CN111956203A - 心电信号参数化方法、模型训练方法、装置、设备及介质 - Google Patents
心电信号参数化方法、模型训练方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111956203A CN111956203A CN202010833864.7A CN202010833864A CN111956203A CN 111956203 A CN111956203 A CN 111956203A CN 202010833864 A CN202010833864 A CN 202010833864A CN 111956203 A CN111956203 A CN 111956203A
- Authority
- CN
- China
- Prior art keywords
- wave signal
- electrocardiosignal
- characteristic wave
- sample
- position information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000012549 training Methods 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 137
- 238000012545 processing Methods 0.000 claims description 43
- 230000000747 cardiac effect Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000001629 suppression Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 9
- 238000012888 cubic function Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 101100268446 Pseudomonas putida (strain ATCC 47054 / DSM 6125 / CFBP 8728 / NCIMB 11950 / KT2440) proR gene Proteins 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种心电信号参数化方法、模型训练方法、装置、设备及介质，通过将心电信号中的特征波信号参数化为包括多个关键点的相对位置信息的不同维度的参数，从而可以直接利用这些参数区分析心电信号，临床可解释性好。在后续需要重构心电信号时，只需根据关键点确定特征波信号的波形，并根据这些参数调整各特征波信号得到重构信号。由于无需存储原始的心电图，只需存储参数向量序列，因此，存储的数据量大幅减少，存储成本大幅降低。
Description
技术领域
本发明实施例涉及心电技术领域，尤其涉及一种心电信号参数化方法、模型训练方法、装置、设备及介质。
背景技术
随着社会向老龄化发展，心血管疾病的发病率和危害性不断上升。心电图作为一种常规的体检项目，对心血管疾病的诊断和监测具有重要意义。在临床医学中，医生主要通过观察心电波形和测量某些关键参数来进行疾病诊断。因此，需要一种能够快速、准确地提取心电图的波形信息和测量关键参数的心电分析方法来帮助医生工作。
现有的心电分析方法，通常采用基于深度学习的端到端方法，得到心电信号可能存在异常的概率。对基于深度学习的分析方法而言，虽然其性能较好，但通用性和临床可解释性一直都是该方法的短板。且现有的方法需要存储的心电图数据量庞大，数据存储成本较高。
发明内容
本发明提供一种心电信号参数化方法、模型训练方法、装置、设备及介质，能够减小存储的数据量，降低存储成本，且心电信号参数化后临床可解释性好。
第一方面，本发明实施例提供了一种心电信号参数化方法，包括：
获取心电信号，所述心电信号包括多个特征波信号；
确定心电信号参数化模型，所述心电参数化模型的模型参数包括用于重构所述心电信号的多个关键点的相对位置信息；
将所述心电信号输入所述心电信号参数化模型进行处理，得到所述心电信号的参数向量序列，所述参数向量序列包括多个用于表征所述特征波信号的参数向量，所述参数向量包括所述关键点的相对位置信息。
第二方面，本发明实施例还提供了一种心电信号参数化模型训练方法，包括：
获取心电信号样本，所述心电信号样本包括多个特征波信号样本；
确定心电信号参数化模型，所述心电参数化模型的模型参数包括用于重构所述心电信号样本的多个关键点的相对位置信息；
将所述心电信号样本输入所述心电信号参数化模型进行处理，得到所述心电信号样本的参数向量序列，所述参数向量序列包括多个用于表征所述特征波信号样本的参数向量，所述参数向量包括所述关键点的相对位置信息；
根据所述参数向量序列重构所述心电信号样本，得到重构信号样本；
计算所述心电信号样本与所述重构信号样本的误差；
根据所述误差更新所述心电参数化模型中所述关键点的相对位置信息。
第三方面，本发明实施例还提供了一种心电信号参数化装置，包括：
心电信号获取模块，用于获取心电信号，所述心电信号包括多个特征波信号；
参数化模型确定模块，用于确定心电信号参数化模型，所述心电参数化模型的模型参数包括用于重构所述心电信号的多个关键点的相对位置信息；
参数化处理模块，用于将所述心电信号输入所述心电信号参数化模型进行处理，得到所述心电信号的参数向量序列，所述参数向量序列包括多个用于表征所述特征波信号的参数向量，所述参数向量包括所述关键点的相对位置信息。
第四方面，本发明实施例还提供了一种心电信号参数化模型训练装置，包括：
样本获取模块，用于获取心电信号样本，所述心电信号样本包括多个特征波信号样本；
参数化模型确定模块，用于确定心电信号参数化模型，所述心电参数化模型的模型参数包括用于重构所述心电信号样本的多个关键点的相对位置信息；
参数化处理模块，用于将所述心电信号样本输入所述心电信号参数化模型进行处理，得到所述心电信号样本的参数向量序列，所述参数向量序列包括多个用于表征所述特征波信号样本的参数向量，所述参数向量包括所述关键点的相对位置信息；
重构模块，用于根据所述参数向量序列重构所述心电信号样本，得到重构信号样本；
误差计算模块，用于计算所述心电信号样本与所述重构信号样本的误差；
关键点更新模块，用于根据所述误差更新所述心电参数化模型中所述关键点的相对位置信息。
第五方面，本发明实施例还提供了一种计算机设备，包括：
一个或多个处理器；
存储装置，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本发明第一方面提供的心电信号参数化方法，或实现如本发明第二方面提供的心电信号参数化模型训练方法。
第六方面，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本发明第一方面提供的心电信号参数化方法，或实现如本发明第二方面提供的心电信号参数化模型训练方法。
本发明实施例提供的心电信号参数化方法，包括：获取心电信号，心电信号包括多个特征波信号；确定心电信号参数化模型，心电参数化模型的模型参数包括用于重构心电信号的多个关键点的相对位置信息；将心电信号输入心电信号参数化模型进行处理，得到心电信号的参数向量序列，参数向量序列包括多个用于表征特征波信号的参数向量，参数向量包括关键点的相对位置信息。通过将心电信号中的特征波信号参数化为包括多个关键点的相对位置信息的不同维度的参数，从而可以直接利用这些参数区分析心电信号，临床可解释性好。在后续需要重构心电信号时，只需根据关键点确定特征波信号的波形，并根据这些参数调整各特征波信号得到重构信号。由于无需存储原始的心电图，只需存储参数向量序列，因此，存储的数据量大幅减少，存储成本大幅降低。
附图说明
图1A为本发明实施例一提供的一种心电信号参数化方法的流程图；
图1B为本发明实施例一提供的一个心电信号的结构图；
图2A是本发明实施例二提供的一种心电信号参数化方法的流程图；
图2B为本发明实施例提供的生成标准化的特征波信号模板的示意图；
图2C为本发明实施例提供的一种确定匹配度序列中的极大值的示意图；
图3为本发明实施例三提供的一种心电信号参数化模型训练方法的流程图；
图4为本发明实施例四提供的一种心电信号参数化模型训练方法的流程图；
图5为本发明实施例五提供的一种心电信号参数化装置的结构示意图；
