CN112635047A - 一种鲁棒的心电r峰检测方法 - Google Patents

一种鲁棒的心电r峰检测方法 Download PDF

Info

Publication number
CN112635047A
CN112635047A CN202011001313.0A CN202011001313A CN112635047A CN 112635047 A CN112635047 A CN 112635047A CN 202011001313 A CN202011001313 A CN 202011001313A CN 112635047 A CN112635047 A CN 112635047A
Authority
CN
China
Prior art keywords
peak
robust
detection method
module
submodule
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011001313.0A
Other languages
English (en)
Other versions
CN112635047B (zh
Inventor
谢胜利
李翔宇
吕俊
吴宗泽
杨其宇
邱四海
严彬彬
陈德伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202011001313.0A priority Critical patent/CN112635047B/zh
Publication of CN112635047A publication Critical patent/CN112635047A/zh
Application granted granted Critical
Publication of CN112635047B publication Critical patent/CN112635047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种鲁棒的心电R峰检测方法，包括以下步骤：S1、采用已人工标注R峰位置的ECG信号，构建训练数据集；S2、搭建并训练具有注意力机制的R峰概率估计模块，通过训练好的R峰概率估计模块估计得出待选R峰时段；S3、对待选R峰时段的解码向量进行峰值检测，选择R峰概率局部最大值，从而确定具体R峰时刻。本发明综合利用整段ECG信号的时序信息，抵御QRS波形畸变和大幅伪迹的干扰，从而能够进一步提高R峰检测精度，为病理特征提取提供可靠的依据。

