预检测结果,以保证输入神经网络模型的QRS波群预检测结果与对应的单导联心电信号的序列长度相等,其中,序列的构建规则实施例不做限定,仅需满足通过序列可以明确QRS波群位置即可。再如,直接训练好一个神经网络模型,并将各单导联心电信号依次输入至该神经网络模型中,以通过神经网络模型得到每个单导联心电信号对应的QRS波群位置概率序列。
步骤120、融合各所述QRS波群位置概率序列,以得到融合概率序列。
具体的,得到每个单导联心电信号对应的QRS波群位置概率序列后,将各QRS波群位置概率序列进行融合,以便于后续得到多导联心电信号的QRS波群检测结果。实施例中,将融合后得到的一条序列记为融合概率序列。融合概率序列的序列长度与各QRS波群位置概率序列的序列长度相等。
融合方式可以根据实际情况设定,一个实施例中,采用平均法的方式得到融合概率序列。具体而言,由于各单导联心电信号的采样时长、采样时刻以及采样频率相等,因此,各QRS波群位置概率序列中处于相同位置的第三采样点的采样时刻相同。例如,各QRS波群位置概率序列中第一个第三采样点的采样时刻相同。此时,可以确定处于同一采样时刻的各第三采样点后,计算处于同一采样时刻的各第三采样点对应数值的平均值。例如,某个采样时刻有12个第三采样点,那么,确定12个第三采样点在QRS波群位置概率序列中的数值,并计算12个数值的平均值。在确定每个采样时刻对应的平均值后,按照各采样时刻的前后顺序罗列各平均值,以得到融合概率序列。可以理解,上述提及的平均法仅为一种可选方案,实际应用中还可以采用其他方式,例如,采用计算方差或计算加权平均值的方式得到融合概率序列。
步骤130、按照设定计算规则处理所述融合概率序列中处于滑动窗口范围内的各第一采样点,以得到所述融合概率序列的积分序列。
其中,滑动窗口的宽度可以根据实际情况设定,当宽度不同时,滑动窗口覆盖的采样点的数量不同。根据滑动窗口的宽度可以确定处于滑动窗口范围内的各采样点。
实施例中,将融合概率序列中各采样点记为第一采样点。将每个第一采样点在融合概率序列中的数值记为第三数值,第三数值越高,表明对应的采样时刻采样到QRS波群的概率越大。具体的,在融合概率序列中任选一个第一采样点作为当前第一采样点。之后,将当前第一采样点的采样时刻与其他各第一采样点的采样时刻作差,并取绝对值,以得到采样点距离。例如,当前第一采样点为融合概率序列中第5个采样点,其对应的采样时刻为350ms。第3个第一采样点对应的采样时刻为325ms,此时,将当前第一采样点与第3个第一采样点的采样时刻相减以得到采样点距离为|350-325|,即采样点距离为25ms。
进一步的,针对于当前第一采样点,确定处于滑动窗口范围内的各第一采样点。例如,滑动窗口的宽度为100ms,此时,将采样点距离小于或等于100/2=50ms的各第一采样点确定为处于滑动窗口范围内的各第一采样点,同时,将当前第一采样点也确定为处于滑动窗口范围内的第一采样点。
确定滑动窗口范围内的第一采样点后,按照设定计算规则对各第一采样点的第三数值进行计算得到一个计算值。可以理解,融合概率序列中每个第一采样点均会被当做一次当前第一采样点,因此,经过计算后,每个第一采样点对应一个计算值。之后,将各计算值按照对应第一采样点的排列顺序进行排列,得到一个计算值序列,实施例中,将得到的计算值序列记为积分序列。积分序列的序列长度与融合概率序列的序列长度相等。具体的,计算值的设定计算规则可以根据实际情况设定。一个实施例中,设定计算规则为计算各第一采样点对应的第三数值的和值。另一个实施例中,设定计算规则为计算各第一采样点对应的第三数值的均值。需说明,得到的积分序列具有多个峰值。相比于融合概率序列,积分序列中各第一采样点的数值更有利于识别QRS波群检测结果。例如,融合概率序列中相邻的两个第一采样点的第三数值相等,且均为融合概率序列的最大值,所以这两个采样点均可能被认为是QRS波群的采样时刻,这样会使得识别结果并不准确。然而,积分序列是对融合概率序列进行处理后得到的序列,已经有效防止了上述情况的发生,因此,可以保证后续识别QRS波群的准确性。
步骤140、基于所述积分序列中各第二采样点对应的第一数值得到所述多导联心电信号的QRS波群检测结果。
实施例中,将积分序列包含的各采样点记为第二采样点,并将各第二采样点处的计算值记为第一数值。第一数值越高,表明对应采样时刻采样到QRS波群的概率越大,因此,基于积分序列中的各第一数值可以确定QRS波群检测结果。其中,QRS波群检测结果的确定方式可以根据实际情况设定。例如,基于积分序列中各第一数值确定积分序列中每个采样周期(具体数值可以根据实际情况设定)内包含的峰值,并确定每个峰值对应的采样时刻,之后,将确定的采样时刻确定为采样到QRS波群的时刻,进而得到QRS波群检测结果。再如,在各第二采样点中选定一个当前处理的第二采样点,查找与第二采样点近邻的设定数量的第二采样点,以得到第二采样点集合,此时,每个当前处理的第二采样点对应一个第二采样点集合。之后,确定当前处理的第二采样点对应的第一数值是否为第二采样点集合中的极大第一数值,即是否为峰值。若是,则说明该当前处理的第二采样点对应的采样时刻采样到QRS波群的概率最大,因此,保留当前处理的第二采样点对应的第一数值。若否,则说明该当前处理的第二采样点对应的采样时刻采样到QRS波群的概率不大,因此,将当前处理的第二采样点的第一数值修改为0。当全部第二采样点均处理完毕后,将保留的各第一数值对应的采样时刻确定为采样到QRS波群的时刻,进而得到QRS波群检测结果。可选的,为了进一步保证QRS波群检测结果的准确性,可以设定一个阈值,高于该设定阈值的第一数值可以被认为是采样到QRS波群。此时,当前处理的第二采样点对应的第一数值确定为峰值后,可以进一步比较第一数值和设定阈值,并在第一数值大于设定阈值时,保留第一数值,在第一数值小于或等于设定阈值时,将第一数值修改为0。需说明,由于一个QRS波群包含多个采样时刻,因此,实施例中将检测出QRS波群中R波的采样时刻确定为QRS波群的采样时刻。
可选的,得到QRS波群检测结果后,可以在多导联心电信号中识别出QRS波群,并基于QRS波群识别出P波和T波,进而得到心脏的生理信息。
可以理解,实施例中以多导联心电信号包含了至少一个QRS波群为例进行描述,实际应用中,多导联心电信号可以包含零个QRS波群,此时,根据本实施例的技术方案得到的QRS波群检测结果为0。
上述,通过获取多导联心电信号中每个单导联心电信号对应的QRS波群位置概率序列,融合各QRS波群位置概率序列得到融合概率序列,将融合概率序列中处于滑动窗口范围内各第一采样点按照设定计算规格进行计算,以得到积分序列,并基于积分序列中各第二采样点对应的第一数值确定多导联心电信号的QRS波群检测结果的技术方案,可以解决现有技术中检测QRS波群时没有充分挖掘多导联心电信号包含的信息,使得检测结果正确率有限的技术问题。通过积分序列确定QRS波群检测结果,有效考虑了多导联心电信号包含的信息,且相比于融合概率序列以及QRS波群位置概率序列,积分序列可以更准确的检测出多导联心电信号中的QRS波群。