图6为本发明实施例六提供的一种心电信号参数化模型训练装置的结构示意图；
图7为本发明实施例七提供的一种计算机设备的结构示意图。
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仅仅用于解释本发明，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。
实施例一
图1A为本发明实施例一提供的一种心电信号参数化方法的流程图，本实施例可适用于将心电信号参数化的情况，该方法可以由本发明实施例提供的心电信号参数化装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于计算机设备中。如图1A所示，该方法具体包括如下步骤：
S101、获取心电信号，心电信号包括多个特征波信号。
具体的，心脏在搏动前后，心肌发生激动。在心肌激动过程中，会产生微弱的生物电流。这样，心脏的每一个心动周期均伴随着生物电变化。这种生物电变化可传达到身体表面的各个部位。由于身体各部分组织不同，距心脏的距离不同，心电信号在身体不同的部位所表现出的电位也不同。对正常心脏来说，这种生物电变化的方向、频率、强度是有规律的。若通过电极将体表不同部位的电信号检测出来，再用放大器加以放大，并用记录器描记下来，就可得到心电图(Electrocardiogram，ECG)。
心电图是心脏在每个心动周期中，由起搏点、心房、心室相继兴奋，伴随着生物电的变化，通过心电描记器从体表引出多种形式的电位变化的图形。由于心脏的每次跳动是有规律的，因此心电图中的波形图也是有规律的。心电图中可以完整代表心脏一次心动周期的波形图被称为一个心拍信号。一个ECG记录通常包含上十万个心拍信号，在本发明实施例中，从ECG记录截取至少一个连续的心拍作为心电信号。具体的，心电图可以从用户的心电体检结果中获取。
图1B为本发明实施例一提供的一个心电信号的结构图，参考图1B可见，该心电信号包括一个心拍，一个心拍包括多个特征波信号，例如P波、Q波、R波、S波和T波。通过检测P波、Q波、R波、S波和T波中的一个或多个波的特征，可以在心电图中确定该心电信号。其中，横轴为时间轴，以时间为单位，纵轴为心电信号的强度，以电压来表征。在临床中通常将心电信号中T波和S波之间平直段(TS段)延长得到时间轴。
S102、确定心电信号参数化模型，心电参数化模型的模型参数包括用于重构心电信号的多个关键点的相对位置信息。
具体的，在本发明实施例中，心电信号参数化模型用于将心电信号参数化，得到用于表征心电信号的不同维度的参数。示例性的，在本发明一具体实施例中，上述参数可以包括心电信号中各特征波信号的幅值、相对于时间轴的偏置、位置信息和用于在后续重构该特征波信号的过程中决定该特征波信号的形状的关键点的相对位置信息等，本发明实施例对表征心电信号的参数类型不做限定，在本发明的其他实施例中，也可以是其他不同维度的参数。
心电参数化模型的模型参数包括用于重构心电信号的多个关键点的相对位置信息，关键点的相对位置信息可以通过大量心电信号样本训练心电参数化模型进行优化。具体的，在本发明具体实施例中，针对每一特征波信号设置有多个(例如5个)关键点，相邻的两个关键点在横轴上具有相同的间距，通过各关键点的纵坐标，即可确定多个关键点的相对位置信息。
S103、将心电信号输入心电信号参数化模型进行处理，得到心电信号的参数向量序列。
参数向量序列包括多个用于表征特征波信号的参数向量，参数向量包括关键点的相对位置信息。
具体的，将心电信号输入心电信号参数化模型进行处理，得到用于表征特征波信号的参数，并将上述参数组织成向量的形式，得到用于表征该特征波信号的参数向量。将各特征波信号的参数向量按照心电信号中特征波信号的时间顺序排列，得到用于表征心电信号的参数向量序列。
其中，特征波信号的参数向量的参数包括多个关键点的相对位置信息。多个关键点用于在重构心电信号过程中，确定特征波信号的波形。具体的，在本发明具体实施例中，针对每一特征波信号设置有多个(例如5个)关键点，相邻的两个关键点在横轴上具有相同的间距，通过各关键点在纵轴上的位置，即可确定多个关键点的相对位置信息。
在后续应用过程中，如需要使用该心电信号，只需根据关键点确定特征波信号的波形，然后根据参数向量中的参数调整特征波信号，例如调整特征波信号的幅值、相对时间轴的偏置、以及在时间轴上的位置等，就能重构该心电信号。由于无需存储原始的心电图，只需存储参数向量序列，因此，存储的数据量大幅减少，存储成本大幅降低。此外，通过将心电信号参数化，从而可以直接利用这些参数分析心电信号，临床可解释性好。
本发明实施例提供的心电信号参数化方法，包括：获取心电信号，心电信号包括多个特征波信号；确定心电信号参数化模型，心电参数化模型的模型参数包括用于重构心电信号的多个关键点的相对位置信息；将心电信号输入心电信号参数化模型进行处理，得到心电信号的参数向量序列，参数向量序列包括多个用于表征特征波信号的参数向量，参数向量包括关键点的相对位置信息。通过将心电信号中的特征波信号参数化为包括多个关键点的相对位置信息的不同维度的参数，从而可以直接利用这些参数区分析心电信号，临床可解释性好。在后续需要重构心电信号时，只需根据关键点确定特征波信号的波形，并根据这些参数调整各特征波信号得到重构信号。由于无需存储原始的心电图，只需存储参数向量序列，因此，存储的数据量大幅减少，存储成本大幅降低。
实施例二
本发明实施例二提供了一种心电信号参数化方法，图2A是本发明实施例二提供的一种心电信号参数化方法的流程图，本实施例在上述实施例一的基础上进行细化，详细描述了心电信号参数化模型的处理过程，如图2A所示，该方法包括如下步骤：
S201、获取心电信号，心电信号包括多个特征波信号。
具体的，在本发明一具体实施例中，一个心电信号包括一个心拍，一个心拍包括多个特征波信号，例如P波、Q波、R波、S波和T波。通过检测P波、Q波、R波、S波和T波中的一个或多个波的特征，可以在心电图中确定该心电信号。
具体的，在本发明的一些实施例中，步骤S201可以包括如下步骤：
获取心电图(ECG)信号。心电图信号可以来自体检结果，通过电极将体表不同部位的电信号检测出来，通过模拟电路对采集的信号进行阻抗匹配、过滤、放大等处理。然后由模数转换器把人体生理参数的模拟信号转化为数字信号，由存储器存储。示例性的，该心电图信号可以是单导联心电图信号，或者多导联心电图信号，单导联电图信号即采集身体一个部位的电信号得到的心电图信号，多导联心电图信号即为采集身体多个部位的电信号得到的心电图信号。本发明实施例对心电图信号的类型不做限定。
心电图信号是在体表由电极测的低幅低频微弱生理电信号，其幅度通常在0.1mv-5mv之间，能量集中在0.5Hz-40Hz范围内，非常容易受到环境的影响，心电图机通过电极直接采集和记录的心电信号经常会受到各种噪声干扰，常见的干扰有肌电干扰、基线漂移和工频干扰等。如果直接用这些原始信号去做心电图分类，会因为噪声的存在，降低分类的准确率。所以在对心电图信号进行处理前，一般需要对原始信号先进行滤波操作。本发明实施例中，对心电图信号进行滤波，得到第一信号。具体的，通过截止频率0.5Hz，30Hz，40阶的带通滤波器对心电图信号进行滤波处理，去除低频噪声和工频噪声的干扰，得到第一信号。
对第一信号重采样，得到预设采样频率(例如250Hz)的第二信号。
将第二信号切割为预设长度(例如10s)的多个第三信号。具体的，每个心拍，其中包括preR段(从给定心拍到给定心拍和先前心拍的中点)和proR段(从给定心拍到给定心拍和随后的心拍的中点)。将preR片段和proR片段的长度设为0.1s，如果截取的段的长度超过预设长度，则执行截断。如果截取的段的长度短于预设长度，则将执行零填充。
对第三信号归一化处理，得到心拍信号。具体的，采用z-score归一化将每个10秒片段处理成“零均值，一方差”的心拍信号，z-score的具体公式如下所示：
其中，μ为均值，σ为标准差。
S202、确定心电信号参数化模型，心电参数化模型的模型参数包括用于重构心电信号的多个关键点的相对位置信息。
具体的，心电信号参数化模型用于将心电信号参数化，得到用于表征心电信号的不同维度的参数。心电参数化模型的模型参数包括用于重构心电信号的多个关键点的相对位置信息，关键点的相对位置信息可以通过大量心电信号样本训练心电参数化模型进行优化。具体的，在本发明具体实施例中，针对每一特征波信号设置有5个关键点，相邻的两个关键点在横轴上具有相同的间距，通过各关键点在纵轴上的位置，即可确定多个关键点的相对位置信息。
