CN111973176B - 心电信号的处理方法、装置及设备 - Google Patents
心电信号的处理方法、装置及设备 Download PDFInfo
- Publication number
- CN111973176B CN111973176B CN202010767977.1A CN202010767977A CN111973176B CN 111973176 B CN111973176 B CN 111973176B CN 202010767977 A CN202010767977 A CN 202010767977A CN 111973176 B CN111973176 B CN 111973176B
- Authority
- CN
- China
- Prior art keywords
- right branch
- feature
- heart beat
- branch blocking
- time sequence
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 6
- 230000000903 blocking effect Effects 0.000 claims abstract description 285
- 230000033764 rhythmic process Effects 0.000 claims abstract description 162
- 238000000605 extraction Methods 0.000 claims abstract description 100
- 238000012545 processing Methods 0.000 claims abstract description 94
- 239000013598 vector Substances 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000004927 fusion Effects 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 8
- 206010006582 Bundle branch block right Diseases 0.000 abstract description 7
- 206010006578 Bundle-Branch Block Diseases 0.000 abstract description 7
- 201000007916 right bundle branch block Diseases 0.000 abstract description 7
- 238000010606 normalization Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 239000012634 fragment Substances 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 101100268446 Pseudomonas putida (strain ATCC 47054 / DSM 6125 / CFBP 8728 / NCIMB 11950 / KT2440) proR gene Proteins 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 4
- 238000002759 z-score normalization Methods 0.000 description 4
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 206010003671 Atrioventricular Block Diseases 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种心电信号的处理方法、装置及设备,所述心电信号的处理方法包括:获取待处理的心电信号;将待处理的心电信号输入右分支阻滞节律特征提取网络,提取右分支阻滞节律特征;获取心电信号的中值心拍和均值心拍,将中值心拍和均值心拍输入右分支阻滞心拍特征提取网络,提取右分支阻滞中值心拍特征和右分支阻滞均值心拍特征;将右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征输入右分支阻滞特征时序编码网络,得到右分支阻滞时序特征增强向量;基于右分支阻滞时序增强特征向量和右束支阻滞程度分类函数,得到右束支阻滞程度的分类概率。相对于现有技术,本申请能够避免无效特征的干扰,提高处理结果的准确性。
Description
技术领域
本申请实施例涉及信号处理领域,尤其涉及一种心电信号的处理方法、装置及设备。
背景技术
心电信号是将测量电极放置在人体表面的一定部位记录心动变化而生成的信号,通过对心电信号进行处理得到处理结果,能够辅助医生分析心脏的健康状态。
现有对心电信号的处理,主要是基于机器学习方法进行的,此类方法较易受到心电信号中无效特征的影响,导致泛化能力和抗干扰能力较弱,并且由于提取到的心电信号特征较为单一,有效特征的丰富度不足,使得心电信号处理结果的准确性也较低。
发明内容
本申请实施例提供了一种心电信号的处理方法、装置及设备,可以解决心电信号的处理结果的准确性较低的问题,所述技术方案如下:
第一方面,本申请实施例提供了一种心电信号的处理方法,包括:
获取待处理的心电信号;
将所述待处理的心电信号输入预设的右分支阻滞节律特征提取网络,提取所述心电信号的右分支阻滞节律特征;
获取所述心电信号的中值心拍和均值心拍,将所述中值心拍和均值心拍输入预设的右分支阻滞心拍特征提取网络,提取所述心电信号的右分支阻滞中值心拍特征和右分支阻滞均值心拍特征;
将所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征输入预设的右分支阻滞特征时序编码网络,得到右分支阻滞时序特征增强向量;
基于所述右分支阻滞时序增强特征向量和预设的右束支阻滞程度分类函数,得到所述心电信号的右束支阻滞程度的分类概率。
可选的,所述预设的右分支阻滞节律特征提取网络包括心拍节律信息提取网络、QRS波节律信息提取网络以及右分支阻滞局部特征提取网络,
所述将所述待处理的心电信号输入预设的右分支阻滞节律特征提取网络,提取所述心电信号的右分支阻滞节律特征,包括步骤:
