CN111345817B - Qrs波群位置确定方法、装置、设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种QRS波群位置确定方法、装置、设备及存储介质，涉及心电检测技术领域，其包括：获取导联心电信号序列，导联心电信号序列包括至少一个QRS波群；利用编码神经网络模型对导联心电信号序列进行编码，以得到导联心电信号序列的第一语义特征向量；利用解码神经网络模型对第一语义特征向量进行解码，以得到QRS波群在导联心电信号序列中的位置信息。采用上述方法可以解决现有技术中通过手工设计特征使得QRS波群的检测抗噪能力弱的技术问题，利用机器学习的方式构建编码神经网络模型和解码神经网络模型，可以实现QRS波群的自动检测，且训练得到的模型无需手工设计特征，具有较优的性能、较好的泛化能力以及较强的抗噪能力。

Description

QRS波群位置确定方法、装置、设备及存储介质

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QRS波群位置确定方法、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。通过QRS波群可以确定出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心电信号分析具有重要的作用。

现在技术中，可以采用PT算法(Pan_Tompkins算法)、小波变换法等方式检测QRS波群。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：现有的检测QRS波群的方法，通常需要手工设计特征，然而，手工设计的特征抗噪能力弱，这样会使得QRS波群的检测易受噪声等因素的影响，进而影响检测结果的准确性。

发明内容

本申请提供了一种QRS波群位置确定方法、装置、设备及存储介质，以解决现有技术中通过手工设计特征使得QRS波群的检测抗噪能力弱的技术问题。

第一方面，本申请实施例提供了一种QRS波群位置确定方法，包括：

获取导联心电信号序列，所述导联心电信号序列包括至少一个QRS波群；

利用编码神经网络模型对所述导联心电信号序列进行编码，以得到所述导联心电信号序列的第一语义特征向量；

利用解码神经网络模型对所述第一语义特征向量进行解码，以得到QRS波群在所述导联心电信号序列中的位置信息。

进一步的，所述编码神经网络模型由卷积神经网络模块和第一长短期记忆网络模块组成；

所述利用编码神经网络模型对所述导联心电信号序列进行编码，以得到所述导联心电信号序列的第一语义特征向量包括：

将所述导联心电信号序列输入至所述卷积神经网络模块，以提取包含语义信息的单通道特征图；

将所述包含语义信息的单通道特征图切分成多个特征信号，每个特征信号对应一个时间步；

将多个所述特征信号依次输入至所述第一长短期记忆网络模块，以得到所述导联心电信号序列的第一语义特征向量。

进一步的，所述卷积神经网络模块由第一卷积层、串联的四个残差块和第二卷积层组成；

所述第一卷积层后接有串联的四个残差块，所述串联的四个残差块后接有所述第二卷积层。

进一步的，所述第一长短期记忆网络模块由双向长短期记忆网络组成，所述双向长短期记忆网络包括第一长短期记忆网络和第二长短期记忆网络；

所述将所述包含语义信息的单通道特征图切分成多个特征信号包括：

将所述包含语义信息的单通道特征图按照时间顺序切分成多个第一特征信号，以及将所述包含语义信息的单通道特征图按照时间逆序切分成多个第二特征信号；

所述将多个所述特征信号依次输入至所述第一长短期记忆网络模块，以得到所述导联心电信号序列的第一语义特征向量包括：

将多个所述第一特征信号依次输入至第一长短期记忆网络，以得到所述第一长短期记忆网络的第一编码结果；

将多个所述第二特征信号依次输入至第二长短期记忆网络，以得到所述第二长短期记忆网络的第二编码结果；

根据所述第一编码结果和所述第二编码结果得到所述导联心电信号序列的第一语义特征向量。

进一步的，所述解码神经网络模型由全连接模块、第二长短期记忆网络模块和注意力模块组成；

所述注意力模块的输入包括所述第一语义特征向量和所述第二长短期记忆网络模块当前时间步的输出结果；

所述全连接模块的输入为当前时间步中所述注意力模块输出的第二语义特征向量，所述第二语义特征向量是由所述注意力模块计算所述第一语义特征向量和所述输出结果之间的相关度得到；

所述第二长短期记忆网络模块的输入包括第一隐藏状态和上一时间步中所述全连接模块输出的QRS波群位置信息，所述第一隐藏状态为上一时间步中所述第二长短期记忆网络模块输出的隐藏状态，所述QRS波群位置信息是由所述全连接模块解码所述第二语义特征向量得到。

进一步的，所述第二长短期记忆网络模块在初始时间步中输入的第一隐藏状态通过所述第一长短期记忆网络模块的第二隐藏状态得到，所述第二隐藏状态为所述第一长短期记忆网络模块在最后一个时间步得到的隐藏状态；所述第二长短期记忆网络模块在初始时间步中输入的QRS波群位置信息为预设的初始向量信息。

进一步的，所述全连接模块解码所述第二语义特征向量得到终止符号时，所述解码神经网络模型停止解码，并将所述全连接模块输出的全部QRS波群位置信息作为解码得到的QRS波群在所述导联心电信号序列中的位置信息。

第二方面，本申请实施例还提供了一种QRS波群位置确定装置，包括：

获取模块，用于获取导联心电信号序列，所述导联心电信号序列包括至少一个QRS波群；

编码模块，用于利用编码神经网络模型对所述导联心电信号序列进行编码，以得到所述导联心电信号序列的第一语义特征向量；

解码模块，用于利用解码神经网络模型对所述第一语义特征向量进行解码，以得到QRS波群在所述导联心电信号序列中的位置信息。

第三方面，本申请实施例还提供了一种QRS波群位置确定设备，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QRS波群位置确定方法。