S203、对多个关键点进行样条插值，生成标准化的特征波信号模板。
具体的，对每一特征波信号对应的多个关键点进行样条插值计算，得到幅值为1、均值为0，且具有预设宽度的标准化的特征波信号模板。所谓插值，是在离散数据的基础上插补连续函数，使得这条连续曲线经过全部离散点(即多个关键点)，同时也可以估计出函数在其他点的近似值。而样条插值就是每两个点(即关键点)之间确定一个函数，这个函数就是一个样条，函数不同，样条就不同。这里所说的宽度为特征波信号持续的时间长度。预设宽度为根据心电分析领域的临床先验知识设定，例如，正常P波的宽度小于0.1s，正常QRS波群宽度为0.06s-0.12s。
具体的，以心电信号中的P波为例，对生成标准化的特征波信号模板进行说明，上述步骤S203可以包括如下子步骤：
S2031、对多个关键点进行三次样条插值，生成幅值为1，均值为0的第一样条波信号。
图2B为本发明实施例提供的生成标准化的特征波信号模板的示意图，示例性的，如图2B所示，对5个关键点进行三次样条插值，生成幅值为1，均值为0的第一样条波信号。其中，相邻的两个关键点之间生成一段三次函数曲线，在关键点处，相邻的两段三次函数曲线二阶连续，即相邻的两段三次函数曲线平滑过渡。
S2032、将第一样条波信号缩放至预设宽度，得到标准化的特征波信号模板。
具体的，这里所说的宽度为特征波信号持续的时间长度。通过将第一样条波信号缩放至预设宽度，得到标准化的特征波信号模板。需要说明的是，这里所述的缩放是将第一样条波信号沿时间轴方向缩放，而在垂直于时间轴方向不变。
S204、计算特征波信号模板与特征波信号的匹配度。
具体的，匹配度用于表征特征波信号模板和特征波信号之间的误差或两者波形的相似度，匹配度越大，误差越小或相似度越大。
具体的，上述步骤S204可以包括如下子步骤：
S2041、计算特征波信号模板与特征波信号的相关系数作为匹配度序列。
相关系数用于表征特征波信号模板与特征波信号之间的相关程度。示例性的，在本发明一实施例中采用皮尔逊相关系数来表征特征波信号模板与特征波信号之间的相关程度。
具体的，从特征波信号中选取若干点，示例性的，可以是前述插值过程中插入的点。将这些点的纵坐标值与特征波信号模板上位置对应的点的纵坐标值作为两个变量X(x1，x2…xn)、Y(y1，y2…yn)，然后按照以下公式计算这两个变量的皮尔逊相关系数：
其中，pX,Y为X、Y的皮尔逊相关系数，cov(X,Y)为X、Y的协方差，δX为X的标准差，δY为Y的标准差，xu为X的平均数，yu为Y的平均数。
通过上述计算，得到两个变量X、Y之间的皮尔逊相关系数序列，皮尔逊相关系数序列包括多个皮尔逊相关系数。皮尔逊相关系数是一个介于-1和1之间的值，当两个变量的线性关系增强时，相关系数趋于1或-1。例如，当一个变量增大，另一个变量也增大时，表明它们之间是正相关的，相关系数大于0；如果一个变量增大，另一个变量却减小，表明它们之间是负相关的，相关系数小于0；如果相关系数等于0，表明它们之间不存在线性相关关系。将皮尔逊相关系数序列作为特征波信号模板与特征波信号之间的匹配度序列，每一个皮尔逊相关系数即为xi和yi的匹配度。
需要说明的是，上述通过计算特征波信号模板与特征波信号之间的皮尔逊相关系数作为匹配度序列为对本发明的示例性说明而非限定，在本发明的其他实施例中，也可以计算特征波信号模板与特征波信号之间的Cosine相似度、欧式距离的平方等方式作为匹配度序列，本发明实施例在此不再赘述。
S2042、确定匹配度序列中的极大值。
具体的，从上述匹配度序列中的各匹配度中筛选出极大值。示例性的，在本发明一实施例中，基于滑动窗口算法确定匹配度序列中的局部极大值，并对滑动窗口内的匹配度序列进行非极大值抑制。
图2C为本发明实施例提供的一种确定匹配度序列中的极大值的示意图，示例性的，如图2C所示，前述步骤中得到的匹配度序列为0.5、0.7、0.9、0.7、0.2、0.1、0.1、0.7、0.4、0.2。需要说明的是，该匹配度序列为一示例性说明，在本发明其他实施例中，匹配度序列可以包括更多的匹配度数值。
使用一个滑动窗口滑过该匹配度序列，滑动窗口的宽度至少大于两个匹配度的宽度，示例性的，在本发明实施例中，滑动窗口的宽度与标准化的特征波信号模板中的预设宽度相等。滑动窗口滑过匹配度序列上某一区域时，求出该区域中的局部极大值，同时进行非极大值抑制，降低滑动窗口内的非极大值(如降为0.1)。例如，滑动窗口经过0.7、0.4、0.2所在的区域时，确定该区域的局部极大值为0.7，并将该区域的非极大值修改为0.1。以此类推，滑过匹配度序列后得到的局部极大值序列0.1、0.1、0.9、0.1、0.1、0.1、0.1、0.7、0.1、0.1，该序列中的0.9和0.7即为找到的局部极大值。
非极大值抑制，可以提高后续确定特征波信号的位置信息过程的效率和特征波信号的位置信息的准确性。
S2043、将极大值作为特征波信号模板与特征波信号的匹配度。
具体的，从上述步骤中得到的多个局部极大值中确定极大值(0.9)，并将极大值作为特征波信号模板与特征波信号的匹配度，特征波信号模板与特征波信号的匹配度为参数化向量中的一个参数。
S205、确定特征波信号在时间轴上的位置信息。
具体的，特征波信号在时间轴上的位置信息可以是特征波信号上某一点在时间轴上的位置信息，根据该点的位置信息就能确定特征波信号在时间轴上的位置信息。
具体的，在本发明其中一个实施例中，将前述步骤中，滑动窗口在滑动过程中，会记录局部极大值的位置，并将最大的局部极大值(即0.9)所在的位置作为特征波信号的位置信息。
S206、计算特征波信号的幅值和特征波信号相对于时间轴的偏置。
具体的，特征波信号的幅值是指特征波信号的最高点与最低点之间纵坐标的差值，即指特征波信号上最大电压值与最小电压值的差值。特征波信号相对于时间轴的偏置是指特征波信号的均值所在的位置的纵坐标。
本发明实施例基于最小二乘法计算特征波信号的幅值和特征波信号相对于时间轴的偏置。具体的，设特征波信号的拟合函数为f(x)＝ax+b，取特征波信号上的若干个点，这些点的横坐标值为xi，取原信号对应位置上的点，这些点的纵坐标值为yi，对应的拟合函数的函数值为f(xi)，采用最小二乘法计算两者的差的平方和，具体公式如下：
通过迭代计算使得上式达到最小值时拟合函数f(x)的参数，即得到特征波信号的幅值a和特征波信号相对于时间轴的偏置b。
S207、基于关键点、匹配度、幅值、偏置、预设宽度以及特征波信号的位置信息确定心电信号的参数向量序列。
具体的，将上述步骤中得到的特征波信号对应的关键点的相对位置信息、匹配度、幅值、偏置、特征波信号的预设宽度以及特征波信号的位置信息整理为参数向量。其中，关键点的相对位置信息为各关键点的纵坐标(因为相邻的两个关键点在横轴上的间距是相等的)。然后按照特征波信号的位置信息的先后顺序排列参数向量，得到心电信号的参数向量序列。示例性的，参数向量序列的结构如下表所示：
| 参数向量1 | 参数向量2 | … | 参数向量N |
| 匹配度1 | 匹配度2 | … | 匹配度N |
| 位置信息1 | 位置信息2 | … | 位置信息N |
| 预设宽度1 | 预设宽度2 | … | 预设宽度N |
| 幅值1 | 幅值2 | … | 幅值N |
| 偏置1 | 偏置2 | … | 偏置N |
| 关键点11 | 关键点21 | … | 关键点N1 |
| 关键点12 | 关键点22 | … | 关键点N2 |
| … | … | … | … |
| 关键点1n | 关键点2n | … | 关键点Nn |
具体的，第一个参数向量1用于表征心电信号中的第一个特征波信号，以此类推，第N个参数向量N用于表征心电信号中的第N个特征波信号。
本发明实施例提供的心电信号参数化方法，通过将心电信号中的特征波信号参数化为包括多个关键点的相对位置信息的不同维度的参数，从而可以直接利用这些参数区分析心电信号，临床可解释性好。在后续需要重构心电信号时，只需根据关键点确定特征波信号的波形，并根据这些参数调整各特征波信号得到重构信号。由于无需存储原始的心电图，只需存储参数向量序列，因此，存储的数据量大幅减少，存储成本大幅降低。利用样条插值生成标准化的特征波信号模板，以及利用最小二乘法计算特征波信号的幅值和特征波信号相对于时间轴的偏置，相较以往直接在特征波形上测量的方法，其抗离群点干扰的能力大大提升，即使在带噪信号上也能得到较为精确的参数结果。
实施例三