将所述待处理的心电信号分别输入所述心拍节律信息提取网络和所述QRS波节律信息提取网络,提取所述心电信号的心拍节律信息和QRS波节律信息;
根据所述心拍节律信息和QRS波节律信息的时间步,堆叠所述心拍节律信息和QRS波节律信息,得到所述节律堆叠信息;
将所述节律堆叠信息输入所述右分支阻滞局部特征提取网络,提取所述心电信号的右分支阻滞节律特征。
可选的,所述右分支阻滞局部特征提取网络包括依次级联的第一一维卷积层、第一降采样层、第二一维卷积层以及第二降采样层,
所述将所述节律堆叠信息输入所述右分支阻滞局部特征提取网络,提取所述心电信号的右分支阻滞节律特征,包括步骤:
将所述节律堆叠信息输入至所述第一一维卷积层,并根据级联顺序,依次将各层的输出结果输入至下一层中,接收所述第二降采样层的输出结果,得到所述右分支阻滞节律特征。
可选的,所述获取所述心电信号的中值心拍和均值心拍,包括步骤:
将所述心电信号切割成预设时间长度的心电信号片段,提取所述心电信号片段中的心拍;其中,每个所述心拍包括n个样本点;
获取每个所述心拍内第i个样本点的幅度,根据所述幅度的均值和所述幅度的中值,得到所述均值心拍和中值心拍;其中,所述均值心拍内第i个样本点的幅度为所述幅度的均值,所述均值心拍内第i个样本点的幅度为所述幅度的中值。
可选的,所述右分支阻滞特征时序编码网络包括特征时序融合编码网络和特征时序增强编码网络,
所述将所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征输入预设的右分支阻滞特征时序编码网络,得到右分支阻滞时序特征增强向量,包括步骤:
根据所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征的时间步,堆叠所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征,得到右分支阻滞堆叠特征;
将所述右分支阻滞堆叠特征输入所述特征时序融合编码网络,得到右分支阻滞时序特征融合向量;
将所述右分支阻滞时序特征融合向量输入所述特征时序增强编码网络,得到所述右分支阻滞时序特征增强向量。
可选的,所述将所述右分支阻滞堆叠特征输入所述特征时序融合编码网络,得到右分支阻滞时序特征融合向量,包括步骤:
以所述右分支阻滞堆叠特征的个数为特征时序融合编码的时间步,在每个时间步输入一个所述右分支阻滞堆叠特征至所述特征时序融合编码网络,得到在最后一个时间步所述特征时序融合编码网络输出的所述右分支阻滞时序特征融合向量。
可选的,所述特征时序增强编码网络包括第一特征时序增强编码网络和第二特征时序增强编码网络,
所述将所述右分支阻滞时序特征融合向量输入所述特征时序增强编码网络,得到所述右分支阻滞时序特征增强向量,包括步骤:
将所述右分支阻滞时序特征融合向量分别输入所述第一特征时序增强编码网络和第二特征时序增强编码网络,得到第一右分支阻滞时序特征增强向量和第二右分支阻滞时序特征增强向量;
将所述第一右分支阻滞时序特征增强向量和所述第二右分支阻滞时序特征增强向量求和,得到所述右分支阻滞时序特征增强向量。
第二方面,本申请实施例提供了一种心电信号的处理装置,包括:
第一获取单元,用于获取待处理的心电信号;
节律特征提取单元,用于将所述待处理的心电信号输入预设的右分支阻滞节律特征提取网络,提取所述心电信号的右分支阻滞节律特征;
心拍特征提取单元,用于获取所述心电信号的中值心拍和均值心拍,将所述中值心拍和均值心拍输入预设的右分支阻滞心拍特征提取网络,提取所述心电信号的右分支阻滞中值心拍特征和右分支阻滞均值心拍特征;
时序编码单元,用于将所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征输入预设的右分支阻滞特征时序编码网络,得到右分支阻滞时序特征增强向量;
分类单元,用于基于所述右分支阻滞时序增强特征向量和预设的右束支阻滞程度分类函数,得到所述心电信号的右束支阻滞程度的分类概率。
第三方面,本申请实施例提供了一种设备,包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的心电信号的处理方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的心电信号的处理方法的步骤。
在本申请的实施例中,通过获取待处理的心电信号;将所述待处理的心电信号输入预设的右分支阻滞节律特征提取网络,提取所述心电信号的右分支阻滞节律特征;获取所述心电信号的中值心拍和均值心拍,将所述中值心拍和均值心拍输入预设的右分支阻滞心拍特征提取网络,提取所述心电信号的右分支阻滞中值心拍特征和右分支阻滞均值心拍特征,不仅能够提高特征提取的丰富度,还能增强右分支阻滞特征的表达,避免无效特征对处理结果的干扰。并且,通过将所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征输入预设的右分支阻滞特征时序编码网络,得到右分支阻滞时序特征增强向量;基于所述右分支阻滞时序增强特征向量和预设的右束支阻滞程度分类函数,得到所述心电信号的右束支阻滞程度的分类概率,增强了时序信息对心电信号处理结果的影响,进一步提高了心电信号处理结果的准确性。
为了更好地理解和实施,下面结合附图详细说明本申请的技术方案。
附图说明
图1为本申请一个实施例提供的心电信号的处理方法的流程示意图;
图2为本申请一个实施例提供的心电信号的处理方法中S102的流程示意图;
图3为本申请一个实施例提供的右分支阻滞局部特征提取网络的结构示意图;
图4为本申请一个实施例提供的右分支阻滞局部特征提取网络中第一降采样层的结构示意图;
图5为本申请一个实施例提供的心电信号的处理方法中S103的流程示意图;
图6为本申请一个实施例提供的心电信号中心拍提取过程的示意图;
图7为本申请一个实施例提供的右分支阻滞心拍特征提取网络的结构示意图;
图8为本申请一个实施例提供的心电信号的处理方法中S104的流程示意图;
图9为本申请一个实施例提供的心电信号的处理装置的结构示意图;
图10为本申请一个实施例提供的心电信号的处理设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”/“若”可以被解释成为“在……时”或“当……时”或“响应于确定”。
请参阅图1,为本申请一个实施例提供的心电信号的处理方法的流程示意图,所述方法包括如下步骤:
S101:获取待处理的心电信号。
