CN112587152B - 一种融合U-net网络和滤波方法的12导联T波提取方法 - Google Patents
一种融合U-net网络和滤波方法的12导联T波提取方法 Download PDFInfo
- Publication number
- CN112587152B CN112587152B CN202011254119.3A CN202011254119A CN112587152B CN 112587152 B CN112587152 B CN 112587152B CN 202011254119 A CN202011254119 A CN 202011254119A CN 112587152 B CN112587152 B CN 112587152B
- Authority
- CN
- China
- Prior art keywords
- wave
- lead
- peak position
- wave peak
- layer
- 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
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
- A61B5/7225—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
Abstract
本发明涉及一种融合U‑net网络和滤波方法的12导联T波提取方法,对T波波峰位置的预测过程分为两部分,对两部分的结果进行综合评判得到最终预测值。其中,第一部分用每一个导联训练好的U‑net网络模型得到12个T波波峰位置向量的结果;第二部分对每一导联的心电数据进行相同的滤波的方式得到的12个T波波峰位置向量的结果;将最终得到的24个T波波峰位置与每条心电信号的R波波峰位置向量作差后求方差,方差最小即为最终预测的T波波峰位置。
Description
技术领域
本申请属于心电图波形提取技术领域,尤其是涉及一种融合U-net网络和滤波方法的12导联T波提取方法。
背景技术
由于心脏电传导系统异常所引起的各种征候,称为心律失常。心电信号作为检测心律失常疾病的重要工具,是人体心脏活动时所产生的电信号。T波作为心电波形的重要组成部分,它反映了心室肌的复极过程,生理性和病理性因素都可以改变T波的形态,每种T波的改变,临床意义都不同,其包含了丰富的病理信息。
目前,针对T波异常的识别已经广泛应用于心肌梗死、冠心病、高血压等疾病的诊断与检测。因此,及时准确地检测定位T波波峰位置,并根据位置进行前后波形的分析,对诊断相应的心脏疾病有很重要的意义。
目前已有一些关于心电图各个波形的提取算法的研究,例如,利用对心电图施加固定时间窗的方法提取ST段,但当心率变化时,这种提取方法就不够精确。
发明内容
本发明要解决的技术问题是:为解决现有技术中关于心电图T波提取不够精确的问题,从而提供一种融合U-net网络和滤波方法的12导联T波提取方法。
为解决上述技术问题,本发明提供一种融合U-net网络和滤波方法的12导联T波提取方法,分别利用U-net网络模型和滤波处理预测T波位置,并分别与R波波峰位置求方差,对两种预测方法得出的方差值进行综合分析比较,最终以最小的方差值所对应的T波波峰位置为最终的判断结果。
本发明解决其技术问题所采用的技术方案是:
本发明第一方面提供一种融合U-net网络和滤波方法的12导联T波提取方法,包括:
S1:收集若干包含不同T波波形且代表不同心律失常类型的12导联心电信号,所述12导联心电信号均已标注T波波峰和R波波峰;
S2:通过数据预处理,根据每一条心电信号标注的T波波峰位置信息,对12导联的每一条心电信号的N个采样点进行打标,为对应心电信号标记表示T波波段位置的数据标签;
S3:将每一导联设置数据标签的心电信号数据构成训练集,训练对应导联的U-net网络;
S4:获取实时待检测的12导联心电信号数据,根据S2进行预处理后输入对应导联的U-net网络模型,输出12导联信号对应的N*1标签向量,识别12导联心电信号的所有T波波段以及对应T波波段的T波波峰位置,从而得到各导联对应的第一T波波峰位置向量Tloc_1;
S5:对根据S2预处理后的实时待检测的12导联心电信号数据进行滤波处理,对滤波处理后的12导联心电信号利用R波波峰位置信息,识别T波波峰位置,输出各导联对应的第二T波波峰位置向量Tloc_2;
S6:将Tloc_1与R波波峰位置向量作差后求方差var_1;