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QRS波群位置确定方法。

上述QRS波群位置确定方法、装置、设备及存储介质，通过构建编码神经网络模型，并利用编码神经网络模型对导联心电信号序列进行编码，以得到导联心电信号序列的第一语义特征向量，并通过构建解码神经网络模型，且利用解码神经网络模型解码第一语义特征向量，以确定QRS波群在导联心电信号序列中的位置信息的技术手段，解决了现有技术中通过手工设计特征使得QRS波群的检测抗噪能力弱的技术问题。利用机器学习的方式构建编码神经网络模型和解码神经网络模型，可以实现QRS波群的自动检测，并且，训练得到的模型无需手工设计特征，具有较优的性能、较好的泛化能力以及较强的抗噪能力，可以精准识别到ORS波群的位置。

附图说明

图1为本申请一个实施例提供的一种QRS波群位置确定方法的流程图；

图2为本申请一个实施例提供的一种QRS波群位置确定方法的流程图；

图3为本申请实施例提供的卷积神经网络模块示意图；

图4为本申请实施例提供的残差块示意图；

图5为本申请实施例提供的长短期记忆网络示意图；

图6为本申请实施例提供的解码神经网络模型示意图；

图7为本申请实施例提供的数据流向示意图；

图8为本申请一个实施例提供的一种QRS波群位置确定装置的结构示意图；

图9为本申请一个实施例提供的一种QRS波群位置确定设备的结构示意图。

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，第一语义特征向量和第二语义特征向量的“第一”和“第二”用来区分两个不同的语义特征向量。

实施例中提供的QRS波群位置确定方法可以由QRS波群位置确定设备执行，该QRS波群位置确定设备可以通过软件和/或硬件的方式实现，该QRS波群位置确定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，QRS波群位置确定设备可以是电脑、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QRS波群位置确定设备为例进行描述。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QRS波群位置确定方法确定心电图中QRS波群的位置。

图1为本申请一个实施例提供的一种QRS波群位置确定方法的流程图。具体的，参考图1，该QRS波群位置确定方法具体包括：

步骤110、获取导联心电信号序列，所述导联心电信号序列包括至少一个QRS波群。

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。实施例中，将通过导联采集到的一段时长内的心电信号记为导联心电信号序列，其中，导联心电信号序列的采集时长可以根据实际情况设定。进一步的，按照导联通道数，可以将导联心电信号序列分为单导联心电信号序列(即通过一个导联采集到的导联心电信号序列)和多导联心电信号序列(即通过多个导联采集到的导联心电信号序列)，采集多联系心电信号序列时的导联通道的数量可以根据实际情况设定。实施例中以导联心电信号序列为单导联心电信号序列为例进行描述。进一步的，导联心电信号序列中包含至少一个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波群的数量与导联心电信号序列的采集时长以及心脏的生理状态有关。

需说明，实施例中健康检测设备可以直接获取导联心电信号序列。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导联心电信号序列。

步骤120、利用编码神经网络模型对所述导联心电信号序列进行编码，以得到所述导联心电信号序列的第一语义特征向量。

一个实施例中，导联心电信号序列可以理解为一串波形序列，通过识别波形序列可以得到导联心电信号序列的语义特征向量。其中，语义特征可以理解为波形序列所具备的特征或特点，实施例中语义特征可以与QRS波群相关。识别得到的多个语义特征可以组成语义特征向量。实施例中，将基于导联心电信号序列识别到的语义特征向量记为第一语义特征向量。可以理解，识别得到第一语义特征向量的过程可以认为是对导联心电信号序列进行编码的过程。

典型是，识别第一语义特征向量的技术手段可以根据实际情况进行设定。实施例中，以构建编码神经网络模型，并通过编码神经网络模型得到第一语义特征向量为例进行描述。具体的，编码神经网络模型是依托于机器学习技术构建的神经网络模型，编码神经网络模型的具体结构可以根据实际情况设定。例如，编码神经网络模型由卷积神经网络和长短期记忆网络组成。其中，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，具有特征学习能力。通过卷积神经网络可以学习到导联心电信号序列包含的特征信息。长短期记忆网络是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，通过长短期记忆网络可以对卷积神经网络学习到的特征信息进行编码，以得到第一语义特征向量。可以理解，在使用编码神经网络模型前，需要预先构造编码神经网络模型，并采用大量的训练数据训练编码神经网络模型，当编码神经网络模型训练稳定后，采用验证数据对编码神经网络模型进行验证，当确认编码神经网络模型可以输出稳定准确的结果时，确定编码神经网络模型训练完成可以直接应用。实施例中识别第一语义特征向量的编码神经网络模型为训练完成后直接应用的模型。可以理解，训练数据和验证数据均是由导联心电信号序列和对应的语义特征向量组成，且训练数据和验证数据包含的数据内容不同。

步骤130、利用解码神经网络模型对所述第一语义特征向量进行解码，以得到QRS波群在所述导联心电信号序列中的位置信息。

实施例中，将QRS波群采集时刻在导联心电信号序列中的坐标作为该QRS波群的QRS波群位置信息。举例而言，导联心电信号序列的采集时长为60s，每秒包含100个采样点，若QRS波群的位置信息为150，则说明导联心电信号序列中第150个采样点的位置处为QRS波群，该采样点可以为QRS波群起点、QRS波群的波峰或QRS波群终点，其可以由解码神经网络模型的训练数据决定，实施例对此不作限定。进一步的，导联心电信号序列中识别到的全部QRS波群位置信息组成QRS波群在导联心电信号序列中的位置信息。