图2为本申请一个实施例提供的一种多导联QRS波群检测方法的流程图。本实施例是在上述实施例的基础上进行具体化。参考图2,本实施例提供的多导联QRS波群检测方法具体包括:
步骤210、获取多导联心电信号中每个单导联心电信号对应的QRS波群预检测结果。
示例性的,QRS波群预检测结果用于标识单导联心电信号中QRS波群的位置坐标信息。QRS波群预检测结果的长度序列与单导联心电信号的长度序列相等,即QRS波群预检测结果中各采样点与单导联心电信号中各采样点一一对应。
其中,QRS波群预检测结果中各采样点下的数据设置规则可以根据实际情况设定,需满足通过QRS波群预检测结果可以明确QRS波群在单导联心电信号中的位置坐标。因此,实施例中,以通过QRS波群在单导联心电信号中的位置坐标得到QRS波群预检测结果为例进行描述,此时,步骤210具体包括步骤211-步骤213:
步骤211、获取多导联心电信号中每个单导联心电信号对应的QRS波群预检测位置坐标。
具体的,QRS波群预检测位置坐标是指QRS波群在单导联心电信号中的坐标。举例而言,QRS波群预检测位置坐标为500ms,则说明在单导联心电信号的500ms采样时刻处检测出QRS波群。进一步的,由于单导联心电信号中包含多个QRS波群,因此,QRS波群预检测位置坐标可以认为是由多个QRS波群的位置坐标组成的序列。每个单导联心电信号对应一个QRS波群预检测位置坐标。一个实施例中,QRS波群预检测位置坐标的确定方式实施例不作限定,例如,采用小波变换法、PT法等方式得到QRS波群预检测位置坐标。
可选的,在计算QRS波群预检测位置坐标前,可以先对每个单导联心电信号进行重采样,以保证重采样后的单导联心电信号的采样频率与后续处理中使用的卷积神经网络的训练数据中采用的采样频率相等。例如,训练卷积神经网络时采用的训练数据所的采样频率为360Hz,那么,在计算QRS波群预检测位置坐标前,将每个单导联信号重采样至360Hz。
步骤212、构建与单导联心电信号长度相等的全零序列。
示例性的,由于每个单导联心电信号通过不同的导联采集得到,因此,每个单导联心电信号属于不同的心电信号。此时,由于QRS波群预检测位置坐标包含的信息与对应的单导联心电信号需要一同输入至神经网络模型中,因此,需要输入的序列长度一致。然而,基于单导联心电信号得到的QRS波群预检测位置坐标与单导联心电信号的序列长度不同,因此,需要对各QRS波群预检测位置坐标进行转换,以得到与单导联心电信号长度相等的数据(即QRS波群预检测结果)。其中,在转换时,先构建全零序列。该全零序列的序列长度与各单导联心电信号的序列长度相等,每个全零序列对应一个单导联心电信号,且全零序列中每个索引对应单导联心电信号中的一个采样点。全零序列中每个采样点对应的数值均为0。
步骤213、查找所述全零序列中与所述QRS波群预检测位置坐标对应的索引,并将所述索引对应的元素修改为第二数值,修改后的全零序列为所述单导联心电信号对应的QRS波群预检测结果。
实施例中,全零序列中每个索引对应一个元素,且元素的数值为0。例如,单导联心电信号中第5个采样点的位置坐标为300ms,相应的,全零序列中索引为5的元素在单导联心电信号对应的位置坐标为300ms。
进一步的,根据QRS波群预检测位置坐标可以确定QRS波群的坐标,之后,在全零序列中找到与该坐标对应的索引,之后,修改该索引对应的元素为第二数值。其中,第二数值可以根据实际情况设定,实施例中以第二数值为1进行示例性描述。此时,修改后的全零序列由0和1组成,1表示QRS波群,0表示非QRS波群。可以理解,每个单导联心电信号均对应一个修改后的全零序列。修改后的全零序列便可以认为是QRS波群预检测结果。
举例而言,图3为本申请实施例提供的单导联心电信号坐标示意图。图3中波形表示对应的单导联心电信号,波形中标识的各点表示检测出的QRS波群的坐标,通过图3可以明确QRS波群预检测位置坐标。相应的,图4为本申请实施例提供的QRS波群预检测结果示意图,图4为基于图3中QRS波群的坐标得到的QRS波群预检测结果。图4中QRS波群预检测结果的序列长度与图3中单导联心电信号的序列长度相等,且图3中QRS波群的坐标在图4中对应元素处的数值为1,其余元素的数值为0。
需说明,实际应用中,QRS波群预检测结果可以是任意两个数值组成的序列,其中一个数值标识QRS波群,另一个数值标识非QRS波群。上述提及的0和1仅是一种可选方式。
步骤220、依次将各组输入数据输入至卷积神经网络,以得到每个单导联心电信号的QRS波群位置概率序列,其中,一组所述输入数据包含一个单导联心电信号以及与所述单导联心电信号对应的QRS波群预检测结果。
本步骤中使用的卷积神经网络是已经训练且达到稳定效果的卷积神经网络。其中,卷积神经网络是依托于机器学习技术构建的神经网络模型,卷积神经网络的具体结构及参数可以根据实际情况设定。一个实施例中,卷积神经网络也可以理解为全卷积神经网络,且所述卷积神经网络由第一卷积模块、第二卷积模块和残差模块组成;所述第一卷积模块后接有所述残差模块,所述残差模块后接有所述第二卷积模块。
其中,图5为本申请实施例提供的卷积神经网络示意图,参考图5,第一卷积模块包含一个卷积层,且记为初始卷积层,初始卷积层为1维卷积层,其卷积核的大小为51,步长为1,填充方式为用0填充且填充幅度为25,输入数据的大小为1×L,即卷积神经网络的输入通道数为1,输出数据的大小为64×L,其中,L表示数据长度。初始卷积层后接有激活函数层,可选的,该激活函数层采用的激活函数为ReLU,例如,采用f(x)=max(0,x)的ReLU作为激活函数。通过初始卷积层以及激活函数层可以得到64个特征图。进一步的,将得到的64个特征图(即64×L大小的数据)输入至残差模块中,实施例中残差模块包含2个残差块,且2个残差块的结构和参数相同,图5中将2个残差块分别记为ResBlock1、ResBlock2。其中,残差块是指包含一个shortcut connection的几层网络,其具体结构是可以根据实际情况设定。实施例中涉及的残差块的结构与ResNet网络中残差块的结构相似,进一步的,残差块包含两层网络,假设残差块输入为x,经过两层网络处理后得到F(x),此时,残差块的输出为F(x)+x,即残差块的输入x除了需要经过两层网络外,还可以直接跨过两层网络输出,此时,跨过两层网络的连接便可以认为是shortcut connection。进一步的,残差块的每层网络中均包含一个卷积层。图5中每个残差块中包含的两个卷积层分别记为Conv1和Conv2,且每个卷积层的参数相同,参数均包括卷积核的大小为51,步长为1,填充方式为用0填充且填充幅度为25。残差块的输入数据的大小为64×L,输出数据的大小为64×L。同时,每个卷积层后接有激活函数层,其中,Conv2后的激活函数层的输入为残差块的输出。激活函数层采用的激活函数为ReLU,例如,采用f(x)=max(0,x)的ReLU作为激活函数。可选的,残差块的每个卷积层与激活参数层之间接有BN层(图未示),对于Conv2而言,卷积层的输出直接进入BN层,得到残差块的输出后再进入激活参数层。其中,BN属于神经网络的标准化层,BN可以将输入归一化为[0,1]或[-1,1]的范围内,或者,BN可以使得输出的均值为0、方差为1。通过残差模块可以对64个特征图进行深度卷积,以准确得到关于QRS波群的特征。残差模块处理后,将输出的64个特征图输入至第二卷积模块,其中,第二卷积模块包含一个卷积层,且记为后卷积层,后卷积层的卷积核的大小为51、步长为1、填充方式为用0填充且幅度为25、输入数据的大小为64×L、输出数据的大小为1×L,即卷积神经网络的输出通道数为1。典型的,后卷积层接收激活函数层,该激活函数层采用Sigmoid函数,例如,采用的Sigmoid作为激活函数。通过激活函数层处理后可以得到一个包含语义特征的单通道特征图。实施例中,单通道特征图也可以理解为QRS波群位置概率序列。