S7:将Tloc_2与R波波峰位置向量作差后求方差var_2;
S8:若var_1<var_2,则判断最终的T波波峰位置为Tloc_1;若var_1>var_2,则判断的最终T波波峰位置为Tloc_2。
本发明第二方面提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序在被处理器执行时用于实现本发明第一方面所述的方法。
本发明的有益效果是:本发明的T波提取方法融合了U-net网络和滤波,对12导联T波波峰位置的预测过程分为两部分,其中,第一部分用每一个导联训练好的U-net网络模型得到12个T波波峰位置向量的结果;第二部分对每一导联的心电数据进行相同的滤波的方式得到的12个T波波峰位置向量的结果;将最终得到的24个T波波峰位置与每条心电信号的R波波峰位置向量作差后求方差,方差最小即为最终预测的T波波峰位置。本发明的提取方法能够较为准确地对T波波峰进行识别,提取心电图中的T波。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例的方法流程图;
图2是本申请实施例的具体算法构架图;
图3是本申请实施例的U-net网络结构图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
本发明第一实施例提供一种融合U-net网络和滤波方法的12导联T波提取方法,如图1和图2所示,包括:
S1:收集若干包含不同T波波形且代表不同心律失常类型的12导联心电信号,所述12导联心电信号均已标注T波波峰和R波波峰;
S2:通过数据预处理,根据每一条心电信号标注的T波波峰位置信息,对12导联的每一条心电信号的N个采样点进行打标,为对应心电信号标记表示T波波段位置的数据标签;
S3:将每一导联设置数据标签的心电信号数据构成训练集,训练对应导联的U-net网络;
S4:获取实时待检测的12导联心电信号数据,根据S2进行预处理后输入对应导联的U-net网络模型,输出12导联对应的N*1标签向量,识别12导联心电信号的所有T波波段以及对应T波波段的T波波峰位置,从而得到各导联对应的第一T波波峰位置向量Tloc_1;
S5:对根据S2预处理后的实时待检测的12导联心电信号数据进行滤波处理,对滤波处理后的12导联心电信号利用R波波峰位置信息,识别T波波峰位置,输出各导联对应的第二T波波峰位置向量Tloc_2;
S6:将Tloc_1与R波波峰位置向量作差后求方差var_1;
S7:将Tloc_2与R波波峰位置向量作差后求方差var_2;
S8:若var_1<var_2,则判断最终的T波波峰位置为Tloc_1;若var_1>var_2,则判断的最终T波波峰位置为Tloc_2。
本实施例收集近5000条已知所有R波峰值位置、T波波峰位置的临床静息12导联的10s心电信号数据,且心电信号的采样频率为500Hz。本实施例采集的心电数据长度为10s,临床上一般测量时间为1分钟,医生选取干扰少、质量好的10秒的信号进行诊断。采样频率为500Hz,如果不是500Hz,则需要先重采样至500HZ。12导联为肢体导联I、II、III,加压肢体导联aVR、aVL、aVF及胸导联V1~V6。
采集的心电信号数据包含不同T波波形及不同病症的12导联心电信号数据,所述的T波波形包含T波正常、T波低平、T波高尖、T波倒置、T波切轨、T波双向这些波形类型。
完成数据采集之后,需要进行数据预处理,通过数据预处理过程,对每一导联的每一条心电信号的5000个采样点打标,每一条心电信号均得到一个由5000个数字组成的数据标签,根据数据标签中每个采样点的标记数据,可以识别T波波段的位置。
对预处理之后的12导联心电数据构成训练集,训练12导联对应的12个U-net网络。
对于实时获取的12导联心电数据,经过预处理之后得到5000*1的12导联心电数据,分别输入对应导联的U-net网络,输出12导联对应的5000*1标签向量,根据标签向量的数据,识别12导联心电信号的所有T波波段以及对应T波波段的T波波峰位置,从而得到12个导联对应的12个第一T波波峰位置向量Tloc_1。
对于预处理之后得到5000*1的12导联心电数据,进行滤波处理,利用R波波峰位置信息,识别T波波峰位置,得到12个导联对应的12个第二T波波峰位置向量Tloc_2。
将12个第一T波波峰位置向量Tloc_1分别与R波波峰位置向量作差后求方差;将12个第二T波波峰位置向量Tloc_2分别与R波波峰位置向量作差后求方差;将得出的24个方差值进行综合分析比较,最终以最小的方差值所对应的的T波波峰位置作为最终的判断结果。