示例性的，由于第一语义特征向量包含了导联心电信号序列中与QRS波群有关的特征，因此，可以通过解读第一语义特征向量的方式确定QRS波群在导联心电信号序列中的位置信息。其中，解读第一语义特征向量的过程也可以理解为对第一语义特征向量进行解码的过程。

具体的，解码第一语义特征向量的技术手段可以根据实际情况设定，实施例中，以构建解码神经网络模型，并通过解码神经网络模型得到QRS波群位置信息为例进行描述。具体的，解码神经网络模型是依托于机器学习技术构建的神经网络模型，解码神经网络模型的具体结构可以根据实际情况设定。例如，解码神经网络模型由长短期记忆网络组成，且在长短期记忆网络的输出端连接注意力模块，在长短期记忆网络的输入端连接全连接层。其中，将长短期记忆网络在前一时间步的隐藏状态和前一时间步得到的QRS波群位置信息作为当前时间步中长短期记忆网络的输入，并将输出结果发送至注意力模块。注意力模块可以计算当前时间步中长短期记忆网络的输出结果与第一语义特征向量的相关度，以确定第一语义特征向量中比较重要的部分，进而基于相关度得到一个语义特征向量。之后，全连接层可以识别当前时间步中注意力模块得到的语义特征向量，即解码第一语义特征向量中比较重要的部分，进而解码得到当前时间步的QRS波群位置信息。可以理解，解码神经网络模型重复执行上述过程后可以得到导联心电信号序列中的全部QRS波群的QRS波群位置信息，此时，每解码得到的一个QRS波群位置信息，解码神经网络模块便会执行一次上述过程。之后，将得到的全部QRS波群QRS波群位置信息组成的序列作为QRS波群在导联心电信号序列中的位置信息。可以理解，解码神经网络模型也是预先训练，并在本步骤中直接应用。解码神经网络模型的训练过程与编码神经网络模型的训练过程相似，在此不做赘述。需说明，解码神经网络模型与编码神经网络模型一同训练，以通过解码神经网络模型的输出结果与对应训练数据(导联心电信号序列)中的标注(QRS波群在导联心电信号序列中的位置信息)进行计算并调整解码神经网络模型和/或编码神经网络模型的参数(如参数矩阵)，进而使得解码神经网络模型和编码神经网络模型的损失函数趋于稳定，即编码神经网络模型和解码神经网络模型的输出结果准确稳定，其中，损失函数通过梯度计算得到。可选的，得到QRS波群的位置信息后，可以在导联心电信号序列中识别出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。

上述，通过构建编码神经网络模型，并利用编码神经网络模型对导联心电信号序列进行编码，以得到导联心电信号序列的第一语义特征向量，并通过构建解码神经网络模型，且利用解码神经网络模型解码第一语义特征向量，以确定QRS波群在导联心电信号序列中的位置信息的技术手段，解决了现有技术中通过手工设计特征使得QRS波群的检测抗噪能力弱的技术问题。利用机器学习的方式构建编码神经网络模型和解码神经网络模型，可以实现QRS波群的自动检测，并且，训练得到的模型无需手工设计特征，具有较优的性能、较好的泛化能力以及较强的抗噪能力，可以精准识别到ORS波群的位置。

图2为本申请一个实施例提供的一种QRS波群位置确定方法的流程图。本实施例提供的QRS波群位置确定方法是在上述实施例的基础上进行具体化。本实施例中，编码神经网络模型由卷积神经网络模块和第一长短期记忆网络模块组成，解码神经网络模型由全连接模块、第二长短期记忆网络模块和注意力模块组成。

具体的，参考图2，该QRS波群位置确定方法具体包括：

步骤210、获取导联心电信号序列，所述导联心电信号序列包括至少一个QRS波群。

步骤220、将所述导联心电信号序列输入至所述卷积神经网络模块，以提取包含语义信息的单通道特征图。

示例性的，卷积神经网络模块可以理解为一个卷积神经网络，其用于提取导联心电信号序列中与QRS波群有关的特征。卷积神经网络模块的具体结构可以根据实际情况设定。一个实施例中，卷积神经网络模块由第一卷积层、串联的四个残差块和第二卷积层组成；所述第一卷积层后接有串联的四个残差块，所述串联的四个残差块后接有所述第二卷积层。其中，图3为本申请实施例提供的卷积神经网络模块示意图，参考图3，第一卷积层记为Conv_in，第一卷积层为1维卷积层，其卷积核的大小为71，步长为1，填充方式为用0填充且幅度为35，输入的导联心电信号序列大小为1×32，输出通道数为32。通过第一卷积层处理导联心电信号序列时，导联心电信号序列的分辨率不会改变，并且，通过第一卷积层可以得到32个特征图。进一步的，将32个特征图输入至残差块中，实施例中卷积神经网络模块包含4个残差块，且4个残差块的结构和参数相同，图3中将4个残差块分别记为ResBlock1、ResBlock2、ResBlock3、ResBlock4。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结构与ResNet网络中残差块的结构相似，进一步的，图4为本申请实施例提供的残差块示意图，参考图4，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4中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71，步长为1，填充方式为用0填充且幅度为35，输入数据的大小为32×32，输出通道数为32。一个实施例中，残差块的每个卷积层后接有BN层(图未示)。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。通过设置BN层，可以加快残差块的训练速度，提高残差块的性能，且可以优化残差块的梯度流。同时，BN层后接有激活函数层，其中，Conv2后BN层连接的激活函数层的输入为F(x)+x。激活函数层优选为非线性激活函数，以使得残差块具备非线性因素，进而使得残差块适应更多的非线性模型。通过残差块可以对32个特征图进行深度卷积，以准确得到导联心电信号序列中关于QRS波群的特征。四个残差块依次处理后，将输出的32个特征图输入至第二卷积层，其中，第二卷积层记为Conv_out，第二卷积层的卷积核的大小为71、步长为1、填充方式为用0填充且幅度为35、输入数据的大小为32×1、输出通道数为1。通过第二卷积层可以得到一个包含语义信息的单通道特征图。其中，单通道特征图也可以理解为单通道图像。