一个实施例中,将一个单导联心电信号以及其对应的QRS波群预检测结果并联作为一组输入数据,之后,将各组输入数据依次输入至卷积神经网络。卷积神经网络处理后输出对应单导联心电信号的QRS波群位置概率序列。该QRS波群位置概率序列与单导联心电信号的序列长度相等,且QRS波群位置概率序列为一串数值范围在[0,1]之间的序列,其中,数值越接近1,表明单导联心电信号中对应采样点为QRS波群的概率越大。相比于QRS波群预检测位置坐标,QRS波群位置概率序列有效学习了单导联心电信号中关于QRS波群的特征且得到了更为准确的QRS波群检测结果。
可以理解,上述卷积神经网络的结构和参数属于示例性描述,实际应用中可以结合实际情况更改。
步骤230、获取各所述QRS波群位置概率序列中处于相同采样时刻的各第三采样点。
得到每个单导联心电信号的QRS波群位置概率序列后,对其进行融合。具体的,由于各QRS波群位置概率序列的序列长度相等,因此,各QRS波群位置概率序列中处于同一位置的第三采样点处于相同的采样时刻。举例而言,多导联心电信号包含3个单导联心电信号,那么,对应的3个QRS波群位置概率序列中处于第一个位置的三个第三采样点属于相同的采样时刻,处于第二个位置的三个第三采样点属于相同的采样时刻,依次类推。
步骤240、计算所述相同采样时刻的各第三采样点的概率均值。
示例性的,将相同采样时刻的各第三采样点对应的数值相加后取平均值,并将计算结果记为概率均值。例如,有3个第三采样点为相同采样时刻下的第三采样点,且3个第三采样点对应的数值分别为1、1、1,此时,概率均值为(1+1+1)/3=1。按照上述方式便可以计算每个采样时刻对应的概率均值。可以理解,概率均值越大,表明多导联心电信号中对应采样点为QRS波群的可能越大。
步骤250、将计算得到的各所述概率均值按照对应的采样时刻组成融合概率序列。
具体的,按照采样时刻将各概率均值进行排列,排列后得到的序列记为融合概率序列。可以理解,融合概率序列的序列长度与多导联心电信号或单导联心电信号的序列长度相等,且融合概率序列中每个第三采样点在多导联心电信号中均存在对应的采样点,且第三采样点与多导联心电信号中对应的采样点属于相同的采样时刻。
步骤260、按照设定计算规则处理所述融合概率序列中处于滑动窗口范围内的各第一采样点,以得到所述融合概率序列的积分序列。
融合概率序列表明对应采样点采集到QRS波群的概率,因此,为了通过融合概率序列得到多导联心电信号的QRS波群检测结果,需要对融合概率序列进行后处理。一个实施例中,采用滑动窗口积分和非极大值抑制两个部分实现后处理。
示例性的,进行滑动窗口积分时,先设定滑动窗口的宽度。例如,滑动窗口的宽度为100ms,那么,针对融合概率序列中第K个第一采样点而言,找到与第K个第一采样点的采样点距离在50ms内的第一采样点。此时,滑动窗口范围内的各第一采样点包括第K个第一采样点以及与第K个第一采样点的距离在50ms内的第一采样点。之后,对滑动窗口范围内的各第一采样点按照设定计算规则进行计算,以得到融合序列。
一个实施例中,所述设定计算规则为将所述融合概率序列中处于滑动窗口范围内的各第一采样点对应的第三数值相加。具体的,将滑动窗口范围内的各第三数值相加,得到一个累加结果。此时,每个第一采样点对应一个累加结果。之后,将各累加结果按照对应第一采样点的采样时刻进行排列,以得到积分序列。此时,积分序列可以表示为:A=[a1、a2、a3、……、aL],其中,L表示序列长度。积分序列中第j个采样点对应的累积结果为aj,且N(j)={k||k-j|≤η},η为滑动窗口长度的一半,pk表示融合概率序列中第k个第一采样点对应的第三数值。举例而言,融合概率序列为[0、2、5、5、5、4、3、2、1],滑动窗口的宽度为5,此时,“0”对应的滑动窗口范围内的各第一采样点包括[0、2、5],第一个“2”对应的滑动窗口范围内的各第一采样点包括[0、2、5、5],第一个“5”对应的滑动窗口范围内的各第一采样点包括[0、2、5、5、5],第二个“5”对应的滑动窗口范围内的各第一采样点包括[2、5、5、5、4],第三个“5”对应的滑动窗口范围内的各第一采样点包括[5、5、5、4、3],“4”对应的滑动窗口范围内的各第一采样点包括[5、5、4、3、2],“3”对应的滑动窗口范围内的各第一采样点包括[5、4、3、2、1],第二个“2”对应的滑动窗口范围内的各第一采样点包括[4、3、2、1],“1”对应的滑动窗口范围内的各第一采样点包括[3、2、1],那么按照设定计算规则进行计算后得到的积分序列为:[7、12、17、21、22、19、15、10、6]。
步骤270、在所述积分序列中选定当前处理的第二采样点。
具体的,得到积分序列后,采用非极大值抑制对积分序列进行处理,以找到当前采样点附近范围内超过设定阈值的极大值,并对其他非极大值进行抑制,以使得一定范围内仅有一个采样点被认为是QRS波群。一个实施例中,在积分序列中任选一个第二采样点作为当前处理的第二采样点。或者是,按照第二采样点的排列顺序依次选择当前处理的第二采样点。
步骤280、在所述积分序列中,查找设定数量与所述当前处理的第二采样点近邻的第二采样点,以得到第二采样点集合。
其中,设定数量可以根据单导联心电信号在重采样时的采样频率以及相邻两个QRS波群中两个R波之间的时限(即RR间期)确定。举例而言,由于RR期间在正常情况下大于200ms,重采样的采样频率为360Hz,那么,设定数量可以是360Hz×0.2s=72。
确定设定数量后,在积分序列中查找与当前处理的第二采样点近邻的设定数量的第二采样点。例如,设定数量为72,那么,可以在积分序列中查找位于当前处理的第二采样点之前的36个第二采样点以及位于当前处理的第二采样点之后的36个第二采样点。需说明,若位于当前处理的第二采样点之前或之后的全部第二采样点的数量小于设定数量的一半,则可以将全部第二采样点作为查找到的位于当前处理的第二采样点之前或之后的第二采样点。例如,设定数量为72,当前处理的第二采样点之前共有30个第二采样点,那么,可以将位于当前处理的第二采样点之前的30个第二采样点和位于当前处理的第二采样点之后的36个第二采样点确定为查找到的第二采样点。