Description

一种鲁棒的心电R峰检测方法
技术领域
本发明涉及R峰检测的技术领域，尤其涉及到一种鲁棒的心电R峰检测方法。
背景技术
精准的R峰检测是心电图病理特征可靠提取的基础，比如用于房颤检测的心率变异特征需要准确地计算R-R峰间距。而且R峰是心室去电极化的关键时间点，是精确分析心率变异性、脉搏传导时间的重要依据。但是由于皮肤接触电阻变化、肌电、运动和电磁波等噪声因素的干扰，R峰检测尤为困难。已有的R峰检测方法，比如经典的Pan-Tomkins算法，但该算法具有以下缺点：
(1)无法适应QRS波形畸变和大幅伪迹干扰，导致误检和漏检事件的发生。
(2)现有的深度学习的方法都是对单个滑动窗内的ECG信号进行分类，无法利用整条ECG信号潜在的时序信息，比如R峰的准周期性。
发明内容
本发明的目的在于克服现有技术的不足，提供一种鲁棒的心电R峰检测方法，通过具有注意力机制的神经网络，综合利用整段ECG信号的时序信息，抵御QRS波形畸变和大幅伪迹的干扰，从而能够进一步提高R峰检测精度，为病理特征提取提供可靠的依据。
为实现上述目的，本发明所提供的技术方案为：
一种鲁棒的心电R峰检测方法，包括以下步骤：
S1、采用已人工标注R峰位置的ECG信号，构建训练数据集；
S2、搭建并训练具有注意力机制的R峰概率估计模块，通过训练好的R峰概率估计模块估计得出待选R峰时段；
S3、对待选R峰时段的解码向量进行峰值检测，选择R峰概率局部最大值，从而确定具体R峰时刻。
进一步地，所述R峰概率估计模块由编码子模块、掩码估计子模块以及解码子模块组成。
进一步地，所述步骤S2搭建并训练具有注意力机制的R峰概率估计模块的具体过程如下：
S2-1、将心电信号输入到编码子模块中，学习变换域，提取R峰信息，同时也是将输入的心电信号转化成一个固定长度的向量；
S2-2、将转化后的向量，输入到掩码估计子模块中估计掩码；
S2-3、将掩码估计子模块的输出输入到解码子模块中，即为编码的逆过程。
进一步地，步骤S2-1中，所述编码子模块编码采用一维卷积神经网络。
进一步地，步骤S2-2中，所述掩码估计子模块采用TCN、RNN、LSTM或GRU神经网络。
进一步地，步骤S2-3中，所述解码子模块包括一维反卷积单元、非线性激活单元、一维卷积单元；所述非线性激活单元连接于一维反卷积单元和一维卷积单元之间。
进一步地，所述步骤S2-3的具体过程如下：
S2-3-1、ECG信号至R峰标签序列的映射是非线性的，当信号栈式堆叠时，使用非线性激活单元进行调整，同时使用非线性激活函数，防止过拟合和梯度消失问题；
S2-3-2、在非线性激活单元之后接入一个一维卷积单元起平滑作用，避免输出的概率序列中高频成分的干扰；
S2-3-3、计算训练集R峰标签的估计偏差Δy，若该偏差小于阈值th1，则停止堆叠，否则继续堆叠；在确定堆叠层数后，训练网络参数，并预测测试集的标签序列
Figure BDA0002694421770000021
将
Figure BDA0002694421770000022
中超过门限th2的时间片段列为待选R峰时刻。
与现有技术相比，本方案原理及优点如下：
本方案提出一种具有注意力机制的栈式时序神经网络，综合利用整段ECG信号的时序信息，抵御QRS波形畸变和大幅伪迹的干扰，从而能够进一步提高R峰检测精度，为病理特征提取提供可靠的依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种鲁棒的心电R峰检测方法的原理流程图；
图2为R峰概率估计模块的示意图；
图3为解码子模块的示意图；
图4为不同堆叠层数情况下本发明方法的R峰标签预测序列示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，本实施例所述的一种鲁棒的心电R峰检测方法，包括以下步骤：
S1、采用已人工标注R峰位置的ECG信号，构建训练数据集
Figure BDA0002694421770000031
(ntr为训练集ECG记录总数)，其中，xi∈RT第i条ECG记录(T为时间采样点个数)，yi∈RT为第i条ECG记录的R峰位置标签序列，由0和1构成，信号的采样率为500Hz。为了避免标签值的分布过度不均衡，将R峰位置左右部分采样点的数值(如：左边16个采样点，右边16个采样点)标记为1，其余采样点标记为0。
S2、搭建并训练具有注意力机制的R峰概率估计模块；
如图2所示，R峰概率估计模块由编码子模块、掩码估计子模块以及解码子模块组成；
然后，通过训练好的R峰概率估计模块估计得出待选R峰时段；以时序卷积神经网络(Temporal convolutional network,TCN)为例，包括以下步骤：
步骤S2-1、将处理后的心电信号
Figure BDA0002694421770000041
输入到编码子模块中，目的是学习变换域，提取R峰信息，同时也是将输入的心电信号转化成一个固定长度的向量。本实施例中，编码使用一维卷积神经网络；
步骤S2-2、将转化后的向量，输入到掩码估计子模块中(采用TCN)。TCN包括膨胀卷积(Dilated Convolution)、残差链接(Residual Connections)，本实施例中串接TCN18个；
步骤S2-3、将TCN的输出输入到解码子模块中，即为编码的逆过程，解码时使用一维反卷积神经网络；
步骤S2-3-1、非线性激活单元，以PReLU(Parametric Rectified Linear Unit)为例。在本实施例中，ECG信号至R峰标签序列的映射是非线性的，当信号栈式堆叠时，需要使用PReLU进行调整，同时使用PReLU激活函数，防止过拟合和梯度消失问题；
步骤S2-3-2、在非线性激活单元之后接入一个一维卷积起平滑作用，避免输出的概率序列中高频成分的干扰；
步骤S2-3-3、计算训练集R峰标签的估计偏差Δy，若该偏差小于阈值th1(如：3×10-3)，则停止堆叠，否则继续堆叠。在确定堆叠层数(即网络结构)后，训练网络参数，并预测测试集的标签序列
Figure BDA0002694421770000042
将
Figure BDA0002694421770000043
中超过门限th2(如：0.5)的时间片段列为待选R峰时段。优化器选用Adam优化器，300个epoch。梯度下降步长为5×10-4。
S3、对待选R峰时段的解码向量进行峰值检测，选择R峰概率局部最大值，从而确定具体R峰时刻。
为证明本实施例的有效性和优越性，下面采用CPSC2019数据集进行评估，比较本实施例方法与CNN的R峰检测精度，结果如表1所示。
CNN 本实施例方法
QRS<sub>acc</sub><sup>[2]</sup> 0.707 0.953
HR<sub>acc</sub><sup>[2]</sup> 0.739 0.956
表1.心电信号R峰检测精度对比
其中，QRSacc的计算方式如下：每输入一条ECG信号，模型都会输出一个与ECG信号等长的预测标签，若预测标签中预测的R峰完全正确，这条ECG信号得分为1；若预测标签中出现一个误检(FP)，则这条ECG信号得分为0.7；若预测标签中出现一个漏检(FN)，则这条ECG信号得分为0.3；除上述情况之外的任何情况，这条ECG信号得分均为0。
Figure BDA0002694421770000051
最终得分
Figure BDA0002694421770000052
HRacc的计算方式如下：ECG信号中选取一段长度为4s的片段进行估计，例如5.5s至9.5s的ECG信号。参考的HR(HRref)可以从4s片段中的R峰标签计算得出，预测的HR(HRtest)可以从预测的R峰标签计算出来。若两者之间的差值小于0.02倍的HRref，则这条ECG信号得分为1；若两者差值在0.02倍的HRref和0.05倍的HRref之间，得分为0.75；若两者差值在0.05倍的HRref和0.1倍的HRref之间，得分为0.5；若两者差值在0.1倍的HRref和0.2倍的HRref之间，得分为0.25；除上述情况之外的所有情况，得分均为0。
Figure BDA0002694421770000053
最终，HRacc的得分：
Figure BDA0002694421770000061
表1结果表明：本实施例方法的R峰检测精度显著优于CNN。
表2展示了逐步堆叠时序神经网络的R峰检测精度。
1层 2层 3层 4层 5层 6层
QRS<sub>acc</sub> 0.843 0.953 0.965 0.965 0.953 0.952
HR<sub>acc</sub> 0.892 0.956 0.959 0.962 0.949 0.936
表2.心电信号R峰检测精度对比
由表2可见随着堆叠层数的增加，本实施例的栈式时序神经网络检测R峰的精度逐步提高。当堆叠层数为4时，R峰检测精度达到最高，QRSacc＝0.965，HRacc＝0.962；当堆叠层数过多(大于等于5)时，R峰检测精度有轻微的下降，出现过拟合。
图4展示了不同堆叠层数情况下，本实施例方法的R峰标签预测序列。由图4可见，随着堆叠层数的增加，R峰标签序列的误差逐步减小；但是，当堆叠层数超过4后，R峰标签序列的误差会有小许增加，出现过拟合。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (7)