图3为本发明实施例三提供的一种心电信号参数化模型训练方法的流程图，本实施例可用于本发明上述实施例提供的心电参数化模型训练，以优化模型中关键点的相对位置信息，该方法可以由本发明实施例提供的心电参数化模型训练装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于计算机设备中。如图3所示，该方法具体包括如下步骤：
S301、获取心电信号样本，心电信号样本包括多个特征波信号样本。
具体的，心电信号样本为用于训练心电信号参数化模型的心电信号，心电信号样本可从其它相应体检结果中获取，也可以选择从现有的数据库例如从欧共体心电图波形数据库(CSE)中获取。具体的，从数据库中获取ECG样本，ECG样本中从第一个心拍信号开始，截取连续的预设数量(至少一个)的心拍信号，以此类推，将ECG分割成多组心电信号样本，当最后一组心电信号样本的心拍信号的数量少于预设数量时，将执行零填充。具体的，对心电信号样本的处理与前述实施例中对心电信号的处理类似，本发明实施例在此不再赘述。
S302、确定心电信号参数化模型，心电参数化模型的模型参数包括用于重构心电信号样本的多个关键点的相对位置信息。
具体的，心电信号参数化模型用于将心电信号参数化，得到用于表征心电信号的不同维度的参数。心电参数化模型的模型参数包括用于重构心电信号的多个关键点的相对位置信息，关键点的相对位置信息可以通过大量心电信号样本训练心电参数化模型进行优化。具体的，在本发明具体实施例中，针对每一特征波信号设置有5个关键点，相邻的两个关键点在横轴上具有相同的间距，通过各关键点在纵轴上的位置，即可确定多个关键点的相对位置信息。刚建立模型时，关键点的相对位置信息为随机生成的，即随机生成关键点的纵坐标的值。
示例性的，本实施例中，心电参数化模型包括模板生成模块、匹配度计算模块和幅值、偏置计算模块。具体的，模板生成模块用于对关键点进行样条插值计算，生成特征波信号模板；匹配度计算模块用于计算特征波信号模板与特征波信号样本的匹配度；幅值、偏置计算模块用于计算特征波信号样本的幅值和相对于时间轴的偏置。
S303、将心电信号样本输入心电信号参数化模型进行处理，得到心电信号样本的参数向量序列。
具体的，在本发明实施例中，心电信号参数化模型用于将心电信号样本参数化，得到用于表征心电信号样本的不同维度的参数。
参数向量序列包括多个用于表征特征波信号样本的参数向量，参数向量包括关键点的相对位置信息。
具体的，心电信号参数化模型对心电信号样本的处理过程可以参考本发明前述实施例中心电信号参数化模型对心电信号的处理过程，在此不再赘述。
S304、根据参数向量序列重构心电信号样本，得到重构信号样本。
具体的，将参数向量序列中的各参数向量重构，得到重构的特征波信号样本，并将重构的特征波信号样本按照时间的先后顺序进行拼接，得到重构信号样本。
S305、计算心电信号样本与重构信号样本的误差。
具体的，从心电信号样本中选取若干点，计算这些点的纵坐标值与重构信号样本上位置对应的点的纵坐标值的均方误差。示例性的，假设心电信号样本中采样点的纵坐标值为
重构信号样本上对应的采样点的纵坐标值为yi，则通过计算心电信号样本与重构信号样本的均方误差作为两则的误差，计算公式如下：
需要说明的是，本实施例中通过计算心电信号样本与重构信号样本的均方误差作为两者的误差，在本发明其他实施例中，也可以通过计算心电信号样本与重构信号样本的均方根误差、平均绝对误差作为两者的误差，本发明实施例在此不做限定。
S306、根据误差更新心电参数化模型中关键点的相对位置信息。
具体的，将得到的误差与预设误差进行比较，当计算得到的误差大于预设误差时，对心电信号参数化模型中的关键点的相对位置信息进行更新，并返回执行S301、获取心电信号样本的步骤，如此重复，直至计算得到的误差小于或等于预设误差时，确定心电参数化模型训练完成。
在更新关键点的相对位置信息时，由于相邻的两个关键点在在横轴上具有相同的间距且恒定不变，只需要更新关键点的纵坐标值即可。
具体的，以关键点的纵坐标值作为是需要优化的参数，计算得到的误差作为目标函数，然后用梯度下降法寻找使得误差小于或等于预设误差的关键点的纵坐标值。
本发明实施例提供的心电参数化模型训练方法，包括：获取心电信号样本，心电信号样本包括多个特征波信号样本；确定心电信号参数化模型，心电参数化模型的模型参数包括用于重构心电信号样本的多个关键点的相对位置信息；将心电信号样本输入心电信号参数化模型进行处理，得到心电信号样本的参数向量序列，参数向量序列包括多个用于表征特征波信号样本的参数向量，参数向量包括关键点的相对位置信息；根据参数向量序列重构心电信号样本，得到重构信号样本；计算心电信号样本与重构信号样本的误差；根据误差更新心电参数化模型中关键点的相对位置信息。本发明实施例中，心电信号样本无需标注，使用无标注的心电信号样本进行自监督训练，节省了标注成本。
实施例四
图4为本发明实施例四提供的一种心电信号参数化模型训练方法的流程图，本实施例在上述实施例三的基础上进行细化，详细描述了根据参数向量序列重构心电信号样本，得到重构信号样本的具体过程，如图4所示，该方法包括如下步骤：
S401、获取心电信号样本，所述心电信号样本包括多个特征波信号样本。
具体的，心电信号样本的获取过程在前述实施例中已有详细记载，本发明实施例在此不再赘述。
S402、确定心电信号参数化模型，心电参数化模型的模型参数包括用于重构心电信号样本的多个关键点的相对位置信息。
具体的，心电信号参数化模型用于将心电信号参数化，得到用于表征心电信号的不同维度的参数。心电参数化模型的模型参数包括用于重构心电信号的多个关键点的相对位置信息，关键点的相对位置信息可以通过大量心电信号样本训练心电参数化模型进行优化。
示例性的，本实施例中，心电参数化模型包括模板生成模块、匹配度计算模块和幅值、偏置计算模块。具体的，模板生成模块用于对关键点进行样条插值计算，生成特征波信号模板；匹配度计算模块用于计算特征波信号模板与特征波信号样本的匹配度；幅值、偏置计算模块用于计算特征波信号样本的幅值和相对于时间轴的偏置。
S403、将心电信号样本输入心电信号参数化模型进行处理，得到心电信号样本的参数向量序列。
参数向量序列包括多个用于表征特征波信号样本的参数向量，参数向量包括关键点的相对位置信息。
具体的，心电信号参数化模型对心电信号样本的处理过程可以参考本发明前述实施例中心电信号参数化模型对心电信号的处理过程，在此不再赘述。
其中，参数向量包括：关键点的相对位置信息、匹配度、幅值、偏置、预设宽度以及特征波信号样本的位置信息。
S404、对每一参数向量中的多个关键点进行样条插值，生成标准化的特征波信号模板。
具体的，对每一参数向量中的多个关键点进行样条插值计算，得到幅值为1、均值为0，且具有预设宽度的标准化的特征波信号模板。
示例性的，在本发明以具体的实施例中，对每一参数向量中的多个关键点进行三次样条插值，生成幅值为1，均值为0的第三样条波信号。其中，相邻的两个关键点之间生成一段三次函数曲线，在关键点处，相邻的两段三次函数曲线二阶连续，即相邻的两段三次函数曲线平滑过渡。
接着，将第三样条波信号缩放至预设宽度，得到标准化的特征波信号模板。
具体的，预设宽度为根据心电分析领域的临床先验知识设定的。通过将第三样条波信号缩放至预设宽度，得到标准化的特征波信号模板。需要说明的是，这里所述的缩放是将第三样条波信号沿时间轴方向缩放，而在垂直于时间轴方向不变。
S405、根据参数向量中的幅值、偏置和特征波信号样本的位置信息调整多个特征波信号模板的幅值和位置，得到重构的重构信号样本。
具体的，根据参数向量中特征波信号样本的幅值对特征波信号模板等比例缩放，得到重构特征波信号样本。根据参数向量中特征波信号样本的位置信息确定重构特征波信号样本在时间轴(横轴)上的位置，根据参数向量中的偏置确定重构特征波信号样本在电压轴(纵轴)上的位置，得到重构特征波信号样本。
具体的，在上述步骤S405中，在确定各重构特征波信号样本在时间轴上的位置时，判断相邻的两个重构特征波信号样本在时间轴上是否有交叠，若是，则将相邻的两个重构特征波信号样本中匹配度较小的重构特征波信号样本的交叠部分去除，保留匹配度较高的重构特征波信号样本的交叠部分，得到重构信号样本，从而减小重构信号样本与心电信号之间的误差。
在本发明的另一实施例中，当相邻的两个重构特征波信号样本在时间轴上有交叠时，也可以基于对交叠部分加权求和的方式确定交叠部分的波形信号。示例性的，其中第一个特征波信号样本的匹配度为0.9，第二个特征波信号样本的匹配度为0.8，则第一个特征波信号样本对应的第一权值为0.9/(0.9+0.8)，第二个特征波信号样本对应的第二权值为0.8/(0.9+0.8)。将第一个特征波信号样本的交叠部分的纵坐标乘以第一权值得到第一加权信号，第二个特征波信号样本的交叠部分的纵坐标乘以第二权值得到第二加权信号，然后将第一加权信号与第二加权信号相加作为重构信号样本在交叠部分的信号。