之后,将当前处理的第二采样点以及查找到的第二采样点组成集合,并记为第二采样点集合。此时,可以确定,每个第二采样点作为当前处理的第二采样点时均有对应的第二采样点集合。
步骤290、根据所述第二采样点集合中各第二采样点对应的第一数值确定所述当前处理的第二采样点满足抑制条件时,将所述当前处理的第二采样点对应的第一数值修改为第四数值,所述积分序列中全部第二采样点进行抑制条件判断后,得到所述多导联心电信号的QRS波群检测结果。
具体的,若当前处理的第二采样点满足抑制条件,则将当前处理的第二采样点对应的第一数值修改为第四数值。其中,第四数值可以根据实际情况设定,实施例中,以第四数值为0进行描述。若当前处理的第二采样点不满足抑制条件,则保持当前处理的第二采样点的第一数值不变。
一个实施例中,所述抑制条件包括:所述当前处理的第二采样点对应的第一数值不等于所述第二采样点集合中的极大第一数值;或,所述当前处理的第二采样点对应的第一数值等于所述极大第一数值且小于或等于设定阈值。
具体的,确定第二采样点集合中各第二采样点对应的第一数值,并在各第一数值中选择最大的第一数值作为第二采样点集合的极大第一数值。一般而言,一个第二采样点集合中包含一个极大第一数值。之后,确定当前处理的第二采样点的第一数值是否等于极大第一数值,若不等于极大第一数值,则说明在第二采样点集合中当前处理的第二采样点为QRS波群的概率并不是最大的,因此,确定当前处理的第二采样点满足抑制条件,并将第一数值修改为0。若当前处理的第二采样点的第一数值等于极大第一数值,则说明在第二采样点集合中当前处理的第二采样点为QRS波群的概率最大,此时,进一步判断当前处理的第二采样点对应的第一数值是否小于或等于设定阈值。其中,设定阈值可以根据实际情况设定,其目的在于帮助抑制一些小概率的极大第一数值对应的第二采样点。若当前处理的第二采样点的第一数值小于或等于设定阈值,则说明当前处理的第二采样点为QRS波群的概率较小,因此,确定当前处理的第二采样点满足抑制条件,并将第一数值修改为0。若当前处理的第二采样点的第一数值大于设定阈值,则说明当前处理的第二采样点为QRS波群的概率较大,因此,确定当前处理的第二采样点满足不抑制条件。即抑制条件可以用如下公式表示:
其中,maxk-j≤Wak表示极大第一数值,ak表示积分序列中第k个第二采样点的第一数值,aj表示积分序列中第j个第二采样点的第一数值,且积分序列中第j个第二采样点为当前处理的第二采样点,W表示设定数量的一半,nj表示非极大值抑制序列中第j个采样点的数值,T表示设定阈值。
进一步的,积分序列中每个第二采样点均被认为是当前处理的第二采样点且进行抑制条件判断后,可以得到一个新的序列,实施例中,将得到的新的序列记为非极大值抑制序列。根据非极大值抑制序列便可以确定QRS波群对应的采样时刻,即保留的第一数值对应的采样时刻被认为是QRS波群的采样时刻,进而得到多导联心电信号的QRS波群检测结果。
举例而言,图6为本申请实施例提供的QRS波群位置概率序列示意图。参考图6,其中,凸起的波形表示对应的第三采样点检测到QRS波群的概率大。图7为本申请实施例提供的积分序列示意图。图7是对图6中的序列进行滑动窗口积分后得到的积分序列,相比于图6,图7一定采样时长内仅有一个第二采样点为峰值所在的采样点。图8为本申请实施例提供的非极大值抑制序列示意图。图8是对图7中的积分序列进行非极大值抑制后得到的非极大值抑制序列,相比于图7,图8可以准确的表示出检测QRS波群的采样点,进而得到准确的QRS波群检测结果。可以理解,通过图6至图8可知,通过滑动窗口积分可以保证在进行非极大值抑制时,每个第二采样点集合中仅有一个极大第一数值。
图9为本申请实施例提供的多导联QRS波群检测方法数据流示意图。参考图9,本实施例提供的多导联QRS波群检测方法可以概括为为:获取多导联心电信号中每个单导联心电信号对应的QRS波群预检测结果,之后,将一个单导联心电信号和其对应的QRS波群预检测结果作为一组输入数据,并输入至全卷积神经网络,之后,由全卷积神经网络输出各单导联心电信号对应的QRS波群位置概率序列。之后,将各QRS波群位置概率序列融合成融合概率序列,并利用滑动窗口积分和非极大值抑制对融合概率序列进行处理,以得到QRS波群检测结果。其中,通过滑动窗口积分可以得到积分序列,通过非极大值抑制可以得到非极大值抑制序列。
上述,通过获取多导联心电信号中每个单导联心电信号对应的QRS波群预检测结果,之后,将单导联心电信号和其对应的QRS波群预检测结果输入至卷积神经网络,以得到QRS波群位置概率序列,之后,利用平均法融合各QRS波群位置概率序列得到融合概率序列,对融合概率序列中处于滑动窗口范围内各第一采样点进行累加,以得到积分序列,并对积分序列中各第二采样点进行非极大值抑制进而得到多导联心电信号的QRS波群检测结果的技术方案,可以解决现有技术中检测QRS波群时没有充分挖掘多导联心电信号包含的信息,使得检测结果正确率有限的技术问题。通过积分序列确定QRS波群检测结果,有效考虑了多导联心电信号包含的信息,且相比于融合概率序列以及QRS波群位置概率序列,积分序列可以更准确的检测出多导联心电信号中的QRS波群。同时,利用卷积神经网络可以准确得到单导联心电信号与QRS波群预检测结果之间的关联,进一步保证了QRS波群检测结果的准确性。并且,上述方法可以用于任意数量导联的心电信号,具有较强的通用性。
在上述实施例的基础上,在确定QRS波群检测结果前,需要先训练卷积神经网络,此时,设定多导联QRS波群检测方法还包括步骤2100-步骤2120:
步骤2100、获取训练数据集,所述训练数据集包含设定数量的源多导联心电信号和对应的心拍标注信息。
源多导联心电信号是指用于训练卷积神经网络的多导联心电信号。可选的,源多导联心电信号的采样频率为360Hz。进一步的,每个源多导联心电信号对应一个心拍标注信息。心拍标注信息可以理解为源多导联心电信号的心拍注释,即注释出源多导联心电信号中QRS波群的位置坐标。源多导联心电信号和对应的心拍标注信息可以作为一组训练数据。采集设定数量的训练数据后得到训练数据集。其中,设定数量的具体值可以由模型训练人员根据实际情况设定,实施例不做限定。
步骤2110、对所述源多导联心电信号进行加噪,以得到对应的加噪心电信号,所述加噪心电信号、所述源多导联心电信号以及所述心拍标注信息组成数据增广后的训练数据集。