可以理解，上述卷积神经网络模块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、将所述包含语义信息的单通道特征图切分成多个特征信号，每个特征信号对应一个时间步。

具体的，时间步也可以记为time_step，其具体参数可以根据实际情况设定。进一步的，为了使第一长短期记忆网络模块对单通道特征图进行编码，需要先对单通道特征图进行切分。实施例中，将切分得到的数据记为特征信号，且每个特征信号对应一个时间步，即在第一长短期记忆网络模块处理过程中每个时间步内输入一个特征信号。可以理解，实施例中一个时间步内的特征信号能够与前后时间步对应的特征信号构成一个相关的序列，以保证第一长短期记忆网络的预测准确度。

步骤240、将多个所述特征信号依次输入至所述第一长短期记忆网络模块，以得到所述导联心电信号序列的第一语义特征向量。

具体的，第一长短期记忆网络模块用于对切分得到的特征信号进行编码，以得到第一语义特征向量。第一长短期记忆网络模块包含至少一个长短期记忆网络。图5为本申请实施例提供的长短期记忆网络示意图，参考图5，其包含长短期记忆网络三个时间步的处理过程。其中，x_t-1、x_t、x_t+1分别为前一时间步、当前时间步、后一时间步输入的特性信号，h_t-1、h_t、h_t+1分别为前一时间步、当前时间步、后一时间步长短期记忆网络输出的编码结果，C_t-1、C_t、C_t+1分别为前一时间步、当前时间步、后一时间步中长短期记忆网络的隐藏状态，也可以理解为细胞状态。长短期记忆网络包括遗忘门、输入门和输出门。以当前时间步为例，遗忘门是以上一时间步(即上一层)的输出h_t-1和当前时间步(即本层)的输入x_t通过一个激活函数sigmoid得到输出，并记为f(x)。f(x)的输出取值在[0,1]区间，表示上一层细胞状态被遗忘的概率，1是“完全保留”，0是“完全舍弃”。输入门包含两个部分，第一部分使用sigmoid激活函数，输出为i_t，第二部分使用tanh激活函数，输出为Q_t，之后，通过i_t与Q_t的乘积表示当前输入的特征信号中有多少新信息被保留。输出门是以上一层的输出h_t-1和本层的输入x_t通过一个激活函数sigmoid得到一个[0,1]区间取值的o_t，接着将细胞状态C_t通过tanh激活函数处理后与o_t相乘，即输出本层的h_t，表示用来控制该层的细胞状态有多少被过滤。

一个实施例中，第一长短期记忆网络模块由双向长短期记忆网络组成，所述双向长短期记忆网络包括第一长短期记忆网络和第二长短期记忆网络。此时，步骤230具体用于：将所述包含语义信息的单通道特征图按照时间顺序切分成多个第一特征信号，以及将所述包含语义信息的单通道特征图按照时间逆序切分成多个第二特征信号。相应的，步骤240包括：将多个所述第一特征信号依次输入至第一长短期记忆网络，以得到所述第一长短期记忆网络的第一编码结果；将多个所述第二特征信号依次输入至第二长短期记忆网络，以得到所述第二长短期记忆网络的第二编码结果；根据所述第一编码结果和所述第二编码结果得到所述导联心电信号序列的第一语义特征向量。

具体的，双向长短期记忆网络包括两个单向的长短期记忆网络，一个为正向的长短期记忆网络，其利用过去的信息(即利用之前时间步的特征信号)，一个为逆向的长短期记忆网络，其利用未来的信息(即利用之后时间步的特征信号)，双向长短期记忆网络同时利用过去时刻和未来时刻的信息，会比单向长短期记忆网络最终的预测更加准确。实施例中，将正向的长短期记忆网络记为第一长短期记忆网络，将逆向的长短期记忆网络记为第二长短期记忆网络。可以理解，此时，为了保证双向长短期记忆网络正常使用，在对包含语义信号的单通道特征图进行切分时，需要对单通道特征图按照时间顺序进行切分，同时，按照时间逆序进行切分。实施例中，将按照时间顺序切分后得到的特征信号记为第一特征信号，将按照时间逆序切分后得到的特征信号记为第二特征信号。需说明，实施例中不限定对单通道特征图进行时间顺序切分和时间逆序切分的具体执行顺序。

进一步的，将按照时间顺序切分的第一特征信号按照时间顺序依次输入至正向的第一长短期记忆网络，同时，将按照时间逆序切分的第二特征信号按照时间逆序依次输入至逆向的第二长短期记忆网络，此时，第一长短期记忆网络模块在当前时间步的处理过程中可以同时考虑上一时间步的特征信号和下一时间步的特征信号。实施例中，将第一长短期记忆网络在每个时间步的输出结果记为第一编码结果，将第二长短期记忆网络在每个时间步的输出结果记为第二编码结果。之后，将第一编码结果和第二编码结果按照处理时间顺序组成向量，并将该向量记为第一语义特征向量。