可选的是,本实施例对采集的12导联心电信号数据预处理的步骤包括:
首先,对采集的每一个导联的每一条心电信号进行小波滤波;
其次,根据每一个导联的心电信号标注的T波波峰位置信息,将对应T波波峰位置往左50、往右50的采样点均标记为1,其余采样点都默认为0,从而为每一个导联的心电信号设置表示T波波段位置的数据标签。
先对每一条10s心电信号进行预处理,进行小波滤波;其次,对每一条心电信号5000个点中每一个点进行打标。本实施例根据心电信号标注的T波波峰位置信息,将T波波峰位置往左50和往右50的采样点均标记为1,其余点都默认为0。
例如,一条心电信号的标签为5000个数字组成[0 0 0 0 0 0 0 0 0 0 0 0 0 001 1 1 1 1 1 1 1 1.....1 1 1 1 0 0 0 0 0 0....1 1 1 1....1 1 1 1 0 0 0 0],其中111...表示此段为T波所在波段;0000..表示除了T波波段以外的其他点(非T波段)。为方便模型训练,对标签进行独热化操作,将每一条心电信号所对应的长度为5000的标签改为(5000,2)的形式,5000行2列,每一行代表一个点的类型。
可选的是,识别12导联心电信号的所有T波波段以及对应T波波段的T波波峰位置的步骤包括:
在输出的N*1标签向量中,若有连续m个采样点的标签值大于设定阈值,则认为所述连续设定数量的采样点构成的波段即为T波波段,m≥50;
对每一个所述T波波段取中点,所述中点位置即为对应T波波段的波峰位置。
以I导联为例,预测I导联U-net模型预测的T波波峰位置向量(Tloc_1)的过程为(其余导联的预测过程相同):
将待检测的10s临床I导联心电信号输入训练好的I导联U-net模型中,I导联U-net模型输出5000*1的标签向量,输出的标签向量中,若有连续50个采样点的标记数据值(连续0.1s)大于0.5,则认为所述50个采样点所在的波段是T波波段,在这些T波波段中,对每一个T波波段取中点,每一个中点对应的位置即为每一个T波波峰位置。
例如:模型预测的标签向量为[0 0 0 0 0 0 0 0.56 0.62 0.75 0.88 0.98 0.980.98 1 1 1 1 1 1 1.....0.62 0.42 0 0 0 0.....0 0 0 0 0.63 0.79 0.95 0.98 0.990.99 0.99 1 1 1 1 1 1....0.78 0.32 0.1 0 0 0 0 0 0 0 0.....],其中从0.56-0.62有连续50个点大于0.5,认为此段为T波波段,假设从0.56-0.42有68个点,找到其中点位置为此波段的第34个点,这第34个点在5000长度的向量中的下标为368,即368为此段心电信号的第一个T波波峰的位置。
以此类推,可以找到10s心电信号的所有T波波峰位置,组成T波波峰位置向量Tloc_1。
可选的是,S5中,识别T波波峰位置的步骤包括:
首先,进行0.06s窗中值滤波;其次,再进行0.06s窗中值滤波;然后,进行0.1s均值滤波;最后,对每一个R波波峰位置后0.4s内首次出现的最大值的位置标记为T波波峰位置。
对待检测的10s临床12导联心电信号进行三次滤波处理,对滤波后的心电信号利用R波波峰位置信息进行T波波峰位置的判断。
首先进行0.06s窗中值滤波,其次再进行0.06s窗中值滤波,然后进行0.1s均值滤波,最后对每一个R波波峰位置后0.4s(即R波波峰后200个采样点)内首次出现的最大值的位置标记为每一个T波波峰位置。
例如:医生给出的某个R波波峰的位置为162,判断第162个采样点后的200个采样点的大小,找到首次出现最大值的点的位置,记为T波波峰位置。
可选的是,S6中,将Tloc_1与R波波峰位置向量作差后求方差var_1的步骤包括:
S61:若T波波峰位置向量Tloc_1中的元素个数等于R波波峰位置向量中的元素个数,则将所述R波波峰位置向量中的值与T波波峰位置向量Tloc_1中的值一一对应作差,得到一个新的向量,再对所述新的向量求方差,记为var_1;
S62:若T波波峰位置向量Tloc_1中的元素个数大于R波波峰位置向量中的元素个数,则对R波波峰位置向量中的每一个元素值Ri,分别查找Tloc_1中大于Ri且最接近Ri的元素值,并保存;保存的Tloc_1中的元素值构成修正后的T波波峰位置向量,然后再采用S61的方法求方差var_1;