具体的,对训练数据集中每个源多导联心电信号进行加噪,并将加噪后得到的数据记为加噪心电信号。其中,加噪方式可以根据实际情况设定,例如,用导联的电极运动噪声记录对源多导联心电信号进行加噪,且加噪的信噪比分别为-6dB、0dB、6dB、12dB,进而分别得到信噪比为-6dB、0dB、6dB、12dB的加噪心电信号,此时,每个源多导联心电信号对应四个信噪比的加噪心电信号。加噪心电信号与源多导联心电信号的序列长度相等,且对应相同的心拍标注信息。将加噪心电信号和源单导联心电信号以及对应的心拍标注信息组成训练数据集,其中,除了源多导联心电信号和对应的心拍标注信息作为一组训练数据外,一个加噪心电信号和对应的心拍标注信息也可作为一组训练数据。实施例中,将加入加噪心电信号的训练数据集记为数据增广后的训练数据集。相应的,步骤2110也可以认为是对训练数据集进行数据增广的过程,通过数据增广可以增加训练数据集的数据量以及数据类型,进而提高后续训练的卷积神经网络的抗造能力和鲁棒性。
由于后续处理过程中,源多导联心电信号和加噪心电信号的处理过程一样,因此,可以将训练数据集中的加噪心电信号认为是源多导联心电信号,即后续处理过程中描述的源多导联心电信号还可以是指加噪心电信号。
步骤2120、根据所述数据增广后的训练数据集训练并得到所述卷积神经网络。
具体的,训练卷积神经网络可以认为是有监督的深度学习,此时,需要构建训练数据的标签来引导卷积神经网络进行准确的训练。其中,训练标签通过训练数据集的心拍标注信息得到。训练标签的构建过程为:构建一个与源多导联心电信号长度相等的全零序列,每个源多导联心电信号对应一个全零序列。之后,获取该源多导联心电信号对应的心拍标注信息,并根据心拍标注信息中QRS波群的位置坐标,将全零序列中相应索引的元素设置为1,该过程与查找全零序列中与QRS波群预检测位置坐标对应的索引,并将索引对应的元素修改为1的过程相同。之后,将修改为1的元素前后设定范围内的元素同样修改为1。其中,设定范围可以根据标签宽度得到。例如,正常情况下QRS波群的持续时间小于100ms,因此,可以设定范围可以为100/2=50ms,即将修改为1的元素前后50ms内的元素同样修改为1,即进行QRS标签扩宽,进而得到训练标签。举例而言,图10为本申请实施例提供的源多导联心电信号示意图,参考图10,其为360Hz采样频率下的多导联心电信号。根据该多导联心电信号的心拍标注信息得到训练标签如图11所示,其中,图11为本申请实施例提供的训练标签示意图,参考图11,训练标签的序列长度与图10中多导联心电信号的序列长度相等,且标注出了QRS波群的位置坐标,即QRS波群的采样时刻。
一个实施例中,源多导联心电信号包含的单导联心电信号记为源单导联心电信号。具体的,确定每个源单导联心电信号的QRS波群预检测结果,其中,该QRS波群预检测结果的确定方式与上述提及的QRS波群预检测结果的确定方式相同,在此不做赘述。之后,按照图5所示的结构构建卷积神经网络,并将每个源单导联心电信号和对应的QRS波群预检测结果作为一组数据,并输入至卷积神经网络进行训练。该卷积神经网络的目标函数为网格输出与训练标签的交叉熵。该卷积神经网络的训练算法为Adam自适应梯度下降法,学习率为0.001。Adam自适应梯度下降法也称为Adam算法,是一种可以替代传统随机梯度下降过程的一阶优化算法,它能基于训练数据迭代地更新神经网络权重,为比较常用的优化算法。
一个实施例中,当训练数据集训练结束后,采用验证数据集对卷积神经网络进行验证。其中,验证数据集与训练数据集的数据类型相同,仅是数据数量小于训练数据集。针对验证数据集同样可以得到源多导联心电信号(用于验证)的训练标签以及其中各源单导联心电信号(用于验证)的QRS波群预检测结果。进一步的,当源单导联心电信号(用于验证)以及QRS波群预检测结果输入至卷积神经网络后,卷积神经网络的损失函数没有明显变化时,可以将学习率除5,以更新学习率,之后,再次用训练数据集训练卷积神经网络,并用验证数据集对卷积神经网络进行验证,直到卷积神经网络收敛为止。此时,可以认为卷积神经网络训练完成。
进一步的,构建测试数据集,该测试数据集与验证数据集及训练数据的数据类型相同,数据数量可以不同或相同。基于测试数据集对训练后的卷积神经网络进行测试。针对测试数据集同样可以得到源多导联心电信号(用于测试)的测试标签(与训练标签生成手段相同)以及其中各源单导联心电信号(用于测试)的QRS波群预检测结果。之后,将每个源单导联心电信号(用于测试)和QRS波群预检测结果作为一组输入数据,并将各组输入数据依次输入至卷积神经网络,并获取各源单导联心电信号(用于测试)对应的输出结果(即QRS波群预检测结果),之后,将同一源多导联心电信号(用于测试)中的各源单导联心电信号(用于测试)对应的输出结果进行融合得到融合序列,并进行后处理(如采用滑动窗口积分和非极大值抑制手段)得到最终的QRS波群检测结果。之后,将该QRS波群检测结果与对应的测试标签进行比较,并以敏感度Se、准确率P+F1值(F1-Score)的方式来表达卷积神经网络性能。其中,敏感度Se、准确率P、F1值为表达性能度量的常用参数。卷积神经网络测试成功后,便可以应用,即在对多导联心电信号进行QRS波群检测时直接使用卷积神经网络。
上述,通过训练卷积神经网络可以保证卷积神经网络的性能,且通过数据增广和QRS波群标签扩宽的方式可以提高卷积神经网络的抗噪性能。
图12为本申请一个实施例提供的一种多导联QRS波群检测装置的结构示意图。参考图12,该多导联QRS波群检测装置包括:获取模块301、融合模块302、积分模块303以及结果确定模块304。
其中,获取模块301,用于获取多导联心电信号中每个单导联心电信号对应的QRS波群位置概率序列;融合模块302,用于融合各所述QRS波群位置概率序列,以得到融合概率序列;积分模块303,用于按照设定计算规则处理所述融合概率序列中处于滑动窗口范围内的各第一采样点,以得到所述融合概率序列的积分序列;结果确定模块304,用于基于所述积分序列中各第二采样点对应的第一数值得到所述多导联心电信号的QRS波群检测结果。
上述,通过获取多导联心电信号中每个单导联心电信号对应的QRS波群位置概率序列,融合各QRS波群位置概率序列得到融合概率序列,将融合概率序列中处于滑动窗口范围内各第一采样点按照设定计算规格进行计算,以得到积分序列,并基于积分序列中各第二采样点对应的第一数值确定多导联心电信号的QRS波群检测结果的技术方案,可以解决现有技术中检测QRS波群时没有充分挖掘多导联心电信号包含的信息,使得检测结果正确率有限的技术问题。通过积分序列确定QRS波群检测结果,有效考虑了多导联心电信号包含的信息,且相比于融合概率序列以及QRS波群位置概率序列,积分序列可以更准确的检测出多导联心电信号中的QRS波群。
在上述实施例的基础上,获取模块301包括:预检测结果获取单元,用于获取多导联心电信号中每个单导联心电信号对应的QRS波群预检测结果;概率序列确定单元,用于依次将各组输入数据输入至卷积神经网络,以得到每个单导联心电信号的QRS波群位置概率序列,其中,一组所述输入数据包含一个单导联心电信号以及与所述单导联心电信号对应的QRS波群预检测结果。
在上述实施例的基础上,所述预检测结果获取单元包括:坐标获取子单元,用于获取多导联心电信号中每个单导联心电信号对应的QRS波群预检测位置坐标;序列构建子单元,用于构建与单导联心电信号长度相等的全零序列;预检测结果确定子单元,用于查找所述全零序列中与所述QRS波群预检测位置坐标对应的索引,并将所述索引对应的元素修改为第二数值,修改后的全零序列为所述单导联心电信号对应的QRS波群预检测结果。