可以理解，实际应用中，上述编码神经网络模型的结构和参数可以结合实际情况更改，实施例对此不作限定。例如，结合实际情况改变卷积神经网络模块中卷积层的数量，将第一长短期记忆网络模块替换为门递归单元等。

步骤250、利用解码神经网络模型对所述第一语义特征向量进行解码，以得到QRS波群在所述导联心电信号序列中的位置信息。

解码神经网络模型由全连接模块、第二长短期记忆网络模块和注意力模块组成。其中，全连接模块包含全连接层，全连接层的每一个结点都与上一层(实施例中指注意力模块)的所有结点相连，用来把前边提取到的特征综合起来，即将注意力模块得到的特征综合起来。实施例中，将解码神经网络模型中包含的长短期记忆网络模块记为第二长短期记忆网络模块，第二长短期记忆网络模块包含一个单向的长短期记忆网络。注意力模块是指具备注意力机制的模块，注意力模块可以重点关注感兴趣的信息，抑制无用的信息。实施例中，通过注意力模块可以重点学习语义特征中与QRS波群有关的信息。

一个实施例中，所述注意力模块的输入包括所述第一语义特征向量和所述第二长短期记忆网络模块当前时间步的输出结果；所述全连接模块的输入为当前时间步中所述注意力模块输出的第二语义特征向量，所述第二语义特征向量是由所述注意力模块计算所述第一语义特征向量和所述输出结果之间的相关度得到；所述第二长短期记忆网络模块的输入包括第一隐藏状态和上一时间步中所述全连接模块输出的QRS波群位置信息，所述第一隐藏状态为上一时间步中所述第二长短期记忆网络模块输出的隐藏状态，所述QRS波群位置信息是由所述全连接模块解码所述第二语义特征向量得到。

图6为本申请实施例提供的解码神经网络模型示意图。参考图6，当前时间步中，第二长短期记忆网络模块的输入包括上一时间步中第二长短期记忆网络模块输出的隐藏状态以及上一时间步中全连接模块解码得到的一个QRS波群位置信息。其中，将上一时间步中第二长短期记忆网络模块输出的隐藏状态记为第一隐藏状态。第二长短期记忆网络模块根据上一时间步中的第一隐藏状态和QRS波群位置信息预测当前时间步中QRS波群位置。可以理解，第二长短期记忆网络模块中长短期记忆网络的参数可以根据实际情况是设定，实施例不作限定。

进一步的，第二长短期记忆网络模块将输出结果输入至注意力模块，同时，第一语义特征向量也输入至注意力模块。此时，注意力模块会基于第二长短期记忆网络模块的输出结果对第一语义特征向量中比较重要的部分(即表示QRS波群的语义特征)进行学习。其中，假设当前时间步为第j个时间步，j≥1，当前时间步中第二长短期记忆网络模块的输出结果为s_j。第一语义特征向量中第i个向量为h_i，1≤i≤m，m为第一语义特征向量中包含的向量总数。此时，注意力模块可以计算当前时间步中s_j和h_i的相关度，第一语义特征向量中每个向量均对应一个相关度。其中，相关度的计算公式为：

e_ij表示s_j和h_i的相关度，e_ij越大表示s_j和h_i越相关。

W_a和U_a为参数矩阵，其具体数值可以根据实际情况设定，如根据训练过程中的输出结果来确定。计算相关度后，可以将当前时间步得到的所有e_ij转换成比重的形式，此时，设定e_ij对应的比重形式表示为a_ij。其中，a_ij的计算公式为：

得到当前时间步中每个e_ij对应的比重形式后，将比重形式作为对应h_i的权重，以得到当前时间步所有特征向量的加权和值，其中，加权和值也为向量形式，加权和值的计算公式为：

c_j表示当前时间步的加权和值。通过c_j可以确定当前时间步中QRS波群的语义特征的加权和值。进一步的，将c_j和s_j并联作为注意力模块在当前时间步的输出，即[c_j，s_j]为注意力模块的输出，实施例中，将注意力模块的输出记为第二语义特征向量，其包含了当前时间步预测的QRS波群位置的语义特征以及QRS波群语义特征的加权和值。

进一步的，将第二语义特征向量输入至全连接模块，以使全连接模块将c_j和s_j综合起来，以解码得到当前时间步的QRS波群位置。其中，全连接模块的参数可以根据实际情况设定，如通过训练过程中的输出结果设定。得到QRS波群位置后可以认为当前时间步的处理过程结束，并开始新的时间步处理过程，此时，得到的QRS波群位置以及第二长短期记忆网络模块的隐藏状态作为新的时间步中第二长短期记忆网络模块的输入，并重复执行上述过程。可以理解，将各时间步得到的QRS波群位置组成的序列便可以认为得到的QRS波群在导联心电信号序列中的位置信息。参考图6，前一时间步得到的QRS波群位置为150，当前时间步得到的QRS波群位置为500，后一时间步得到的QRS波群位置为850，此时，得到的序列[150、500、850]为QRS波群在导联心电信号序列中的位置信息。

可以理解，图6中以3个时间步为例进行描述，并非是对时间步数量的限定。实际应用中，时间步的数量根据解码神经网络模型运行过程决定，即当解码神经网络模型自动停止运行(如全连接模块解码到终止符号)时，时间步的计数同步停止。