S63:若T波波峰位置向量Tloc_1中的元素个数小于R波波峰位置向量中的元素个数,则对T波波峰位置向量中的每一个元素值Ti,分别查找R波波峰位置向量中小于Ti且最接近Ti的元素值,并保存;保存的R波波峰位置向量的元素值构成修正后的R波波峰位置向量,然后再采用S61的方法求方差var_1。
本实施例中的Tloc_1是通过U-net网络模型最终判断的第一T波波峰位置向量。
(1)若Tloc_1中元素值的个数等于医生所给出的R波波峰位置向量中元素值的个数,则用每一个R波波峰位置向量中的元素值减去对应的第一T波波峰位置向量Tloc_1中的元素值,得到一个新的向量,再对此向量求方差,记为var_1,最终得到12个方差值var_1;
(2)若Tloc_1中元素值的个数大于医生所给出的R波波峰位置向量中元素值的个数,则对Tloc_1中的元素进行删除,删除方法为:
循环R波波峰位置向量中每一个R波波峰位置Ri,查找Tloc_1中大于Ri,且最接近Ri的值保存。例如:
R波波峰位置向量为[536 1369 1937 2338],Tloc_1为[654 1523 2134 25362912],对于R波波峰位置向量中的第一个元素536,在Tloc_1中大于536且最接近536的值为654,将其保存;
对于R波波峰位置向量中的第二个元素1369,在Tloc_1中大于1369且最接近1369的值为1523,将其保存;
依次循环下去,将R波波峰位置向量中的每一个元素均查找完毕,最终修正过的Tloc_1为[654 1523 2134 2536]。
将修正后得到的新的Tloc_1与医生给出的R波波峰位置向量采用(1)中的方法求方差,记为var_1。
(3)若Tloc_1中元素值的个数小于医生所给出的R波波峰位置向量中元素值的个数,则对R波波峰位置向量进行删除,删除方法为:
循环每一个T波波峰位置Ti,找出R波波峰位置向量中小于Ti,且最接近Ti的值保存,其余删除。例如:R波波峰位置为[536 1369 1937 2338 2742],Tloc_1为[654 15232134 2536],若Ti为654,在R波波峰位置向量中找出小于654且最接近654的值为536,依次循环下去,直至Ti为2536,在R波波峰位置向量中小于2536的值为536,1369,1937,2338,但最接近的为2338,故保存的是2338,最终R波波峰位置向量中多出来的点2742删除。最终将Tloc_1向量和修正过的医生给出的R波波峰位置向量如上一步相同的作差,再求方差,记为var_1。
可选的是,将Tloc_2与R波波峰位置向量作差后求方差var_2的步骤包括:
Tloc_2是通过滤波后利用心电信号波形分布特点最终判断的T波波峰位置向量。由于Tloc_2向量是利用每个R波位置后200个点首次出现最大值确定的,故不存在Tloc_2向量和R波波峰位置向量个数不相同的情况,直接利用每一个R波波峰向量中的元素值对应的每一个Tloc_2中的元素值,得到一个新的向量,再对此新的向量求方差,记为var_2。
可选的是,如图3所示,所述U-net网络的输入层依次连接第一卷积层、第二卷积层;
第二卷积层的输出为第一下采样层的输入,第一下采样层依次连接第三卷积层和第四卷积层;
第四卷积层的输出为第二下采样层的输入,第二下采样层依次连接第五卷积层和第六卷积层;
第六卷积层的输出为第三下采样层的输入,第三下采样层依次连接第七卷积层和第八卷积层;
第八卷积层连接第一上采样层,第一上采样层依次连接第九卷积层和第十卷积层;
第十卷积层的输出为第二上采样层的输入,第二上采样层依次连接第十一卷积层和第十二卷积层;
第十二卷积层的输出为第三上采样层的输入,第三上采样层的输出依次连接第十三卷积层和第十四卷积层,其中,第十四卷积层为输出层。
本实施例的U-net网络输入为5000*1的I导联心电信号数据,输出为5000*1的向量,U-net网络采用对称的U型结构。
下采样层采用最大池化方法,上采样层采用双线性插(Upsample)和卷积学习更高层的特征。