在后续的应用过程中，如果需要重构心电信号，同样对参数向量中的多个关键点进行样条插值，生产光滑的样条波信号，并对样条波信号进行调整进而得到光滑的重构信号。因此，即使原始的心电信号存在噪声，在经过参数化以及重构后，也能得到光滑的重构信号，降低了噪声对分析结果的影响，提高了分析结果的准确性。
S406、计算心电信号样本与重构信号样本的误差。
具体的，从心电信号样本中选取若干点，计算这些点的纵坐标值与重构信号样本上位置对应的点的纵坐标值的均方误差。
S407、根据误差更新心电参数化模型中关键点的相对位置信息。
具体的，将得到的误差与预设误差进行比较，当计算得到的误差大于预设误差时，对心电信号参数化模型中的关键点的相对位置信息进行更新，并返回执行S401、获取心电信号样本的步骤，如此重复，直至计算得到的误差小于或等于预设误差时，确定心电参数化模型训练完成。
在更新关键点的相对位置信息时，由于相邻的两个关键点在在横轴上具有相同的间距且恒定不变，只需要更新关键点的纵坐标值即可。
具体的，以关键点的纵坐标值作为是需要优化的参数，计算得到的误差作为目标函数，然后用梯度下降法寻找使得误差小于或等于预设误差的关键点的纵坐标值。
本发明实施例提供的心电参数化模型训练方法，包括：获取心电信号样本，心电信号样本包括多个特征波信号样本；确定心电信号参数化模型，心电参数化模型的模型参数包括用于重构心电信号样本的多个关键点的相对位置信息；将心电信号样本输入心电信号参数化模型进行处理，得到心电信号样本的参数向量序列，参数向量序列包括多个用于表征特征波信号样本的参数向量，参数向量包括关键点的相对位置信息；根据参数向量序列重构心电信号样本，得到重构信号样本；计算心电信号样本与重构信号样本的误差；根据误差更新心电参数化模型中关键点的相对位置信息。本发明实施例中，心电信号样本无需标注，使用无标注的心电信号样本进行自监督训练，节省了标注成本。此外，在后续的应用过程中，即使原始的心电信号存在噪声，在经过参数化以及重构后，也能得到光滑的重构信号，降低了噪声对分析结果的影响，提高了分析结果的准确性。
实施例五
图5为本发明实施例五提供的一种心电信号参数化装置的结构示意图，如图5所示，该装置包括：
心电信号获取模块501，用于获取心电信号，所述心电信号包括多个特征波信号；
参数化模型确定模块502，用于确定心电信号参数化模型，所述心电参数化模型的模型参数包括用于重构所述心电信号的多个关键点的相对位置信息；
参数化处理模块503，用于将所述心电信号输入所述心电信号参数化模型进行处理，得到所述心电信号的参数向量序列，所述参数向量序列包括多个用于表征所述特征波信号的参数向量，所述参数向量包括所述关键点的相对位置信息。
在本发明的一些实施例中，所述参数化处理模块503包括：
样条插值子模块，用于对多个关键点进行样条插值，生成标准化的特征波信号模板，所述特征波信号模板具有预设宽度；
匹配度计算子模块，用于计算所述特征波信号模板与所述特征波信号的匹配度；
位置信息确定子模块，用于确定所述特征波信号在时间轴上的位置信息；
幅值、偏置计算子模块，用于计算所述特征波信号的幅值和所述特征波信号相对于时间轴的偏置；
参数向量序列确定子模块，用于基于所述关键点、所述匹配度、所述幅值、所述偏置、所述预设宽度以及所述特征波信号的位置信息确定所述心电信号的参数向量序列。
在本发明的一些实施例中，所述样条插值子模块包括：
第一样条波信号生成单元，用于对多个关键点进行三次样条插值，生成幅值为1，均值为0的第一样条波信号；
第一缩放单元，用于将所述第一样条波信号缩放至预设宽度，得到标准化的特征波信号模板。
在本发明的一些实施例中，所述匹配度计算子模块包括：
相关系数计算单元，用于计算所述特征波信号模板与所述特征波信号的相关系数作为匹配度序列；
极大值确定单元，用于确定所述匹配度序列中的极大值；
匹配度确定单元，用于将所述极大值作为所述特征波信号模板与所述特征波信号的匹配度。
在本发明的一些实施例中，所述极大值确定单元包括：
极大值确定子单元，用于基于滑动窗口算法确定所述匹配度序列中的极大值；
非极大值抑制子单元，用于对所述匹配度序列进行非极大值抑制。
在本发明的一些实施例中，所述位置信息确定子模块包括：
位置信息确定单元，用于确定所述极大值所在的位置作为所述特征波信号的位置信息。
在本发明的一些实施例中，所述幅值、偏置计算子模块包括：
最小二乘单元，用于基于最小二乘法计算所述特征波信号的幅值和所述特征波信号相对于时间轴的偏置。
上述装置可执行本发明上述实施例一、二所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例六
图6为本发明实施例提供的一种心电信号参数化模型训练装置的结构示意图，如图6所示，该装置包括：
样本获取模块601，用于获取心电信号样本，所述心电信号样本包括多个特征波信号样本；
参数化模型确定模块602，用于确定心电信号参数化模型，所述心电参数化模型的模型参数包括用于重构所述心电信号样本的多个关键点的相对位置信息；
参数化处理模块603，用于将所述心电信号样本输入所述心电信号参数化模型进行处理，得到所述心电信号样本的参数向量序列，所述参数向量序列包括多个用于表征所述特征波信号样本的参数向量，所述参数向量包括所述关键点的相对位置信息；
重构模块604，用于根据所述参数向量序列重构所述心电信号样本，得到重构信号样本；
误差计算模块605，用于计算所述心电信号样本与所述重构信号样本的误差；
关键点更新模块606，用于根据所述误差更新所述心电参数化模型中所述关键点的相对位置信息。
在本发明的一些实施例中，所述参数向量包括特征波信号样本与所述特征波信号样本模板的匹配度、所述特征波信号样本的幅值、所述特征波信号样本相对于时间轴的偏置、所述特征波信号样本的预设宽度以及所述特征波信号样本的位置信息，所述重构模块604包括：
样条插值子模块，用于对每一参数向量中的多个关键点进行样条插值，生成标准化的特征波信号模板，所述特征波信号模板具有预设宽度；
调整子模块，用于根据所述参数向量中的幅值、偏置和特征波信号样本的位置信息调整多个所述特征波信号模板的幅值和位置，得到重构的重构信号样本。
在本发明的一些实施例中，所述样条插值子模块包括：
样条插值单元，用于对多个关键点进行三次样条插值，生成幅值为1，均值为0的第三样条波信号；
第二缩放单元，用于将所述第三样条波信号缩放至预设宽度，得到标准化的特征波信号模板。
在本发明的一些实施例中，所述调整子模块包括：
幅值调整单元，用于根据所述参数向量中的幅值调整所述特征波信号模板的幅值，得到重构特征波信号样本；
位置调整单元，用于根据所述参数向量中特征波信号样本的位置信息和偏置确定所述重构特征波信号样本在时间轴上的位置，得到重构特征波信号样本。
在本发明的一些实施例中，所述位置调整单元包括：
判断子单元，用于判断相邻的两个所述重构特征波信号样本在时间轴上是否有交叠；
信号去除子单元，用于在确定相邻的两个所述重构特征波信号样本在时间轴上有交叠时，将相邻的两个所述重构特征波信号样本中匹配度较小的所述重构特征波信号样本的交叠部分去除。
上述装置可执行本发明上述实施例三、四所提供的方法，具备执行方法相应的功能模块和有益效果。
实施例七
本发明实施例七提供了一种计算机设备，图7为本发明实施例七提供的一种计算机设备的结构示意图，如图7所示，该计算机设备包括处理器701、存储器702、通信模块703、输入装置704和输出装置705；计算机设备中处理器701的数量可以是一个或多个，图7中以一个处理器701为例；计算机设备中的处理器701、存储器702、通信模块703、输入装置704和输出装置705可以通过总线或其他方式连接，图7中以通过总线连接为例。上述处理器701、存储器702、通信模块703、输入装置704和输出装置705可以集成在计算机设备的控制主板上。
存储器702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，如本实施例中的心电信号参数化方法或心电信号参数化模型训练方法对应的模块。处理器701通过运行存储在存储器702中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述实施例提供的心电信号参数化方法或心电信号参数化模型训练方法。