在本申请实施例中,为采集待处理的心电信号并进行分析处理,需要预先对心电信号采集设备(以下简称采集设备)、通信设备以及心电信号处理设备(以下简称处理设备)进行设置,以使所述处理设备与采集设备通过所述通信设备建立信号连接。
其中,所述采集设备用于采集待处理的心电信号,所述采集设备在本实施例中为心电图机(例如模拟式心电图机和数字式心电图机等),在其他可选的实施例中也可以心电监护仪等。
所述通信设备用于建立采集设备与心电设备的信号连接,具体地,采集设备将待处理的心电信号传输至通信设备,再由通信设备根据处理设备的地址,将待处理的心电信号转发至处理设备。
所述采集设备和处理设备可以设置在同一局域网络所覆盖的范围内,或者在所述采集设备与处理设备物理距离较远的情况下,也可以将两者设置在同一广域网所覆盖的范围内。
在本申请实施例中,所述通信设备可以为路由器、交换机或网关设备等,具体可以根据不用的应用场景进行设置。
所述处理设备用于对待处理的心电信号进行处理。在一个可选的实施例中,所述处理设备包括输入接口、存储器、处理器以及输出接口等。具体地,处理设备通过输入接口接收待处理的心电信号,并将待处理的心电信号存储至存储器中,处理器从存储器中读取待处理的心电信号并进行处理,最后通过输出接口将处理结果输出。
在另一个可选的实施例中,所述处理设备还包括预处理模块,处理器在对心电信号处理之前,先通过预处理模块对心电信号进行预处理操作,以去除心电信号中的噪音,解决波形粗糙不光滑,难以提取有价值信息的问题。
具体地,所述预处理模块包括模拟电路单元、模数转换单元、带通滤波单元、重采样单元及归一化处理单元。在对心电信号进行预处理的过程中,先通过模拟电路单元对心电信号进行阻抗匹配、过滤以及放大等处理,再通过模数转换单元将其转换为数字信号,通过带通滤波单元对所述数字信号进行带通滤波;之后,通过重采样单元对带通滤波后的心电信号进行重采样,并切割成预设时间长度的心电信号片段;最后,通过归一化处理单元将各个切割后的心电信号片段进行归一化处理,再将归一化处理后的心电信号传输至所述处理设备的处理器中。
在本申请实施例中,所述带通滤波单元为50阶的FIR带通滤波单元,所述带通滤波的截止频率为0.5Hz、40Hz,通过带通滤波能够去除低频以及高频噪音的影响。
所述重采样频率为250Hz,所述预设时间长度为10s,所述归一化处理是将切割后的心电信号片段处理成“零均值,一方差”的心电信号。
具体地,在归一化处理模块在进行归一化处理时,可以将切割后的心电信号片段输入预设的z-score归一化公式,将切割后的心电信号片段处理成“零均值,一方差”的心电信号,所述z-score归一化公式如下:
其中,x为切割后的心电信号片段,μ为均值,σ为标准差,xnorm为归一化处理后的心电信号。
需要说明的是,上述待处理的心电信号为12导联心电信号,可以由任意能够产生心电信号的生物产生,如人或动物等。
S102:将所述待处理的心电信号输入预设的右分支阻滞节律特征提取网络,提取所述心电信号的右分支阻滞节律特征。
所述右分支阻滞节律特征提取网络是一种端到端的深度神经网络,用于提取心电信号的右分支阻滞节律特征。其中,所述右分支阻滞节律特征能够反应心脏在右分支的节律异常。
处理设备通过所述右分支阻滞节律特征提取网络提取右分支阻滞节律特征,能够解决常见卷积神经网络感知的局限性,从而提高处理结果的准确性。
在一个可选的实施例中,所述预设的右分支阻滞节律特征提取网络包括心拍节律信息提取网络、QRS波节律信息提取网络以及右分支阻滞局部特征提取网络,为进一步提高右分支阻滞节律特征提取网络的处理效果,请参阅图2,S102包括步骤S1021~S1023,具体如下:
S1021:将所述待处理的心电信号分别输入所述心拍节律信息提取网络和所述QRS波节律信息提取网络,提取所述心电信号的心拍节律信息和QRS波节律信息。
所述心拍节律信息提取网络用于获取心电信号长片段(如心拍)的节律信息,所述QRS波节律信息提取网络用于获取心电信号短片段(如Q波、R波以及S波)的节律信息。
在本申请实施例中,所述心拍节律信息提取网络和QRS波节律信息提取网络均为时间递归神经网络(Long Short-Term Memory,LSTM),不同的是,所述心拍节律信息提取网络以3秒的特征长度获取心拍节律信息,所述QRS波节律信息提取网络以1.5秒的特征长度获取QRS波节律信息。
在其他可选的实施例中,所述心拍节律特征提取网络和QRS波节律信息提取网络可以为循环神经网络或时间卷积神经网络等,所述3秒和1.5秒的特征长度可以进行合理化调整,其并不具有限定作用。
具体地,所述心拍节律信息提取网络的卷积核尺寸为40,时间步的个数为250,其输出的心拍节律信息的尺寸为40*250;所述QRS波节律信息提取网络的卷积核尺寸为20,时间步的个数为500,其输出的QRS波节律信息的尺寸为20*500。同样地,上述卷积核尺寸和时间步的个数并不具有限定作用,可以根据实际情况进行调整。
S1022:根据所述心拍节律信息和QRS波节律信息的时间步,堆叠所述心拍节律信息和QRS波节律信息,得到所述节律堆叠信息。
处理设备根据心拍节律信息和QRS波节律信息的时间步,堆叠所述心拍节律信息和QRS波节律信息,得到所述节律堆叠信息。
在一个可选的实施例中,在堆叠所述心拍节律信息和QRS波节律信息之前,处理设备先对所述QRS波节律信息进行降采样,将QRS波节律信息的尺寸由20*500重采样至20*250,此时,QRS波节律信息与心拍节律信息的时间步一致,均为250。之后,处理设备再按照时间步,对40*250的心拍节律信息和20*250的QRS波节律信息进行堆叠,得到60*250的节律堆叠信息。
S1023:将所述节律堆叠信息输入所述右分支阻滞局部特征提取网络,提取所述心电信号的右分支阻滞节律特征。
所述右分支阻滞节律特征是节律堆叠信息中的局部特征,通过右分支阻滞局部特征提取网络中卷积核的感知作用,增强心电信号的节律特征的表达。
具体地,请参阅图3,为本申请一个实施例提供的右分支阻滞局部特征提取网络的结构示意图。所述右分支阻滞局部特征提取网络包括依次级联的第一一维卷积层、第一降采样层、第二一维卷积层以及第二降采样层。
处理设备将所述节律堆叠信息输入至所述第一一维卷积层,并根据级联顺序,依次将各层的输出结果输入至下一层中,接收所述第二降采样层的输出结果,得到所述右分支阻滞节律特征。
其中,所述卷积层是对心电信号进行卷积运算,进行所述卷积运算所用的卷积核尺寸和滤波器个数可根据需求调整。
在一个可选的实施例中,所述第一一维卷积层的卷积核尺寸为32,滤波器个数为32;所述第二一维卷积层的卷积核尺寸为32,滤波器个数为128。