第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层、第十三卷积层和第十四卷积层内滤波器的个数依次为六个、六个、十二个、十二个、二十四个、二十四个、四十八个、四十八个、二十四个、二十四个、十二个、十二个、六个、一个。第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层、第十三卷积层和第十四卷积层的卷积核大小均为(3*1)。第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层、第十三卷积层和第十四卷积层的步长均为1,填充方式均为“same”。第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层、第十一卷积层、第十二卷积层、第十三卷积层的激励函数均为ReLU函数,第十四卷积层的激励函数为Softmax函数。第一下采样层、第二下采样层、第三下采样层均采用最大池化方法,第一下采样层、第二下采样层、第三下采样层的池化窗大小均设置为2。第一上采样层、第二上采样层、第三上采样层均先进行双线性插值,后进行卷积,第一上采样层、第二上采样层、第三上采样层中卷积操作时滤波器个数依次为二十四个、十二个、六个,第一上采样层、第二上采样层、第三上采样层中卷积操作时卷积核大小均为(2*1),第一上采样层、第二上采样层、第三上采样层中卷积操作的步长均为1,填充方式均为”same”,第一上采样层、第二上采样层、第三上采样层中卷积操作时的激励函数均为ReLU函数。
损失函数均采用categorical_crossentropy。训练算法可以为:随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法、Adamax算法等。
本实施例的U-net网络模型可以将低层特征与高层特征融合,有利于更好地学习特征。且U-net网络模型是一个自动编码解码器,可保证输入输出长度相同,这便于直观判断T波在整段心电信号中的位置。
本实施例对T波波峰位置的预测过程分为两部分,对两部分的结果进行综合评判得到最终预测值。其中,第一部分用每一个导联训练好的U-net网络模型得到12个T波波峰位置向量的结果;第二部分对每一导联的心电数据进行相同的滤波的方式得到的12个T波波峰位置向量的结果;将最终得到的24个T波波峰位置与每条心电信号的R波波峰位置向量作差后求方差,方差最小即为最终预测的T波波峰位置。
本实施例提出的一种融合Unet网络和滤波方法的12导联T波提取算法,能够较为准确地对T波波峰进行识别。
本发明第二实施例还提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序在被处理器执行时,用于实现本发明第一实施例所述的方法。
以上述依据本申请的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项申请技术思想的范围内,进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (5)
1.一种融合U-net网络和滤波方法的12导联T波提取方法,其特征在于,包括:
S1:收集若干包含不同T波波形且代表不同心律失常类型的12导联心电信号,所述12导联心电信号均已标注T波波峰和R波波峰;
S2:通过数据预处理,根据每一条心电信号标注的T波波峰位置信息,对12导联的每一条心电信号的N个采样点进行打标,为对应心电信号标记表示T波波段位置的数据标签;
S3:将每一导联设置数据标签的心电信号数据构成训练集,训练对应导联的U-net网络;
S4: 获取实时待检测的12导联心电信号数据,根据S2进行预处理后输入对应导联的U-net网络模型,输出12导联信号对应的N*1标签向量,识别12导联心电信号的所有T波波段以及对应T波波段的T波波峰位置,从而得到各导联对应的第一T波波峰位置向量Tloc_1;
S5:对根据S2预处理后的实时待检测的12导联心电信号数据进行滤波处理,对滤波处理后的12导联心电信号利用R波波峰位置信息,识别T波波峰位置,输出各导联对应的第二T波波峰位置向量Tloc_2;
S6:将Tloc_1与R波波峰位置向量作差后求方差var_1;
S7:将Tloc_2与R波波峰位置向量作差后求方差var_2;
S8:若var_1< var_2,则判断最终的T波波峰位置为Tloc_1;若var_1>var_2,则判断的最终T波波峰位置为Tloc_2;
S6中,将Tloc_1与R波波峰位置向量作差后求方差var_1的步骤包括:
S61:若第一T波波峰位置向量Tloc_1中的元素个数等于R波波峰位置向量中的元素个数,则将所述R波波峰位置向量中的值与第一T波波峰位置向量Tloc_1中的值一一对应作差,得到一个新的向量,再对所述新的向量求方差,记为var_1;
S62:若第一T波波峰位置向量Tloc_1中的元素个数大于R波波峰位置向量中的元素个数,则对R波波峰位置向量中的每一个元素值Ri,分别查找Tloc_1中大于Ri且最接近Ri的元素值,并保存;保存的Tloc_1中的元素值构成修正后的T波波峰位置向量,然后再采用S61的方法求方差var_1;