1.一种鲁棒的心电R峰检测方法，其特征在于，包括以下步骤：
S1、采用已人工标注R峰位置的ECG信号，构建训练数据集；
S2、搭建并训练具有注意力机制的R峰概率估计模块，通过训练好的R峰概率估计模块估计得出待选R峰时段；
S3、对待选R峰时段的解码向量进行峰值检测，选择R峰概率局部最大值，从而确定具体R峰时刻。
2.根据权利要求1所述的一种鲁棒的心电R峰检测方法，其特征在于，所述R峰概率估计模块由编码子模块、掩码估计子模块以及解码子模块组成。
3.根据权利要求2所述的一种鲁棒的心电R峰检测方法，其特征在于，所述步骤S2搭建并训练具有注意力机制的R峰概率估计模块的具体过程如下：
S2-1、将心电信号输入到编码子模块中，学习变换域，提取R峰信息，同时也是将输入的心电信号转化成一个固定长度的向量；
S2-2、将转化后的向量，输入到掩码估计子模块中估计掩码；
S2-3、将掩码估计子模块的输出输入到解码子模块中，即为编码的逆过程。
4.根据权利要求3所述的一种鲁棒的心电R峰检测方法，其特征在于，步骤S2-1中，所述编码子模块编码采用一维卷积神经网络。
5.根据权利要求3所述的一种鲁棒的心电R峰检测方法，其特征在于，步骤S2-2中，所述掩码估计子模块采用TCN、RNN、LSTM或GRU神经网络。
6.根据权利要求3所述的一种鲁棒的心电R峰检测方法，其特征在于，步骤S2-3中，所述解码子模块包括一维反卷积单元、非线性激活单元、一维卷积单元；所述非线性激活单元连接于一维反卷积单元和一维卷积单元之间。
7.根据权利要求6所述的一种鲁棒的心电R峰检测方法，其特征在于，所述步骤S2-3的具体过程如下：
S2-3-1、ECG信号至R峰标签序列的映射是非线性的，当信号栈式堆叠时，使用非线性激活单元进行调整，同时使用非线性激活函数，防止过拟合和梯度消失问题；
S2-3-2、在非线性激活单元之后接入一个一维卷积单元起平滑作用，避免输出的概率序列中高频成分的干扰；
S2-3-3、计算训练集R峰标签的估计偏差Δy，若该偏差小于阈值th1，则停止堆叠，否则继续堆叠；在确定堆叠层数后，训练网络参数，并预测测试集的标签序列
Figure FDA0002694421760000021
将
Figure FDA0002694421760000022
中超过门限th2的时间片段列为待选R峰时段。
CN202011001313.0A 2020-09-22 2020-09-22 一种鲁棒的心电r峰检测方法 Active CN112635047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011001313.0A CN112635047B (zh) 2020-09-22 2020-09-22 一种鲁棒的心电r峰检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011001313.0A CN112635047B (zh) 2020-09-22 2020-09-22 一种鲁棒的心电r峰检测方法

Publications (2)