所述第一降采样层和第二降采样层均是对心电信号进行降采样操作,防止过拟合现象。请参阅图4,其为本申请一个实施例提供的右分支阻滞局部特征提取网络中第一降采样层的结构示意图,第一降采样层包括第一L2正则化的一维卷积层(First Conv1D+L2)、第一分批归一化层(First Batch Normalization)、Dropout层、第二L2正则化的一维卷积层(Second Conv1D+L2)以及每个L2正则化的一维卷积层之后均会连接的最大池化层(Max-Pooling)。所述第二降采样层和第一降采样层的结构相同,对所述第二降采样层的结构在此不再赘述。
所述第一L2正则化的一维卷积层和第二L2正则化的一维卷积层的卷积核尺寸和滤波器个数相同,不同点在于步长存在差异。
在一个可选的实施例中,第一L2正则化的一维卷积层的步长为1,第二L2正则化的一维卷积层的步长为2。
需要说明的是,所述第一降采样层与第二降采样层的结构虽然相同,但在本申请的实施例中,第一降采样层的卷积核尺寸为32,滤波器个数为64,第二降采样层的卷积核尺寸为3,滤波器个数为48。在其他可选的实施例中,可以根据实际情况,对降采样层中的卷积核尺寸和滤波器个数进行调整,在此不做限制。
在本实施例中,通过心拍节律信息提取网络、QRS波节律信息提取网络能够分别提取心拍节律信息和QRS波节律信息,增加心电信号特征提取的丰富度。再通过将心拍节律信息和QRS波节律信息堆叠,将节律堆叠信息输入右分支阻滞局部特征提取网络,进一步增强心电信号的节律特征的有效表达,提高处理结果的准确性。
S103:获取所述心电信号的中值心拍和均值心拍,将所述中值心拍和均值心拍输入预设的右分支阻滞心拍特征提取网络,提取所述心电信号的右分支阻滞中值心拍特征和右分支阻滞均值心拍特征。
处理设备获取心电信号的中值心拍和均值心拍。所述中值心拍和均值心拍反应预设时间长度的心电信号片段里各个心拍中样本点的均值和中值。
所述预设的右分支阻滞心拍特征提取网络是一种端到端深度卷积神经网络,通过卷积核的感知作用,提取中值心拍和均值心拍的局部特征,即右分支阻滞中值心拍特征和右分支阻滞均值心拍特征。
下面分别对获取中值心拍和均值心拍的过程以及右分支阻滞心拍特征提取网络的结构进行详细说明。
第一,为获取中值心拍和均值心拍,请参阅图5,步骤S103包括步骤S1031~S1032,具体如下:
S1031:将所述心电信号切割成预设时间长度的心电信号片段,提取所述心电信号片段中的心拍;其中,每个所述心拍包括n个样本点。
处理设备将所述心电信号切割成预设时间长度的心电信号片段,在一个可选的实施例中,所述预设时间长度为10s,在其他可选的实施例中,所述预设时间长度可以为其他长度。
在本申请实施例中,处理设备在获取到10s的心电信号片段后,对心电信号片段进行切割,提取心拍。
请参阅图6,其为本申请一个实施例提供的心电信号中心拍提取过程的示意图。首先,处理设备截取心电信号片段内的各个preR段(从当前心拍到当前心拍和先前心拍的中点)和proR段(从当前心拍到当前心拍和随后心拍的中点)。
在本申请实施例中,将preR段和proR段的长度设置为0.1s,在其他可选的实施例中,preR段和proR段长度可以适当缩短或延长。若处理设备截取的preR段和proR段超过0.1s,对超过0.1s的preR段和proR段进行截断,即对心拍进行截断。对不足0.1s的preR段和proR段进行补零,即对心拍进行补零。
最后,处理设备采用z-score归一化将每个心拍处理为“零均值,一方差”的心拍,完成心拍的提取。其中,z-score归一化的处理过程在步骤S101中已有提及,不再赘述。
S1032:获取每个所述心拍内第i个样本点的幅度,根据所述幅度的均值和所述幅度的中值,得到所述均值心拍和中值心拍;其中,所述均值心拍内第i个样本点的幅度为所述幅度的均值,所述均值心拍内第i个样本点的幅度为所述幅度的中值。
处理设备从心电信号片段内会提取到多个心拍,每个心拍均包括n个样本点。
处理设备获取每个所述心拍内第i个样本点的幅度,计算每个心拍内第i个样本点的幅度的均值,得到均值心拍内第i个样本点的幅度。通过获取均值心拍n个样本点的幅度,得到均值心拍。
处理设备获取每个所述心拍内第i个样本点的幅度,计算每个心拍内第i个样本点的幅度的中值,得到中值心拍内第i个样本点的幅度。通过获取中值心拍n个样本点的幅度,得到中值心拍。
需要说明的是,中值心拍和均值心拍并不是心电信号实际存在的心拍,而是通过获取心拍内样本点幅度的均值和中值而提取得到的。
第二、右分支阻滞心拍特征提取网络的结构如下:
右分支阻滞心拍特征提取网络主要由卷积层和残差层构成,具体地,请参阅图7,其为本申请一个实施例提供的右分支阻滞心拍特征提取网络的结构示意图,所述右分支阻滞心拍特征提取网络包括依次级联的第三一维卷积层、第四一维卷积层、第一残差层、第二残差层和第三残差层。
其中,第三一维卷积层、第四一维卷积层是分别对中值心拍和均值心拍进行卷积运算,进行所述卷积运算所用的卷积核尺寸和滤波器个数可根据需求调整。
在一个可选的实施例中,所述第三一维卷积层的卷积核尺寸为32,滤波器个数为32;所述第四一维卷积层的卷积核尺寸为32,滤波器个数为64。
所述第一残差层、第二残差层和第三残差层均包括第三L2正则化的一维卷积层(Third Conv1D+L2)、第二分批归一化层(Second Batch Normalization)、ReLU层、第二L2正则化的一维卷积层(Second Conv1D+L2)以及第三分批归一化层(Third BatchNormalization)。所述第一残差层、第二残差层和第三残差层是为了通过残差层的堆叠,实现网络的深度连接,从而避免梯度爆炸和梯度消失的问题。
在一个可选的实施例中,第一残差层、第二残差层和第三残差层的卷积核尺寸均为11,滤波器个数均为48。在其他可选的实施例中,可以根据实际情况,对第一残差层、第二残差层和第三残差层中的卷积核尺寸和滤波器个数进行调整,在此不做限制。
S104:将所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征输入预设的右分支阻滞特征时序编码网络,得到右分支阻滞时序特征增强向量。
预设的右分支阻滞特征时序编码网络用于对所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征将进行时序编码,得到输出向量,再对输出向量引入前向和后向的序列信息进行时序增强编码,得到右分支阻滞时序特征增强向量。
在本申请实施例中,所述右分支阻滞特征时序编码网络具体包括特征时序融合编码网络和特征时序增强编码网络,请参阅图8,为增强全局时序信息对处理结果的影响,步骤S104包括S1041~S1043,具体如下:
S1041:根据所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征的时间步,堆叠所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征,得到右分支阻滞堆叠特征。
处理设备根据所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征的时间步,堆叠所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征,得到右分支阻滞堆叠特征。
在本申请实施例中,所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征的尺寸为48*20,三者的时间步一致,均为20。处理设备根据时间步,对48*20的右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征进行堆叠,得到144*20的右分支阻滞堆叠特征。
S1042:将所述右分支阻滞堆叠特征输入所述特征时序融合编码网络,得到右分支阻滞时序特征融合向量。
所述特征时序融合编码网络为一种可以对特征进行时序编码的神经网络。
在本申请实施例中,所述特征时序融合编码网络为循环神经网络(RecurrentNeural Network,RNN)。所述特征时序融合编码网络的卷积核尺寸为20,时间步的个数为64。
在其他可选的实施例中,所述特征时序融合编码网络可以为其他类型的神经网络,所述时间步的个数和卷积核的尺寸均可以根据实际情况进行调整。
具体地,处理设备将右分支阻滞堆叠特征输入所述特征时序融合编码网络中,特征时序融合编码网络以所述右分支阻滞堆叠特征的个数为特征时序融合编码的时间步,在每个时间步输入一个所述右分支阻滞堆叠特征至所述特征时序融合编码网络,得到在最后一个时间步所述特征时序融合编码网络输出的向量,即为所述右分支阻滞时序特征融合向量。
S1043:将所述右分支阻滞时序特征融合向量输入所述特征时序增强编码网络,得到所述右分支阻滞时序特征增强向量。
所述特征时序增强编码网络为一种可以对右分支阻滞时序特征融合向量进行双向时序编码的网络,从而达到引入前向和后向的序列信息的目的。在本申请实施例中,所述特征时序增强编码网络为双向时间递归神经网络(BiLSTM)。
处理设备将所述右分支阻滞时序特征融合向量输入所述特征时序增强编码网络中,得到所述右分支阻滞时序特征增强向量。
在一个可选的实施例中,所述特征时序增强编码网络还可以分为第一特征时序增强编码网络和第二特征时序增强编码网络。
所述第一特征时序增强编码网络和第二特征时序增强编码网络均为双向时间递归神经网络。不同点在于,所述第一特征时序增强编码网络的卷积核尺寸为40,时间步的个数为250,所述第二特征时序增强编码网络的卷积核尺寸为20,时间步的个数为500。
处理设备分别将所述右分支阻滞时序特征融合向量分别输入所述第一特征时序增强编码网络和第二特征时序增强编码网络,得到第一右分支阻滞时序特征增强向量和第二右分支阻滞时序特征增强向量。之后,再将所述第一右分支阻滞时序特征增强向量和所述第二右分支阻滞时序特征增强向量求和,得到所述右分支阻滞时序特征增强向量。
在本实施例中,通过根据所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征的时间步,堆叠所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征,得到右分支阻滞堆叠特征;将所述右分支阻滞堆叠特征输入所述特征时序融合编码网络,得到右分支阻滞时序特征融合向量;将所述右分支阻滞时序特征融合向量输入所述特征时序增强编码网络,得到所述右分支阻滞时序特征增强向量,增强了时序信息对心电信号处理结果的影响,进一步提高了心电信号处理结果的准确性。
S105:基于所述右分支阻滞时序增强特征向量和预设的右束支阻滞程度分类函数,得到所述心电信号的右束支阻滞程度的分类概率。
处理设备右分支阻滞时序增强特征向量输入预设的右束支阻滞程度分类函数,得到所述心电信号的右束支阻滞程度的分类概率。
在一个可选的实施例中,所述预设的右束支阻滞程度分类函数为Softmax函数,所述Softmax函数的输出为概率值,也即是右束支阻滞程度的分类概率。其中,所述Softmax函数具体如下:
其中,ei表示右分支阻滞时序增强特征向量中第i个元素的值,∑jej表示右分支阻滞时序增强特征向量中所有元素的值之和,Si表示右束支阻滞程度属于第i类的分类概率。
在本申请的实施例中,通过获取待处理的心电信号;将所述待处理的心电信号输入预设的右分支阻滞节律特征提取网络,提取所述心电信号的右分支阻滞节律特征;获取所述心电信号的中值心拍和均值心拍,将所述中值心拍和均值心拍输入预设的右分支阻滞心拍特征提取网络,提取所述心电信号的右分支阻滞中值心拍特征和右分支阻滞均值心拍特征,不仅能够提高特征提取的丰富度,还能增强右分支阻滞特征的表达,避免无效特征对处理结果的干扰。并且,通过将所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征输入预设的右分支阻滞特征时序编码网络,得到右分支阻滞时序特征增强向量;基于所述右分支阻滞时序增强特征向量和预设的右束支阻滞程度分类函数,得到所述心电信号的右束支阻滞程度的分类概率,增强了时序信息对心电信号处理结果的影响,进一步提高了心电信号处理结果的准确性。
请参见图9,为本申请一个实施例提供的心电信号的处理装置的结构示意图。该装置可以通过软件、硬件或两者的结合实现成为心电信号的处理设备的全部或一部分。该装置2包括第一获取单元21、节律特征提取单元22、心拍特征提取单元23、时序编码单元24和分类单元25:
第一获取单元21,用于获取待处理的心电信号;
节律特征提取单元22,用于将所述待处理的心电信号输入预设的右分支阻滞节律特征提取网络,提取所述心电信号的右分支阻滞节律特征;
心拍特征提取单元23,用于获取所述心电信号的中值心拍和均值心拍,将所述中值心拍和均值心拍输入预设的右分支阻滞心拍特征提取网络,提取所述心电信号的右分支阻滞中值心拍特征和右分支阻滞均值心拍特征;
时序编码单元24,用于将所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征输入预设的右分支阻滞特征时序编码网络,得到右分支阻滞时序特征增强向量;