S63: 若第一T波波峰位置向量Tloc_1中的元素个数小于R波波峰位置向量中的元素个数,则对T波波峰位置向量中的每一个元素值Ti,分别查找R波波峰位置向量中小于Ti且最接近Ti的元素值,并保存;保存的R波波峰位置向量的元素值构成修正后的R波波峰位置向量,然后再采用S61的方法求方差var_1;
将Tloc_2与R波波峰位置向量作差后求方差var_2的步骤包括:
将所述R波波峰位置向量中的值与Tloc_2中的值一一对应作差,得到一个新的向量,再对所述新的向量求方差,记为var_2。
2.根据权利要求1所述的融合U-net网络和滤波方法的12导联T波提取方法,其特征在于,识别12导联心电信号的所有T波波段以及对应T波波段的T波波峰位置的步骤包括:
在输出的N*1标签向量中,若有连续m个采样点的标签值大于设定阈值,则认为连续设定数量的采样点构成的波段即为T波波段,m≥50;
对每一个所述T波波段取中点,所述中点位置即为对应T波波段的波峰位置。
3.根据权利要求1所述的融合U-net网络和滤波方法的12导联T波提取方法,其特征在于,S5中,识别T波波峰位置的步骤包括:
首先,进行0.06s窗中值滤波;其次,再进行0.06s窗中值滤波;然后,进行0.1s均值滤波;最后,对每一个R波波峰位置后0.4s内首次出现的最大值的位置标记为T波波峰位置。
4.根据权利要求1所述的融合U-net网络和滤波方法的12导联T波提取方法,其特征在于,对采集的12导联心电信号数据预处理的步骤包括:
首先,对采集的每一个导联的心电信号进行小波滤波;
其次,根据每一个导联的心电信号标注的T波波峰位置信息,将对应T波波峰位置往左50、往右50的采样点均标记为1,其余采样点都默认为0,从而为每一个导联的每一条心电信号设置表示T波波段位置的数据标签。
5.根据权利要求1所述的融合U-net网络和滤波方法的12导联T波提取方法,其特征在于,所述U-net网络的输入层依次连接第一卷积层、第二卷积层;
第二卷积层的输出为第一下采样层的输入,第一下采样层依次连接第三卷积层和第四卷积层;
第四卷积层的输出为第二下采样层的输入,第二下采样层依次连接第五卷积层和第六卷积层;
第六卷积层的输出为第三下采样层的输入,第三下采样层依次连接第七卷积层和第八卷积层;
第八卷积层连接第一上采样层,第一上采样层依次连接第九卷积层和第十卷积层;
第十卷积层的输出为第二上采样层的输入,第二上采样层依次连接第十一卷积层和第十二卷积层;
第十二卷积层的输出为第三上采样层的输入,第三上采样层的输出依次连接第十三卷积层和第十四卷积层,其中,第十四卷积层为输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011254119.3A CN112587152B (zh) | 2020-11-11 | 2020-11-11 | 一种融合U-net网络和滤波方法的12导联T波提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011254119.3A CN112587152B (zh) | 2020-11-11 | 2020-11-11 | 一种融合U-net网络和滤波方法的12导联T波提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112587152A CN112587152A (zh) | 2021-04-02 |
CN112587152B true CN112587152B (zh) | 2022-08-16 |
Family
ID=75183050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011254119.3A Active CN112587152B (zh) | 2020-11-11 | 2020-11-11 | 一种融合U-net网络和滤波方法的12导联T波提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112587152B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001218747A (ja) * | 2000-02-10 | 2001-08-14 | Tokyo Denki Univ | 心電図解析システム、および、そのためのプログラムを記録したコンピュータ読み取り可能な記録媒体 |