在上述实施例的基础上,还包括:数据集获取模块,用于获取训练数据集,所述训练数据集包含设定数量的源多导联心电信号和对应的心拍标注信息;加噪模块,用于对所述源多导联心电信号进行加噪,以得到对应的加噪心电信号,所述加噪心电信号、所述源多导联心电信号以及所述心拍标注信息组成数据增广后的训练数据集;训练模块,用于根据所述数据增广后的训练数据集训练并得到所述卷积神经网络。
在上述实施例的基础上,所述卷积神经网络由第一卷积模块、第二卷积模块和残差模块组成;所述第一卷积模块后接有所述残差模块,所述残差模块后接有所述第二卷积模块。
在上述实施例的基础上,所述融合模块302具体包括:采样点获取单元,用于获取各所述QRS波群位置概率序列中处于相同采样时刻的各第三采样点;均值计算单元,用于计算所述相同采样时刻的各第三采样点的概率均值;融合确定单元,用于将计算得到的各所述概率均值按照对应的采样时刻组成融合概率序列。
在上述实施例的基础上,所述设定计算规则为将所述融合概率序列中处于滑动窗口范围内的各第一采样点对应的第三数值相加。
在上述实施例的基础上,结果确定模块304包括:采样点选定单元,用于在所述积分序列中选定当前处理的第二采样点;集合确定单元,用于在所述积分序列中,查找设定数量与所述当前处理的第二采样点近邻的第二采样点,以得到第二采样点集合;抑制处理单元,用于根据所述第二采样点集合中各第二采样点对应的第一数值确定所述当前处理的第二采样点满足抑制条件时,将所述当前处理的第二采样点对应的第一数值修改为第四数值,所述积分序列中全部第二采样点进行抑制条件判断后,得到所述多导联心电信号的QRS波群检测结果。
在上述实施例的基础上,所述抑制条件包括:所述当前处理的第二采样点对应的第一数值不等于所述第二采样点集合中的极大第一数值;或,所述当前处理的第二采样点对应的第一数值等于所述极大第一数值且小于或等于设定阈值。
本实施例提供的多导联QRS波群检测装置包含在多导联QRS波群检测设备中,且可用于执行上述任意实施例提供的多导联QRS波群检测方法,具备相应的功能和有益效果。
值得注意的是,上述多导联QRS波群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,并不用于限制本申请的保护范围。
图13为本申请一个实施例提供的一种多导联QRS波群检测设备的结构示意图。如图13所示,该多导联QRS波群检测设备包括处理器40、存储器41、输入装置42以及输出装置43;多导联QRS波群检测设备中处理器40的数量可以是一个或多个,图13中以一个处理器40为例;多导联QRS波群检测设备中的处理器40、存储器41、输入装置42以及输出装置43可以通过总线或其他方式连接,图13中以通过总线连接为例。
存储器41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,如本申请实施例中的多导联QRS波群检测方法对应的程序指令/模块(例如,多导联QRS波群检测装置中的获取模块301、融合模块302、积分模块303和结果确定模块304)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行多导联QRS波群检测设备的各种功能应用以及数据处理,即实现上述的多导联QRS波群检测方法。
存储器41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多导联QRS波群检测设备的使用所创建的数据等。此外,存储器41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41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至多导联QRS波群检测设备。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42可用于接收输入的数字或字符信息,以及产生与多导联QRS波群检测设备的用户设置以及功能控制有关的键信号输入,还包括采集多导联心电信号有关的电极及导线。输出装置43可包括显示屏等显示设备以及其他数据输出设备。
上述多导联QRS波群检测设备可以用于执行任意实施例提供的多导联QRS波群检测方法,具备相应的功能和有益效果。
本申请一个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多导联QRS波群检测方法,该方法包括:
获取多导联心电信号中每个单导联心电信号对应的QRS波群位置概率序列;
融合各所述QRS波群位置概率序列,以得到融合概率序列;
按照设定计算规则处理所述融合概率序列中处于滑动窗口范围内的各第一采样点,以得到所述融合概率序列的积分序列;
基于所述积分序列中各第二采样点对应的第一数值得到所述多导联心电信号的QRS波群检测结果。
当然,本申请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,还可以执行本申请任意实施例所提供的多导联QRS波群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,本申请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,本申请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)执行本申请各个实施例所述的方法。
注意,上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解,本申请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申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (12)
1.一种多导联QRS波群检测方法,其特征在于,包括:
获取多导联心电信号中每个单导联心电信号对应的QRS波群位置概率序列;
融合各所述QRS波群位置概率序列,以得到融合概率序列;
按照设定计算规则处理所述融合概率序列中处于滑动窗口范围内的各第一采样点,以得到所述融合概率序列的积分序列;
基于所述积分序列中各第二采样点对应的第一数值得到所述多导联心电信号的QRS波群检测结果。
2.根据权利要求1所述的多导联QRS波群检测方法,其特征在于,所述获取多导联心电信号中每个单导联心电信号对应的QRS波群位置概率序列包括:
获取多导联心电信号中每个单导联心电信号对应的QRS波群预检测结果;
依次将各组输入数据输入至卷积神经网络,以得到每个单导联心电信号的QRS波群位置概率序列,其中,一组所述输入数据包含一个单导联心电信号以及与所述单导联心电信号对应的QRS波群预检测结果。