存储器702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计算机设备的使用所创建的数据等。此外，存储器702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702可进一步包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。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。
通信模块703，用于与外界设备(例如智能终端)建立连接，并实现与外界设备的数据交互。输入装置704可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。
本实施例提供的一种计算机设备，可执行本发明上述任意实施例提供的心电信号参数化方法或心电信号参数化模型训练方法，具体相应的功能和有益效果。
实施例八
本发明实施例八提供了一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明上述任意实施例提供的心电信号参数化方法或心电信号参数化模型训练方法。
心电信号参数化方法包括：
获取心电信号，所述心电信号包括多个特征波信号；
确定心电信号参数化模型，所述心电参数化模型的模型参数包括用于重构所述心电信号的多个关键点的相对位置信息；
将所述心电信号输入所述心电信号参数化模型进行处理，得到所述心电信号的参数向量序列，所述参数向量序列包括多个用于表征所述特征波信号的参数向量，所述参数向量包括所述关键点的相对位置信息。
心电信号参数化模型训练方法，包括：
获取心电信号样本，所述心电信号样本包括多个特征波信号样本；
确定心电信号参数化模型，所述心电参数化模型的模型参数包括用于重构所述心电信号样本的多个关键点的相对位置信息；
将所述心电信号样本输入所述心电信号参数化模型进行处理，得到所述心电信号样本的参数向量序列，所述参数向量序列包括多个用于表征所述特征波信号样本的参数向量，所述参数向量包括所述关键点的相对位置信息；
根据所述参数向量序列重构所述心电信号样本，得到重构信号样本；
计算所述心电信号样本与所述重构信号样本的误差；
根据所述误差更新所述心电参数化模型中所述关键点的相对位置信息。
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，还可以执行本发明实施例所提供的心电信号参数化方法或心电信号参数化模型训练方法中的相关操作。
需要说明的是，对于装置、设备和存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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(可以是机器人，个人计算机，服务器，或者网络设备等)执行本发明任意实施例所述的心电信号参数化方法或心电信号参数化模型训练方法。
值得注意的是，上述装置中，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。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
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 (16)
1.一种心电信号参数化方法，其特征在于，包括：
获取心电信号，所述心电信号包括多个特征波信号；
确定心电信号参数化模型，所述心电参数化模型的模型参数包括用于重构所述心电信号的多个关键点的相对位置信息；
将所述心电信号输入所述心电信号参数化模型进行处理，得到所述心电信号的参数向量序列，所述参数向量序列包括多个用于表征所述特征波信号的参数向量，所述参数向量包括所述关键点的相对位置信息。
2.根据权利要求1所述的心电信号参数化方法，其特征在于，所述将所述心电信号输入所述心电信号参数化模型进行处理，得到所述心电信号的参数向量序列，包括：
对多个关键点进行样条插值，生成标准化的特征波信号模板，所述特征波信号模板具有预设宽度；
计算所述特征波信号模板与所述特征波信号的匹配度；
确定所述特征波信号在时间轴上的位置信息；
计算所述特征波信号的幅值和所述特征波信号相对于时间轴的偏置；
基于所述关键点、所述匹配度、所述幅值、所述偏置、所述预设宽度以及所述特征波信号的位置信息确定所述心电信号的参数向量序列。
3.根据权利要求2所述的心电信号参数化方法，其特征在于，所述对多个关键点进行样条插值，生成标准化的特征波信号模板，包括：
对多个关键点进行三次样条插值，生成幅值为1，均值为0的第一样条波信号；
将所述第一样条波信号缩放至预设宽度，得到标准化的特征波信号模板。
4.根据权利要求2所述的心电信号参数化方法，其特征在于，所述计算所述特征波信号模板与所述特征波信号的匹配度，包括：
计算所述特征波信号模板与所述特征波信号的相关系数作为匹配度序列；
确定所述匹配度序列中的极大值；
将所述极大值作为所述特征波信号模板与所述特征波信号的匹配度。
5.根据权利要求4所述的心电信号参数化方法，其特征在于，所述确定所述匹配度序列中的极大值，包括：
基于滑动窗口算法确定所述匹配度序列中的极大值；
对所述匹配度序列进行非极大值抑制。
6.根据权利要求4所述的心电信号参数化方法，其特征在于，所述确定所述特征波信号在时间轴上的位置信息，包括：
确定所述极大值所在的位置作为所述特征波信号的位置信息。
7.根据权利要求2所述的心电信号参数化方法，其特征在于，所述计算所述特征波信号的幅值和所述特征波信号相对于时间轴的偏置，包括：
基于最小二乘法计算所述特征波信号的幅值和所述特征波信号相对于时间轴的偏置。
8.一种心电信号参数化模型训练方法，其特征在于，包括：
获取心电信号样本，所述心电信号样本包括多个特征波信号样本；
确定心电信号参数化模型，所述心电参数化模型的模型参数包括用于重构所述心电信号样本的多个关键点的相对位置信息；
将所述心电信号样本输入所述心电信号参数化模型进行处理，得到所述心电信号样本的参数向量序列，所述参数向量序列包括多个用于表征所述特征波信号样本的参数向量，所述参数向量包括所述关键点的相对位置信息；
根据所述参数向量序列重构所述心电信号样本，得到重构信号样本；
计算所述心电信号样本与所述重构信号样本的误差；
根据所述误差更新所述心电参数化模型中所述关键点的相对位置信息。
9.根据权利要求8所述的心电信号参数化模型训练方法，其特征在于，所述参数向量包括特征波信号样本与所述特征波信号样本模板的匹配度、所述特征波信号样本的幅值、所述特征波信号样本相对于时间轴的偏置、所述特征波信号样本的预设宽度以及所述特征波信号样本的位置信息，所述根据所述参数向量序列重构所述心电信号样本，得到重构信号样本，包括：
对每一参数向量中的多个关键点进行样条插值，生成标准化的特征波信号模板，所述特征波信号模板具有预设宽度；
根据所述参数向量中的幅值、偏置和特征波信号样本的位置信息调整多个所述特征波信号模板的幅值和位置，得到重构的重构信号样本。
10.根据权利要求9所述的心电信号参数化模型训练方法，其特征在于，所述对每一参数向量中的多个关键点进行样条插值，生成标准化的特征波信号模板，包括：
对多个关键点进行三次样条插值，生成幅值为1，均值为0的第三样条波信号；
将所述第三样条波信号缩放至预设宽度，得到标准化的特征波信号模板。
11.根据权利要求9所述的心电信号参数化模型训练方法，其特征在于，所述根据所述参数向量中的幅值、偏置和特征波信号样本的位置信息调整多个所述特征波信号模板的幅值和位置，得到重构的重构信号样本，包括：
根据所述参数向量中的幅值调整所述特征波信号模板的幅值，得到重构特征波信号样本；
根据所述参数向量中特征波信号样本的位置信息和偏置确定所述重构特征波信号样本在时间轴上的位置，得到重构信号样本。
12.根据权利要求11所述的心电信号参数化模型训练方法，其特征在于，所述根据参数向量中所述特征波信号样本的位置信息和偏置确定所述重构特征波信号样本在时间轴上的位置，得到重构信号样本，包括：
判断相邻的两个所述重构特征波信号样本在时间轴上是否有交叠；
若是，则将相邻的两个所述重构特征波信号样本中匹配度较小的所述重构特征波信号样本的交叠部分去除。
13.一种心电信号参数化装置，其特征在于，包括：
心电信号获取模块，用于获取心电信号，所述心电信号包括多个特征波信号；
参数化模型确定模块，用于确定心电信号参数化模型，所述心电参数化模型的模型参数包括用于重构所述心电信号的多个关键点的相对位置信息；