分类单元25,用于基于所述右分支阻滞时序增强特征向量和预设的右束支阻滞程度分类函数,得到所述心电信号的右束支阻滞程度的分类概率。
在本申请的实施例中,通过获取待处理的心电信号;将所述待处理的心电信号输入预设的右分支阻滞节律特征提取网络,提取所述心电信号的右分支阻滞节律特征;获取所述心电信号的中值心拍和均值心拍,将所述中值心拍和均值心拍输入预设的右分支阻滞心拍特征提取网络,提取所述心电信号的右分支阻滞中值心拍特征和右分支阻滞均值心拍特征,不仅能够提高特征提取的丰富度,还能增强右分支阻滞特征的表达,避免无效特征对处理结果的干扰。并且,通过将所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征输入预设的右分支阻滞特征时序编码网络,得到右分支阻滞时序特征增强向量;基于所述右分支阻滞时序增强特征向量和预设的右束支阻滞程度分类函数,得到所述心电信号的右束支阻滞程度的分类概率,增强了时序信息对心电信号处理结果的影响,进一步提高了心电信号处理结果的准确性。
可选的,所述节律特征提取单元22包括:
节律信息提取单元,用于将所述待处理的心电信号分别输入所述心拍节律信息提取网络和所述QRS波节律信息提取网络,提取所述心电信号的心拍节律信息和QRS波节律信息;
第一堆叠单元,用于根据所述心拍节律信息和QRS波节律信息的时间步,堆叠所述心拍节律信息和QRS波节律信息,得到所述节律堆叠信息;
第一局部特征提取单元,用于将所述节律堆叠信息输入所述右分支阻滞局部特征提取网络,提取所述心电信号的右分支阻滞节律特征。
可选的,第一局部特征提取单元包括:
第二局部特征提取单元,用于将所述节律堆叠信息输入至所述第一一维卷积层,并根据级联顺序,依次将各层的输出结果输入至下一层中,接收所述第二降采样层的输出结果,得到所述右分支阻滞节律特征。
可选的,心拍特征提取单元23包括:
切割单元,用于将所述心电信号切割成预设时间长度的心电信号片段,提取所述心电信号片段中的心拍;其中,每个所述心拍包括n个样本点;
心拍获取单元,用于获取每个所述心拍内第i个样本点的幅度,根据所述幅度的均值和所述幅度的中值,得到所述均值心拍和中值心拍;其中,所述均值心拍内第i个样本点的幅度为所述幅度的均值,所述均值心拍内第i个样本点的幅度为所述幅度的中值。
可选的,时序编码单元24包括:
第一时序融合编码单元,用于将所述右分支阻滞堆叠特征输入所述特征时序融合编码网络,得到右分支阻滞时序特征融合向量;
第一时序增强编码单元,用于将所述右分支阻滞时序特征融合向量输入所述特征时序增强编码网络,得到所述右分支阻滞时序特征增强向量。
可选的,第一时序融合编码单元包括:
第二时序融合编码单元,用于以所述右分支阻滞堆叠特征的个数为特征时序融合编码的时间步,在每个时间步输入一个所述右分支阻滞堆叠特征至所述特征时序融合编码网络,得到在最后一个时间步所述特征时序融合编码网络输出的所述右分支阻滞时序特征融合向量。
可选的,第一时序增强编码单元包括:
第二时序增强编码单元,用于将所述右分支阻滞时序特征融合向量分别输入所述第一特征时序增强编码网络和第二特征时序增强编码网络,得到第一右分支阻滞时序特征增强向量和第二右分支阻滞时序特征增强向量;
向量求和单元,用于将所述第一右分支阻滞时序特征增强向量和所述第二右分支阻滞时序特征增强向量求和,得到所述右分支阻滞时序特征增强向量。
请参见图10,为本申请一个实施例提供的心电信号的处理设备的结构示意图。如图10所示,所述心电信号的处理设备3可以包括:处理器30、存储器31以及存储在所述存储器31并可以在所述处理器30上运行的计算机程序32,例如:心电信号的处理程序;所述处理器30执行所述计算机程序32时实现上述各方法实施例中的步骤,例如图1所示的步骤S101至S105。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能,例如图9所示单元21至25的功能。
其中,所述处理器30可以包括一个或多个处理核心。处理器30利用各种接口和线路连接所述控制设备3内的各个部分,通过运行或执行存储在存储器31内的指令、程序、代码集或指令集,以及调用存储器31内的数据,执行控制设备3的各种功能和处理数据,可选的,处理器30可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programble Logic Array,PLA)中的至少一个硬件形式来实现。处理器30可集成中央处理器(Central ProcessingUnit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责触摸显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器30中,单独通过一块芯片进行实现。
其中,存储器31可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器31包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器31可用于存储指令、程序、代码、代码集或指令集。存储器31可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控指令等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器31可选的还可以是至少一个位于远离前述处理器30的存储装置。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适用于由处理器加载并执行上述图1、图2、图5以及图8所示实施例的方法步骤,具体执行过程可以参见图1、图2、图5以及图8所示实施例的具体说明,在此不进行赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块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。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (10)
1.一种心电信号的处理方法,其特征在于,包括步骤:
获取待处理的心电信号;
将所述待处理的心电信号输入预设的右分支阻滞节律特征提取网络,提取所述心电信号的右分支阻滞节律特征;