CN102512157A (zh) * | 2011-12-15 | 2012-06-27 | 重庆大学 | 基于模型的动态心电图t波交替定量分析方法 |
CN107622259A (zh) * | 2017-10-20 | 2018-01-23 | 山东大学 | 一种t波检测方法、心电数据分析方法及装置 |
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 |
CN109009085A (zh) * | 2018-07-06 | 2018-12-18 | 四川斐讯信息技术有限公司 | 一种心电信号r波检测方法及系统 |
CN109567789A (zh) * | 2018-12-03 | 2019-04-05 | 东软集团股份有限公司 | 心电图数据的分割处理方法、装置及可读存储介质 |
WO2019084802A1 (zh) * | 2017-10-31 | 2019-05-09 | 长桑医疗(海南)有限公司 | 一种生命体征信号噪声的检测方法与系统 |
CN110353665A (zh) * | 2019-08-14 | 2019-10-22 | 苏州大学 | 基于改进的一维U-net的单导心电图信号特征波形检测方法 |
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 |
JP2020119312A (ja) * | 2019-01-24 | 2020-08-06 | キヤノンメディカルシステムズ株式会社 | データ処理装置、データ処理方法、およびデータ処理プログラム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11302039B2 (en) * | 2017-11-09 | 2022-04-12 | Shimadzu Corporation | Waveform analyzer |
CN110013247B (zh) * | 2019-05-24 | 2020-06-05 | 东北大学 | 一种心电图p波和t波的检测、区分与定位方法 |
-
2020
- 2020-11-11 CN CN202011254119.3A patent/CN112587152B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001218747A (ja) * | 2000-02-10 | 2001-08-14 | Tokyo Denki Univ | 心電図解析システム、および、そのためのプログラムを記録したコンピュータ読み取り可能な記録媒体 |
CN102512157A (zh) * | 2011-12-15 | 2012-06-27 | 重庆大学 | 基于模型的动态心电图t波交替定量分析方法 |
CN107622259A (zh) * | 2017-10-20 | 2018-01-23 | 山东大学 | 一种t波检测方法、心电数据分析方法及装置 |
WO2019084802A1 (zh) * | 2017-10-31 | 2019-05-09 | 长桑医疗(海南)有限公司 | 一种生命体征信号噪声的检测方法与系统 |
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 |
CN109009085A (zh) * | 2018-07-06 | 2018-12-18 | 四川斐讯信息技术有限公司 | 一种心电信号r波检测方法及系统 |
CN109567789A (zh) * | 2018-12-03 | 2019-04-05 | 东软集团股份有限公司 | 心电图数据的分割处理方法、装置及可读存储介质 |
JP2020119312A (ja) * | 2019-01-24 | 2020-08-06 | キヤノンメディカルシステムズ株式会社 | データ処理装置、データ処理方法、およびデータ処理プログラム |
CN110353665A (zh) * | 2019-08-14 | 2019-10-22 | 苏州大学 | 基于改进的一维U-net的单导心电图信号特征波形检测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