需说明，上述解码神经网络模型的具体结构可以实际情况更改，实施例不作限定，例如，结合实际情况将第二长短期记忆网络模块替换为门递归单元。

一个实施例中，针对第一个时间步而言，其无法从上一个时间步获取第二长短期记忆网络模块的输入，因此，实施例中设定，第二长短期记忆网络模块在初始时间步中输入的第一隐藏状态通过所述第一长短期记忆网络模块的第二隐藏状态得到，所述第二隐藏状态为所述第一长短期记忆网络模块在最后一个时间步得到的隐藏状态；所述第二长短期记忆网络模块在初始时间步中输入的QRS波群位置信息为预设的初始向量信息。

其中，初始时间步可以理解为解码神经网络模型中第一个时间步。此时，输入第二长短期记忆网络模块的第一隐藏状态可以是编码神经网络模型中第一长短期记忆网络模块在最后一个时间步得到的隐藏状态，实施例中将第一长短期记忆网络模块在最后一个时间步得到的隐藏状态记为第二隐藏状态。即在初始时间步中，将编码神经网络模型中的第二隐藏状态输入至第二长短期记忆网络模块中作为第二长短期记忆网络模块的初始状态。可以理解，由于第一长短期记忆网络模块包括第一长短期记忆网络和第二长短期记忆网络，因此，第二隐藏状态可以包含两个长短期记忆网络的隐藏状态，此时，可以将两个隐藏状态相加后输入至第二长短期记忆网络模块。

进一步的，初始时间步中，无法得到上一时间步的QRS波群位置信息，因此，可以设定一个初始向量信息，并将初始向量信息当作上一时间步的QRS波群位置信息输入至第二长短期记忆网络模块。其中，初始向量信息的具体内容可以根据实际情况设定。一个实施例中，可以通过全连接模块得到初始向量信息，此时，设定一个初始数值作为起始符号，初始数值可以根据实际情况设定，例如，将0作为起始符号。之后，将起始符号输入至全连接模块，以使全连接模块基于起始符号确定初始向量信息，并输入至第二长短期记忆网络模块，此时，解码神经网络模型开始进行解码工作。

一个实施例中，当全部QRS波群位置信息均被全连接模块解码得到后，需要使得解码神经网络模型停止解码。据此，实施例中设定，所述全连接模块解码所述第二语义特征向量得到终止符号时，所述解码神经网络模型停止解码，并将所述全连接模块输出的全部QRS波群位置信息作为解码得到的QRS波群在所述导联心电信号序列中的位置信息。

具体的，针对当前时间步而言，若上一时间步中已经得到最后一个QRS波群位置信息，那么，当前时间步中将最后一个QRS波群位置信息输入至第二长短期记忆网络模块进行处理时，注意力模块得到的第二语义特征向量输入至全连接模块后，会得到一个终止符号，其中，终止符号可以理解为非QRS波群位置数据，当全连接模块解码得到终止符号时，解码神经网络模型停止工作，并将当前得到的全部QRS波群位置信息组成的序列作为QRS波群在导联心电信号序列中的位置信息。例如，全连接模块解码得到一个负数，那么，可以确定解码结束，并将QRS波群位置信息组成序列的形式输出，作为解码神经网络模型得到的输出结果。

下面对本实施例提供的QRS波群位置确定方法进行示例性描述，具体的，图7为本申请实施例提供的数据流向示意图，参考图7，导联心电信号序列输入至编码神经网络模型，编码神经网络模型中的卷积神经网络基于导联心电信号序列提取包含语义信息的单通道特征图，之后，双向长短期记忆网络基于单通道特征图切分后的特征信号得到第一语义特征向量。将第一语义特征向量作为解码神经网络模型的输入，并将编码过程的最后时间步中双向长短期记忆网络的第二隐藏状态输入至解码神经网络模型的长短时记忆网络中作为初始状态，同时输入起始符号0，之后，解码神经网络模型对第一语义特征向量进行解码，以得到QRS波群的位置信息。

上述，通过获取导联心电信号序列，利用卷积神经网络模块提取导联心电信号序列中包含语义信息的单通道特征图，之后，对单通道特征图进行切分，并将切分后得到的多个特征信号依次输入至第一长短期记忆网络模块，以得到导联心电信号序列的第一语义特征向量，进一步的，将第一语义特征向量输入至注意力模块，同时，将第一长短期记忆网络模块最后一个时间步的隐藏状态输入至第二长短期记忆网络模块作为初始状态，之后，通过注意力模块、第二长短期记忆网络模块和全连接模块实现解码，以得到QRS波群在导联心电信号序列中的位置信息的技术手段，解决了现有技术中通过手工设计特征使得QRS波群的检测抗噪能力弱的技术问题。利用机器学习的方式构建编码神经网模型和解码神经网络模型，可以实现QRS波群的自动检测，并且，训练得到的模型无需手工设计特征，具有较优的性能、较好的泛化能力以及较强的抗噪能力，可以精准识别到ORS波群的位置。同时，编码神经网络模型中采用双向长短期记忆网络可以利用过去时刻和未来时刻的信息，会提高第一语义特征向量的准确性，同时，采用注意力机制重点学习第一语义特征向量中比较重要的部分(即表示QRS波群的语义特征)，可以保证最终QRS波群的位置信息的准确性。