获取所述心电信号的中值心拍和均值心拍,将所述中值心拍和均值心拍输入预设的右分支阻滞心拍特征提取网络,提取所述心电信号的右分支阻滞中值心拍特征和右分支阻滞均值心拍特征;其中,从所述心电信号提取若干心拍,每个所述心拍包括若干样本点,根据每个所述心拍内各个样本点幅度的均值以及中值确定所述中值心拍和所述均值心拍;
将所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征输入预设的右分支阻滞特征时序编码网络,得到右分支阻滞时序特征增强向量;其中,所述右分支阻滞特征时序编码网络包括特征时序融合编码网络和特征时序增强编码网络;
基于所述右分支阻滞时序增强特征向量和预设的右束支阻滞程度分类函数,得到所述心电信号的右束支阻滞程度的分类概率。
2.根据权利要求1所述的心电信号的处理方法,其特征在于,所述预设的右分支阻滞节律特征提取网络包括心拍节律信息提取网络、QRS波节律信息提取网络以及右分支阻滞局部特征提取网络,
所述将所述待处理的心电信号输入预设的右分支阻滞节律特征提取网络,提取所述心电信号的右分支阻滞节律特征,包括步骤:
将所述待处理的心电信号分别输入所述心拍节律信息提取网络和所述QRS波节律信息提取网络,提取所述心电信号的心拍节律信息和QRS波节律信息;
根据所述心拍节律信息和QRS波节律信息的时间步,堆叠所述心拍节律信息和QRS波节律信息,得到节律堆叠信息;
将所述节律堆叠信息输入所述右分支阻滞局部特征提取网络,提取所述心电信号的右分支阻滞节律特征。
3.根据权利要求2所述的心电信号的处理方法,其特征在于,所述右分支阻滞局部特征提取网络包括依次级联的第一一维卷积层、第一降采样层、第二一维卷积层以及第二降采样层,
所述将所述节律堆叠信息输入所述右分支阻滞局部特征提取网络,提取所述心电信号的右分支阻滞节律特征,包括步骤:
将所述节律堆叠信息输入至所述第一一维卷积层,并根据级联顺序,依次将各层的输出结果输入至下一层中,接收所述第二降采样层的输出结果,得到所述右分支阻滞节律特征。
4.根据权利要求1所述的心电信号的处理方法,其特征在于,所述获取所述心电信号的中值心拍和均值心拍,包括步骤:
将所述心电信号切割成预设时间长度的心电信号片段,提取所述心电信号片段中的心拍;其中,每个所述心拍包括n个样本点;
获取每个所述心拍内第i个样本点的幅度,根据所述幅度的均值和所述幅度的中值,得到所述均值心拍和中值心拍;其中,所述均值心拍内第i个样本点的幅度为所述幅度的均值,所述中值心拍内第i个样本点的幅度为所述幅度的中值。
5.根据权利要求1所述的心电信号的处理方法,其特征在于,
所述将所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征输入预设的右分支阻滞特征时序编码网络,得到右分支阻滞时序特征增强向量,包括步骤:
根据所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征的时间步,堆叠所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征,得到右分支阻滞堆叠特征;
将所述右分支阻滞堆叠特征输入所述特征时序融合编码网络,得到右分支阻滞时序特征融合向量;
将所述右分支阻滞时序特征融合向量输入所述特征时序增强编码网络,得到所述右分支阻滞时序特征增强向量。
6.根据权利要求5所述的心电信号的处理方法,其特征在于,所述将所述右分支阻滞堆叠特征输入所述特征时序融合编码网络,得到右分支阻滞时序特征融合向量,包括步骤:
以所述右分支阻滞堆叠特征的个数为特征时序融合编码的时间步,在每个时间步输入一个所述右分支阻滞堆叠特征至所述特征时序融合编码网络,得到在最后一个时间步所述特征时序融合编码网络输出的所述右分支阻滞时序特征融合向量。
7.根据权利要求5所述的心电信号的处理方法,其特征在于,所述特征时序增强编码网络包括第一特征时序增强编码网络和第二特征时序增强编码网络,
所述将所述右分支阻滞时序特征融合向量输入所述特征时序增强编码网络,得到所述右分支阻滞时序特征增强向量,包括步骤:
将所述右分支阻滞时序特征融合向量分别输入所述第一特征时序增强编码网络和第二特征时序增强编码网络,得到第一右分支阻滞时序特征增强向量和第二右分支阻滞时序特征增强向量;
将所述第一右分支阻滞时序特征增强向量和所述第二右分支阻滞时序特征增强向量求和,得到所述右分支阻滞时序特征增强向量。
8.一种心电信号的处理装置,其特征在于,包括:
第一获取单元,用于获取待处理的心电信号;
节律特征提取单元,用于将所述待处理的心电信号输入预设的右分支阻滞节律特征提取网络,提取所述心电信号的右分支阻滞节律特征;
心拍特征提取单元,用于获取所述心电信号的中值心拍和均值心拍,将所述中值心拍和均值心拍输入预设的右分支阻滞心拍特征提取网络,提取所述心电信号的右分支阻滞中值心拍特征和右分支阻滞均值心拍特征;其中,从所述心电信号提取若干心拍,每个所述心拍包括若干样本点,根据每个所述心拍内各个样本点幅度的均值以及中值确定所述中值心拍和所述均值心拍;
时序编码单元,用于将所述右分支阻滞节律特征、右分支阻滞中值心拍特征和右分支阻滞均值心拍特征输入预设的右分支阻滞特征时序编码网络,得到右分支阻滞时序特征增强向量;其中,所述右分支阻滞特征时序编码网络包括特征时序融合编码网络和特征时序增强编码网络;
分类单元,用于基于所述右分支阻滞时序增强特征向量和预设的右束支阻滞程度分类函数,得到所述心电信号的右束支阻滞程度的分类概率。
9.一种心电信号的处理设备,其特征在于,包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767977.1A CN111973176B (zh) | 2020-08-03 | 2020-08-03 | 心电信号的处理方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767977.1A CN111973176B (zh) | 2020-08-03 | 2020-08-03 | 心电信号的处理方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111973176A CN111973176A (zh) | 2020-11-24 |
CN111973176B true CN111973176B (zh) | 2024-03-12 |
Family