参数化处理模块，用于将所述心电信号输入所述心电信号参数化模型进行处理，得到所述心电信号的参数向量序列，所述参数向量序列包括多个用于表征所述特征波信号的参数向量，所述参数向量包括所述关键点的相对位置信息。
14.一种心电信号参数化模型训练装置，其特征在于，包括：
样本获取模块，用于获取心电信号样本，所述心电信号样本包括多个特征波信号样本；
参数化模型确定模块，用于确定心电信号参数化模型，所述心电参数化模型的模型参数包括用于重构所述心电信号样本的多个关键点的相对位置信息；
参数化处理模块，用于将所述心电信号样本输入所述心电信号参数化模型进行处理，得到所述心电信号样本的参数向量序列，所述参数向量序列包括多个用于表征所述特征波信号样本的参数向量，所述参数向量包括所述关键点的相对位置信息；
重构模块，用于根据所述参数向量序列重构所述心电信号样本，得到重构信号样本；
误差计算模块，用于计算所述心电信号样本与所述重构信号样本的误差；
关键点更新模块，用于根据所述误差更新所述心电参数化模型中所述关键点的相对位置信息。
15.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储装置，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1-7任一所述的心电信号参数化方法，或实现如权利要求8-12任一所述的心电信号参数化模型训练方法。
16.一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1-7任一所述的心电信号参数化方法，或实现如权利要求8-12任一所述的心电信号参数化模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010833864.7A CN111956203A (zh) | 2020-08-18 | 2020-08-18 | 心电信号参数化方法、模型训练方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010833864.7A CN111956203A (zh) | 2020-08-18 | 2020-08-18 | 心电信号参数化方法、模型训练方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111956203A true CN111956203A (zh) | 2020-11-20 |
Family
ID=73388420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010833864.7A Pending CN111956203A (zh) | 2020-08-18 | 2020-08-18 | 心电信号参数化方法、模型训练方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111956203A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114145751A (zh) * | 2021-12-16 | 2022-03-08 | 安徽心之声医疗科技有限公司 | 基于平滑分解的肌电干扰消除方法、装置、介质及设备 |
| CN114259237A (zh) * | 2021-12-03 | 2022-04-01 | 成都泰盟软件有限公司 | 一种心电波形模拟方法 |
| WO2022198740A1 (zh) * | 2021-03-23 | 2022-09-29 | 天津工业大学 | 一种心电映射方法及系统 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010286268A (ja) * | 2009-06-09 | 2010-12-24 | Kyushu Univ | 信号ピーク測定システム |
| CN103549951A (zh) * | 2013-10-18 | 2014-02-05 | 浙江好络维医疗技术有限公司 | 一种基于心电图12导联关联计算的p波信息测量方法 |
| JP2015208461A (ja) * | 2014-04-25 | 2015-11-24 | 株式会社東芝 | 心電波形検出装置、心電波形検出プログラム、及び撮像装置 |
| CN105114063A (zh) * | 2015-08-04 | 2015-12-02 | 中国石油大学(华东) | 一种斜井双侧向测井曲线校正方法 |
| CN106570464A (zh) * | 2016-10-31 | 2017-04-19 | 华南理工大学 | 一种快速处理人脸遮挡的人脸识别方法及装置 |
| CN107358196A (zh) * | 2017-07-12 | 2017-11-17 | 北京卫嘉高科信息技术有限公司 | 一种心搏类型的分类方法、装置及心电仪 |
| CN108309284A (zh) * | 2018-03-15 | 2018-07-24 | 广州视源电子科技股份有限公司 | 心电图t波终点检测方法和装置 |
| CN109077714A (zh) * | 2018-07-05 | 2018-12-25 | 广州视源电子科技股份有限公司 | 信号识别方法、装置、设备和存储介质 |
| WO2019066718A1 (en) * | 2017-09-28 | 2019-04-04 | Agency For Science, Technology And Research | DEEP REPRESENTATIVE SELF ASSESSMENT UNITS |
| EP3485806A1 (en) * | 2017-11-20 | 2019-05-22 | Kinpo Electronics, Inc. | Wearable device capable of detecting sleep apnea event and detection method thereof |
| WO2019100560A1 (zh) * | 2017-11-27 | 2019-05-31 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
| CN109864737A (zh) * | 2019-04-02 | 2019-06-11 | 安徽心之声医疗科技有限公司 | 一种心电信号中p波识别方法和系统 |
| CN109948647A (zh) * | 2019-01-24 | 2019-06-28 | 西安交通大学 | 一种基于深度残差网络的心电图分类方法及系统 |
| CN111067511A (zh) * | 2019-11-21 | 2020-04-28 | 东软集团股份有限公司 | 一种心电数据中关键点的确定方法、装置及设备 |
| CN111345817A (zh) * | 2020-02-25 | 2020-06-30 | 广州视源电子科技股份有限公司 | Qrs波群位置确定方法、装置、设备及存储介质 |
| CA3032983A1 (en) * | 2019-02-06 | 2020-08-06 | Thanh Phuoc Hong | Systems and methods for keypoint detection |
-
2020
- 2020-08-18 CN CN202010833864.7A patent/CN111956203A/zh active Pending
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010286268A (ja) * | 2009-06-09 | 2010-12-24 | Kyushu Univ | 信号ピーク測定システム |
| CN103549951A (zh) * | 2013-10-18 | 2014-02-05 | 浙江好络维医疗技术有限公司 | 一种基于心电图12导联关联计算的p波信息测量方法 |
| JP2015208461A (ja) * | 2014-04-25 | 2015-11-24 | 株式会社東芝 | 心電波形検出装置、心電波形検出プログラム、及び撮像装置 |
| CN105114063A (zh) * | 2015-08-04 | 2015-12-02 | 中国石油大学(华东) | 一种斜井双侧向测井曲线校正方法 |