3.根据权利要求2所述的多导联QRS波群检测方法,其特征在于,所述获取多导联心电信号中每个单导联心电信号对应的QRS波群预检测结果包括:
获取多导联心电信号中每个单导联心电信号对应的QRS波群预检测位置坐标;
构建与单导联心电信号长度相等的全零序列;
查找所述全零序列中与所述QRS波群预检测位置坐标对应的索引,并将所述索引对应的元素修改为第二数值,修改后的全零序列为所述单导联心电信号对应的QRS波群预检测结果。
4.根据权利要求2所述的多导联QRS波群检测方法,其特征在于,还包括:
获取训练数据集,所述训练数据集包含设定数量的源多导联心电信号和对应的心拍标注信息;
对所述源多导联心电信号进行加噪,以得到对应的加噪心电信号,所述加噪心电信号、所述源多导联心电信号以及所述心拍标注信息组成数据增广后的训练数据集;
根据所述数据增广后的训练数据集训练并得到所述卷积神经网络。
5.根据权利要求2或4所述的多导联QRS波群检测方法,其特征在于,所述卷积神经网络由第一卷积模块、第二卷积模块和残差模块组成;
所述第一卷积模块后接有所述残差模块,所述残差模块后接有所述第二卷积模块。
6.根据权利要求1所述的多导联QRS波群检测方法,其特征在于,所述融合各所述QRS波群位置概率序列,以得到融合概率序列包括:
获取各所述QRS波群位置概率序列中处于相同采样时刻的各第三采样点;
计算所述相同采样时刻的各第三采样点的概率均值;
将计算得到的各所述概率均值按照对应的采样时刻组成融合概率序列。
7.根据权利要求1所述的多导联QRS波群检测方法,其特征在于,所述设定计算规则为将所述融合概率序列中处于滑动窗口范围内的各第一采样点对应的第三数值相加。
8.根据权利要求1所述的多导联QRS波群检测方法,其特征在于,所述基于所述积分序列中各第二采样点对应的第一数值得到所述多导联心电信号的QRS波群检测结果包括:
在所述积分序列中选定当前处理的第二采样点;
在所述积分序列中,查找设定数量与所述当前处理的第二采样点近邻的第二采样点,以得到第二采样点集合;
根据所述第二采样点集合中各第二采样点对应的第一数值确定所述当前处理的第二采样点满足抑制条件时,将所述当前处理的第二采样点对应的第一数值修改为第四数值,所述积分序列中全部第二采样点进行抑制条件判断后,得到所述多导联心电信号的QRS波群检测结果。
9.根据权利要求8所述的多导联QRS波群检测方法,其特征在于,所述抑制条件包括:所述当前处理的第二采样点对应的第一数值不等于所述第二采样点集合中的极大第一数值;或,所述当前处理的第二采样点对应的第一数值等于所述极大第一数值且小于或等于设定阈值。
10.一种多导联QRS波群检测装置,其特征在于,包括:
获取模块,用于获取多导联心电信号中每个单导联心电信号对应的QRS波群位置概率序列;
融合模块,用于融合各所述QRS波群位置概率序列,以得到融合概率序列;
积分模块,用于按照设定计算规则处理所述融合概率序列中处于滑动窗口范围内的各第一采样点,以得到所述融合概率序列的积分序列;
结果确定模块,用于基于所述积分序列中各第二采样点对应的第一数值得到所述多导联心电信号的QRS波群检测结果。
11.一种多导联QRS波群检测设备,其特征在于,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1-9中任一所述的多导联QRS波群检测方法。
12.一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1-9中任一所述的多导联QRS波群检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010117503.2A CN111345816B (zh) | 2020-02-25 | 2020-02-25 | 多导联qrs波群检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010117503.2A CN111345816B (zh) | 2020-02-25 | 2020-02-25 | 多导联qrs波群检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111345816A true CN111345816A (zh) | 2020-06-30 |
CN111345816B CN111345816B (zh) | 2022-11-04 |
Family
ID=71188620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010117503.2A Active CN111345816B (zh) | 2020-02-25 | 2020-02-25 | 多导联qrs波群检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111345816B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111759298A (zh) * | 2020-07-10 | 2020-10-13 | 齐鲁工业大学 | 一种降低多参数监护仪心律失常误报警率的方法 |
CN113951893A (zh) * | 2021-12-02 | 2022-01-21 | 清华大学 | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 |
CN114027853A (zh) * | 2021-12-16 | 2022-02-11 | 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 |
WO2022052300A1 (zh) * | 2020-09-08 | 2022-03-17 | 浙江大学山东工业技术研究院 | 一种基于深度学习的心电参数计算方法 |
CN114668401A (zh) * | 2022-03-11 | 2022-06-28 | 肇庆星网医疗科技有限公司 | 一种ai心电训练数据标注方法、装置、电子设备及介质 |
WO2023003236A1 (ko) * | 2021-07-20 | 2023-01-26 | 주식회사 휴이노 | 생체 신호 분석 모델의 학습 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599900A (zh) * | 2015-10-20 | 2017-04-26 | 华中科技大学 | 一种识别图像中的字符串的方法和装置 |
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 |