ID=73445770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010767977.1A Active CN111973176B (zh) | 2020-08-03 | 2020-08-03 | 心电信号的处理方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111973176B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107714023A (zh) * | 2017-11-27 | 2018-02-23 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的静态心电图分析方法和装置 |
CN110226921A (zh) * | 2019-06-27 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号检测分类方法、装置、电子设备和存储介质 |
WO2020061987A1 (zh) * | 2018-09-28 | 2020-04-02 | 深圳大学 | 多导联联合心电图分类方法 |
-
2020
- 2020-08-03 CN CN202010767977.1A patent/CN111973176B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107714023A (zh) * | 2017-11-27 | 2018-02-23 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的静态心电图分析方法和装置 |
WO2020061987A1 (zh) * | 2018-09-28 | 2020-04-02 | 深圳大学 | 多导联联合心电图分类方法 |
CN110226921A (zh) * | 2019-06-27 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号检测分类方法、装置、电子设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
A Novel Detection Method of Bundle Branch Block from Multi-lead ECG;Jing Hu et al;2019 41st Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC);79-82 * |
Electrocardiogram heartbeat classification based on a deep convolutional neural network and focal loss;Taissir Fekih Romdhane et al;Computers in Biology and Medicine;第123卷;1-13 * |
Towards End-to-End ECG Classification With Raw Signal Extraction and Deep Neural Networks;Sean Shensheng Xu et al;IEEE JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS;第23卷(第4期);1574-1584 * |
Also Published As
Publication number | Publication date |
---|---|
CN111973176A (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107981858B (zh) | 基于人工智能的心电图心搏自动识别分类方法 | |
CN109171712A (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
US5749367A (en) | Heart monitoring apparatus and method | |
CN110720894B (zh) | 一种心房扑动的检测方法、装置、设备及存储介质 | |
CN110522440B (zh) | 基于分组卷积神经网络的心电信号识别装置 | |
CN111481192B (zh) | 一种基于改进U-Net的心电信号R波检测方法 | |
CN108968941B (zh) | 一种心律失常检测方法、装置及终端 | |
CN109394205B (zh) | 一种基于深度神经网络的心电信号分析方法 | |
CN105249925B (zh) | 一种中医脉象采集装置及降噪系统和降噪方法 | |
CN111956211A (zh) | 单导联心电信号房颤自动检测方法 | |
CN111631705A (zh) | 心电异常检测方法、模型训练方法、装置、设备及介质 | |
CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
CN111460951A (zh) | 一种基于深度学习的心电信号自动分析方法 | |
CN110367936B (zh) | 心电信号检测方法及装置 | |
CN109009073A (zh) | 房颤检测装置及存储介质 | |
CN109222964A (zh) | 房颤检测装置及存储介质 | |
CN109077721A (zh) | 房颤检测装置及存储介质 | |
CN113349778A (zh) | 基于经颅直流电刺激的情绪分析方法、装置和电子装置 | |
CN111973176B (zh) | 心电信号的处理方法、装置及设备 | |
CN114145735A (zh) | 基于bcg信号的运动规划方案生成方法、系统以及设备 | |
CN110537907B (zh) | 一种基于奇异值分解的心电信号压缩及识别方法 | |
CN111887836B (zh) | 心电信号的处理方法、装置及设备 | |
Sathawane et al. | Prediction and analysis of ECG signal behaviour using soft computing | |
CN111839502B (zh) | 一种心电数据异常检测方法、装置、设备及存储介质 | |
CN111449647B (zh) | 一种心电图识别方法、装置、存储介质及电子设备 |
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 |