图8为本申请一个实施例提供的一种QRS波群位置确定装置的结构示意图。参考图8，该QRS波群位置确定装置包括：获取模块301、编码模块302以及解码模块303。

其中，获取模块301，用于获取导联心电信号序列，所述导联心电信号序列包括至少一个QRS波群；编码模块302，用于利用编码神经网络模型对所述导联心电信号序列进行编码，以得到所述导联心电信号序列的第一语义特征向量；解码模块303，用于利用解码神经网络模型对所述第一语义特征向量进行解码，以得到QRS波群在所述导联心电信号序列中的位置信息。

上述，通过构建编码神经网络模型，并利用编码神经网络模型对导联心电信号序列进行编码，以得到导联心电信号序列的第一语义特征向量，并通过构建解码神经网络模型，且利用解码神经网络模型解码第一语义特征向量，以确定QRS波群在导联心电信号序列中的位置信息的技术手段，解决了现有技术中通过手工设计特征使得QRS波群的检测抗噪能力弱的技术问题。利用机器学习的方式构建编码神经网络模型和解码神经网络模型，可以实现QRS波群的自动检测，并且，训练得到的模型无需手工设计特征，具有较优的性能、较好的泛化能力以及较强的抗噪能力，可以精准识别到ORS波群的位置。

在上述实施例的基础上，所述编码神经网络模型由卷积神经网络模块和第一长短期记忆网络模块组成。相应的，编码模块302包括：特征提取单元，用于将所述导联心电信号序列输入至所述卷积神经网络模块，以提取包含语义信息的单通道特征图；特征切分单元，用于将所述包含语义信息的单通道特征图切分成多个特征信号，每个特征信号对应一个时间步；特征编码单元，用于将多个所述特征信号依次输入至所述第一长短期记忆网络模块，以得到所述导联心电信号序列的第一语义特征向量。

在上述实施例的基础上，所述卷积神经网络模块由第一卷积层、串联的四个残差块和第二卷积层组成；所述第一卷积层后接有串联的四个残差块，所述串联的四个残差块后接有所述第二卷积层。

在上述实施例的基础上，所述第一长短期记忆网络模块由双向长短期记忆网络组成，所述双向长短期记忆网络包括第一长短期记忆网络和第二长短期记忆网络。相应的，特征切分单元具体用于：将所述包含语义信息的单通道特征图按照时间顺序切分成多个第一特征信号，以及将所述包含语义信息的单通道特征图按照时间逆序切分成多个第二特征信号。特征编码单元包括：第一输入子单元，用于将多个所述第一特征信号依次输入至第一长短期记忆网络，以得到所述第一长短期记忆网络的第一编码结果；第二输入子单元，用于将多个所述第二特征信号依次输入至第二长短期记忆网络，以得到所述第二长短期记忆网络的第二编码结果；特性确定子单元，用于根据所述第一编码结果和所述第二编码结果得到所述导联心电信号序列的第一语义特征向量。

在上述实施例的基础上，所述解码神经网络模型由全连接模块、第二长短期记忆网络模块和注意力模块组成。所述注意力模块的输入包括所述第一语义特征向量和所述第二长短期记忆网络模块当前时间步的输出结果；所述全连接模块的输入为当前时间步中所述注意力模块输出的第二语义特征向量，所述第二语义特征向量是由所述注意力模块计算所述第一语义特征向量和所述输出结果之间的相关度得到；所述第二长短期记忆网络模块的输入包括第一隐藏状态和上一时间步中所述全连接模块输出的QRS波群位置信息，所述第一隐藏状态为上一时间步中所述第二长短期记忆网络模块输出的隐藏状态，所述QRS波群位置信息是由所述全连接模块解码所述第二语义特征向量得到。

在上述实施例的基础上，所述第二长短期记忆网络模块在初始时间步中输入的第一隐藏状态通过所述第一长短期记忆网络模块的第二隐藏状态得到，所述第二隐藏状态为所述第一长短期记忆网络模块在最后一个时间步得到的隐藏状态；所述第二长短期记忆网络模块在初始时间步中输入的QRS波群位置信息为预设的初始向量信息。

在上述实施例的基础上，所述全连接模块解码所述第二语义特征向量得到终止符号时，所述解码神经网络模型停止解码，并将所述全连接模块输出的全部QRS波群位置信息作为解码得到的QRS波群在所述导联心电信号序列中的位置信息。

本实施例提供的QRS波群位置确定装置包含在QRS波群位置确定设备中，且可用于执行上述任意实施例提供的QRS波群位置确定方法，具备相应的功能和有益效果。

值得注意的是，上述QRS波群位置确定装置的实施例中，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9为本申请一个实施例提供的一种QRS波群位置确定设备的结构示意图。如图9所示，该QRS波群位置确定设备包括处理器40、存储器41、输入装置42以及输出装置43；QRS波群位置确定设备中处理器40的数量可以是一个或多个，图9中以一个处理器40为例；QRS波群位置确定设备中的处理器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9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QRS波群位置确定方法对应的程序指令/模块(例如，QRS波群位置确定装置中的获取模块301、编码模块302和解码模块303)。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QRS波群位置确定设备的各种功能应用以及数据处理，即实现上述的QRS波群位置确定方法。

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QRS波群位置确定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QRS波群位置确定设备。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QRS波群位置确定设备的用户设置以及功能控制有关的键信号输入，还包括采集导联心电信号序列有关的电极及导线。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QRS波群位置确定设备可以用于执行任意实施例提供的QRS波群位置确定方法，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QRS波群位置确定方法，该方法包括：