WO2019155214A1 (en) * | 2018-02-07 | 2019-08-15 | Green Running Limited | Method and apparatus for power signal disaggragation using a convolutional neural network |
CN110403601A (zh) * | 2019-08-27 | 2019-11-05 | 安徽心之声医疗科技有限公司 | 基于深度学习的心电信号qrs波群识别方法 |
-
2020
- 2020-02-25 CN CN202010117503.2A patent/CN111345816B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599900A (zh) * | 2015-10-20 | 2017-04-26 | 华中科技大学 | 一种识别图像中的字符串的方法和装置 |
WO2019155214A1 (en) * | 2018-02-07 | 2019-08-15 | Green Running Limited | Method and apparatus for power signal disaggragation using a convolutional neural network |
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 |
CN110403601A (zh) * | 2019-08-27 | 2019-11-05 | 安徽心之声医疗科技有限公司 | 基于深度学习的心电信号qrs波群识别方法 |
Non-Patent Citations (1)
Title |
---|
范玉庆等: "小波变换与概率神经网络的心电图分类", 《电子技术应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111759298A (zh) * | 2020-07-10 | 2020-10-13 | 齐鲁工业大学 | 一种降低多参数监护仪心律失常误报警率的方法 |
WO2022052300A1 (zh) * | 2020-09-08 | 2022-03-17 | 浙江大学山东工业技术研究院 | 一种基于深度学习的心电参数计算方法 |
WO2023003236A1 (ko) * | 2021-07-20 | 2023-01-26 | 주식회사 휴이노 | 생체 신호 분석 모델의 학습 데이터를 관리하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체 |
CN113951893A (zh) * | 2021-12-02 | 2022-01-21 | 清华大学 | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 |
CN113951893B (zh) * | 2021-12-02 | 2023-02-03 | 清华大学 | 一种结合深度学习和电生理知识的多导联心电信号特征点提取方法 |
CN114027853A (zh) * | 2021-12-16 | 2022-02-11 | 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 |
CN114668401A (zh) * | 2022-03-11 | 2022-06-28 | 肇庆星网医疗科技有限公司 | 一种ai心电训练数据标注方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111345816B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111345816B (zh) | 多导联qrs波群检测方法、装置、设备及存储介质 | |
KR102451795B1 (ko) | 심전도 신호의 검출 방법 | |
CN108478209B (zh) | 心电信息动态监护方法和动态监护系统 | |
Gao et al. | An effective LSTM recurrent network to detect arrhythmia on imbalanced ECG dataset | |
US10779744B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
US20230143594A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN110226921B (zh) | 心电信号检测分类方法、装置、电子设备和存储介质 | |
CN111091116B (zh) | 一种用于判断心律失常的信号处理方法及系统 | |
CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
CN111345817B (zh) | Qrs波群位置确定方法、装置、设备及存储介质 | |
CN109009084B (zh) | 多导联心电信号的qrs波群校验方法、装置及设备、介质 | |
CN109077714B (zh) | 信号识别方法、装置、设备和存储介质 | |
CN109077720B (zh) | 信号处理方法、装置、设备和存储介质 | |
CN105726018A (zh) | 一种与rr间期无关的房颤自动检测方法 | |
CN111631705A (zh) | 心电异常检测方法、模型训练方法、装置、设备及介质 | |
CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
CN109044340B (zh) | 心电数据分类方法、装置、电子设备以及存储介质 | |
CN110367968B (zh) | 一种右束支阻滞检测方法、装置、设备及存储介质 | |
CN112270240A (zh) | 一种信号处理方法、装置、电子设备和存储介质 | |
WO2021071646A1 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN109044347B (zh) | 识别心电波图像交界性逸搏方法、装置、系统和电子设备 | |
CN111053552A (zh) | 一种基于深度学习的qrs波检测方法 | |
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 | |
CN115470832A (zh) | 一种基于区块链的心电信号数据处理方法 | |
CN117651523A (zh) | 心电图解析辅助装置、程序、心电图解析辅助方法、心电图解析辅助系统、峰值推测模型生成方法、以及区间推测模型生成方法 |
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 |