U-Net Architecture for the Automatic Detection and Delineation of the Electrocardiogram;Guillermo Jimenez-Perez et al.;《Computing in Cardiology》;20200224;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112587152A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11134880B2 (en) | Automatic method to delineate or categorize an electrocardiogram | |
JP7091451B2 (ja) | 人工知能自己学習に基づく心電図自動解析方法、その解析方法の実行に用いられる装置、コンピュータプログラム製品及びコンピュータ読み取り可能な記憶媒体 | |
CN108294745B (zh) | 多导联心电图信号中p波、t波起止点检测方法及系统 | |
CN110236520B (zh) | 基于双卷积神经网络的心电图类型识别装置 | |
CN106815570B (zh) | 一种基于动态模式识别的心电信号st-t段识别方法 | |
WO2017072250A1 (en) | An automatic method to delineate or categorize an electrocardiogram | |
US20040093192A1 (en) | Apparatus and method for effecient representation of periodic and nearly periodic signals for analysis | |
US20160089048A1 (en) | Time transformation of local activation times | |
CN107451417A (zh) | 动态心电分析智能诊断系统及方法 | |
CN110717416B (zh) | 基于特征选取的st段分类识别用神经网络训练方法 | |
CN114742114B (zh) | 高频qrs波形曲线分析方法、装置、计算机设备与存储介质 | |
CN115470828A (zh) | 基于卷积与自注意力机制的多导联心电图分类识别方法 | |
CN114732419A (zh) | 运动心电数据分析方法、装置、计算机设备与存储介质 | |
CN109770891B (zh) | 心电信号预处理方法及预处理装置 | |
US11672464B2 (en) | Electrocardiogram processing system for delineation and classification | |
Srivastava et al. | Channel self-attention deep learning framework for multi-cardiac abnormality diagnosis from varied-lead ECG signals | |
CN112587152B (zh) | 一种融合U-net网络和滤波方法的12导联T波提取方法 | |
KR102216047B1 (ko) | 자동 결합 뉴런 네트워크를 이용한 심장부정맥 분류 방법 및 장치 | |
CN112587151B (zh) | 一种融合U-net网络和滤波方法的12导联T波提取装置 | |
JP2020528295A (ja) | 不整脈に関係する心拍を分類するためのシステム及び方法 | |
CN115337018B (zh) | 基于整体动态特征的心电信号分类方法及系统 | |
CN116226724A (zh) | 一种非侵入式冠心病检测系统 | |
CN112587149A (zh) | 一种基于卷积神经网络的房性早搏目标检测装置 | |
CN111685754B (zh) | 针对可穿戴ecg采集设备的心率计算方法及系统 | |
Escrivães et al. | ECG classification using Artificial Intelligence: Model Optimization and Robustness Assessment |
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 |