获取导联心电信号序列，所述导联心电信号序列中包括至少一个QRS波群；

利用编码神经网络模型对所述导联心电信号序列进行编码，以得到所述导联心电信号序列的第一语义特征向量；

利用解码神经网络模型对所述第一语义特征向量进行解码，以得到QRS波群在所述导联心电信号序列中的位置信息。

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QRS波群位置确定方法中的相关操作。

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 (9)

1.一种QRS波群位置确定方法，其特征在于，包括：

获取导联心电信号序列，所述导联心电信号序列包括至少一个QRS波群；

利用编码神经网络模型对所述导联心电信号序列进行编码，以得到所述导联心电信号序列的第一语义特征向量；

利用解码神经网络模型对所述第一语义特征向量进行解码，以得到QRS波群在所述导联心电信号序列中的位置信息；

所述编码神经网络模型由卷积神经网络模块和第一长短期记忆网络模块组成；

所述利用编码神经网络模型对所述导联心电信号序列进行编码，以得到所述导联心电信号序列的第一语义特征向量包括：

将所述导联心电信号序列输入至所述卷积神经网络模块，以提取包含语义信息的单通道特征图；

将所述包含语义信息的单通道特征图切分成多个特征信号，每个特征信号对应一个时间步；

将多个所述特征信号依次输入至所述第一长短期记忆网络模块，以得到所述导联心电信号序列的第一语义特征向量；

所述解码神经网络模型由全连接模块、第二长短期记忆网络模块和注意力模块组成。

2.根据权利要求1所述的QRS波群位置确定方法，其特征在于，所述卷积神经网络模块由第一卷积层、串联的四个残差块和第二卷积层组成；

所述第一卷积层后接有串联的四个残差块，所述串联的四个残差块后接有所述第二卷积层。

3.根据权利要求1所述的QRS波群位置确定方法，其特征在于，所述第一长短期记忆网络模块由双向长短期记忆网络组成，所述双向长短期记忆网络包括第一长短期记忆网络和第二长短期记忆网络；

所述将所述包含语义信息的单通道特征图切分成多个特征信号包括：

将所述包含语义信息的单通道特征图按照时间顺序切分成多个第一特征信号，以及将所述包含语义信息的单通道特征图按照时间逆序切分成多个第二特征信号；

所述将多个所述特征信号依次输入至所述第一长短期记忆网络模块，以得到所述导联心电信号序列的第一语义特征向量包括：

将多个所述第一特征信号依次输入至第一长短期记忆网络，以得到所述第一长短期记忆网络的第一编码结果；

将多个所述第二特征信号依次输入至第二长短期记忆网络，以得到所述第二长短期记忆网络的第二编码结果；

根据所述第一编码结果和所述第二编码结果得到所述导联心电信号序列的第一语义特征向量。

4.根据权利要求1所述的QRS波群位置确定方法，其特征在于，

所述注意力模块的输入包括所述第一语义特征向量和所述第二长短期记忆网络模块当前时间步的输出结果；

所述全连接模块的输入为当前时间步中所述注意力模块输出的第二语义特征向量，所述第二语义特征向量是由所述注意力模块计算所述第一语义特征向量和所述输出结果之间的相关度得到；

所述第二长短期记忆网络模块的输入包括第一隐藏状态和上一时间步中所述全连接模块输出的QRS波群位置信息，所述第一隐藏状态为上一时间步中所述第二长短期记忆网络模块输出的隐藏状态，所述QRS波群位置信息是由所述全连接模块解码所述第二语义特征向量得到。

5.根据权利要求4所述的QRS波群位置确定方法，其特征在于，所述第二长短期记忆网络模块在初始时间步中输入的第一隐藏状态通过所述第一长短期记忆网络模块的第二隐藏状态得到，所述第二隐藏状态为所述第一长短期记忆网络模块在最后一个时间步得到的隐藏状态；所述第二长短期记忆网络模块在初始时间步中输入的QRS波群位置信息为预设的初始向量信息。

6.根据权利要求4所述的QRS波群位置确定方法，其特征在于，所述全连接模块解码所述第二语义特征向量得到终止符号时，所述解码神经网络模型停止解码，并将所述全连接模块输出的全部QRS波群位置信息作为解码得到的QRS波群在所述导联心电信号序列中的位置信息。

7.一种QRS波群位置确定装置，其特征在于，包括：

获取模块，用于获取导联心电信号序列，所述导联心电信号序列包括至少一个QRS波群；

编码模块，用于利用编码神经网络模型对所述导联心电信号序列进行编码，以得到所述导联心电信号序列的第一语义特征向量；

解码模块，用于利用解码神经网络模型对所述第一语义特征向量进行解码，以得到QRS波群在所述导联心电信号序列中的位置信息；

所述编码神经网络模型由卷积神经网络模块和第一长短期记忆网络模块组成；

所述编码模块包括：特征提取单元，用于将所述导联心电信号序列输入至所述卷积神经网络模块，以提取包含语义信息的单通道特征图；特征切分单元，用于将所述包含语义信息的单通道特征图切分成多个特征信号，每个特征信号对应一个时间步；特征编码单元，用于将多个所述特征信号依次输入至所述第一长短期记忆网络模块，以得到所述导联心电信号序列的第一语义特征向量；

所述解码神经网络模型由全连接模块、第二长短期记忆网络模块和注意力模块组成。

8.一种QRS波群位置确定设备，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1-6中任一所述的QRS波群位置确定方法。

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QRS波群位置确定方法。

Images