| CN106570464A (zh) * | 2016-10-31 | 2017-04-19 | 华南理工大学 | 一种快速处理人脸遮挡的人脸识别方法及装置 |
| CN107358196A (zh) * | 2017-07-12 | 2017-11-17 | 北京卫嘉高科信息技术有限公司 | 一种心搏类型的分类方法、装置及心电仪 |
| WO2019066718A1 (en) * | 2017-09-28 | 2019-04-04 | Agency For Science, Technology And Research | DEEP REPRESENTATIVE SELF ASSESSMENT UNITS |
| EP3485806A1 (en) * | 2017-11-20 | 2019-05-22 | Kinpo Electronics, Inc. | Wearable device capable of detecting sleep apnea event and detection method thereof |
| WO2019100560A1 (zh) * | 2017-11-27 | 2019-05-31 | 乐普（北京）医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
| CN108309284A (zh) * | 2018-03-15 | 2018-07-24 | 广州视源电子科技股份有限公司 | 心电图t波终点检测方法和装置 |
| CN109077714A (zh) * | 2018-07-05 | 2018-12-25 | 广州视源电子科技股份有限公司 | 信号识别方法、装置、设备和存储介质 |
| CN109948647A (zh) * | 2019-01-24 | 2019-06-28 | 西安交通大学 | 一种基于深度残差网络的心电图分类方法及系统 |
| CA3032983A1 (en) * | 2019-02-06 | 2020-08-06 | Thanh Phuoc Hong | Systems and methods for keypoint detection |
| CN109864737A (zh) * | 2019-04-02 | 2019-06-11 | 安徽心之声医疗科技有限公司 | 一种心电信号中p波识别方法和系统 |
| CN111067511A (zh) * | 2019-11-21 | 2020-04-28 | 东软集团股份有限公司 | 一种心电数据中关键点的确定方法、装置及设备 |
| CN111345817A (zh) * | 2020-02-25 | 2020-06-30 | 广州视源电子科技股份有限公司 | Qrs波群位置确定方法、装置、设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022198740A1 (zh) * | 2021-03-23 | 2022-09-29 | 天津工业大学 | 一种心电映射方法及系统 |
| CN114259237A (zh) * | 2021-12-03 | 2022-04-01 | 成都泰盟软件有限公司 | 一种心电波形模拟方法 |
| CN114145751A (zh) * | 2021-12-16 | 2022-03-08 | 安徽心之声医疗科技有限公司 | 基于平滑分解的肌电干扰消除方法、装置、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108714026B (zh) | 基于深度卷积神经网络和在线决策融合的细粒度心电信号分类方法 | |
| CN107358196B (zh) | 一种心搏类型的分类方法、装置及心电仪 | |
| AL-Ziarjawey et al. | Heart rate monitoring and PQRST detection based on graphical user interface with Matlab | |
| CN111956203A (zh) | 心电信号参数化方法、模型训练方法、装置、设备及介质 | |
| CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
| CN110148466B (zh) | 一种基于迁移学习的心冲击信号房颤计算机辅助诊断方法 | |
| Zeng et al. | Classification of myocardial infarction based on hybrid feature extraction and artificial intelligence tools by adopting tunable-Q wavelet transform (TQWT), variational mode decomposition (VMD) and neural networks | |
| CN111631705A (zh) | 心电异常检测方法、模型训练方法、装置、设备及介质 | |
| CN108509823A (zh) | Qrs波群的检测方法及装置 | |
| Ramkumar et al. | A graphical user interface based heart rate monitoring process and detection of pqrst peaks from ecg signal | |
| CN115486855A (zh) | 一种基于qrs波群不定次循环叠加的心电图心搏分类方法 | |
| Tseng et al. | Clustering analysis of aging diseases and chronic habits with multivariate time series electrocardiogram and medical records | |
| CN113180685B (zh) | 基于形态学滤波和小波阈值的心电异常判别系统及方法 | |
| Mayapur | Classification of Arrhythmia from ECG Signals using MATLAB | |
| CN115486849A (zh) | 心电信号质量评估方法、装置及设备 | |
| Spicher et al. | ECG delineation using a piecewise Gaussian derivative model with parameters estimated from scale-dependent algebraic expressions | |
| CN109758143B (zh) | 一种同步记录的多通道心电信号的增强方法 | |
| Rao et al. | Performance identification of different heart diseases based on neural network classification | |
| CN115813401A (zh) | 一种基于动态学习的心电图分类方法及系统 | |
| Kaswan et al. | Intelligent classification of ECG signals using machine learning techniques | |
| CN115040137A (zh) | 一种心电信号参数化方法、模型训练方法、装置、设备及介质 | |
| Zhang et al. | An approach for fetal QRS complex detection from abdominal ECG recordings | |
| CN111839502A (zh) | 一种心电数据异常检测方法、装置、设备及存储介质 | |
| CN115316996A (zh) | 心律异常识别模型训练方法、装置、设备及存储介质 | |
| Khandait et al. | ECG signal processing using classifier to analyses cardiovascular disease |
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 |