Publication Number Publication Date
CN112635047A true CN112635047A (zh) 2021-04-09
CN112635047B CN112635047B (zh) 2021-09-07

Family

ID=75300119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011001313.0A Active CN112635047B (zh) 2020-09-22 2020-09-22 一种鲁棒的心电r峰检测方法

Country Status (1)

Country Link
CN (1) CN112635047B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103970975A (zh) * 2013-02-02 2014-08-06 深圳先进技术研究院 心电数据处理方法和系统
CN110680302A (zh) * 2019-08-30 2020-01-14 西北大学 一种心电信号特征波的自动识别方法
US10582862B1 (en) * 2015-04-22 2020-03-10 Vital Connect, Inc. Determination and monitoring of basal heart rate
CN110890155A (zh) * 2019-11-25 2020-03-17 中国科学技术大学 一种基于导联注意力机制的多类心律失常检测方法
CN111310572A (zh) * 2020-01-17 2020-06-19 上海优加利健康管理有限公司 利用心搏时间序列生成心搏标签序列的处理方法和装置
CN111297349A (zh) * 2020-02-12 2020-06-19 北京蓝卫通科技有限公司 一种基于机器学习的心律分类系统
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
CN111631705A (zh) * 2020-05-29 2020-09-08 广州视源电子科技股份有限公司 心电异常检测方法、模型训练方法、装置、设备及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103970975A (zh) * 2013-02-02 2014-08-06 深圳先进技术研究院 心电数据处理方法和系统
US10582862B1 (en) * 2015-04-22 2020-03-10 Vital Connect, Inc. Determination and monitoring of basal heart rate
CN110680302A (zh) * 2019-08-30 2020-01-14 西北大学 一种心电信号特征波的自动识别方法
CN110890155A (zh) * 2019-11-25 2020-03-17 中国科学技术大学 一种基于导联注意力机制的多类心律失常检测方法
CN111310572A (zh) * 2020-01-17 2020-06-19 上海优加利健康管理有限公司 利用心搏时间序列生成心搏标签序列的处理方法和装置
CN111297349A (zh) * 2020-02-12 2020-06-19 北京蓝卫通科技有限公司 一种基于机器学习的心律分类系统
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
CN111631705A (zh) * 2020-05-29 2020-09-08 广州视源电子科技股份有限公司 心电异常检测方法、模型训练方法、装置、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YADAV, A 等: ""A Robust Approach for R-Peak Detection"", 《INTERNATIONAL JOURNAL OF INFORMATION ENGINEERING AND ELECTRONIC BUSINESS》 *
马广龙: ""基于多模态神经网络的心电信号自动识别算法研究"", 《中国优秀硕士学位论文全文数据库-医药卫生科技辑》 *

Also Published As

Publication number Publication date
CN112635047B (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN111772619B (zh) 一种基于深度学习的心搏识别方法、终端设备及存储介质
Rai et al. A unique feature extraction using MRDWT for automatic classification of abnormal heartbeat from ECG big data with multilayered probabilistic neural network classifier
He et al. Automatic detection of QRS complexes using dual channels based on U-Net and bidirectional long short-term memory
Irvine et al. A sequential procedure for individual identity verification using ECG
Daqrouq et al. Neural network and wavelet average framing percentage energy for atrial fibrillation classification
Mourad ECG denoising algorithm based on group sparsity and singular spectrum analysis
CN112244861B (zh) 一种单导联心电信号f波提取方法
Gawande et al. Heart diseases classification using convolutional neural network
CN110840443B (zh) 心电信号处理方法、心电信号处理装置和电子设备
CN116503673B (zh) 一种基于心电图的心律失常识别检测方法及系统
Banerjee et al. A hybrid CNN-LSTM architecture for detection of coronary artery disease from ECG
Bruun et al. Automatic atrial fibrillation detection: A novel approach using discrete wavelet transform and heart rate variability
CN115281688A (zh) 一种基于多模态深度学习的心脏肥大多标签检测系统
CN115470832A (zh) 一种基于区块链的心电信号数据处理方法
Zhu et al. Geoecg: Data augmentation via wasserstein geodesic perturbation for robust electrocardiogram prediction
CN112635047B (zh) 一种鲁棒的心电r峰检测方法
Liu et al. Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks
CN116999063A (zh) 基于信号分解和卷积网络的心电图房颤检测的实现方法
Márquez et al. A study on the representation of QRS complexes with the optimum number of Hermite functions
Cantzos et al. ECG diagnosis via a sequential recursive time series—Wavelet classification scheme
Tonekabonipour et al. Ischemia prediction via ECG using MLP and RBF predictors with ANFIS classifiers
CN115281676A (zh) 基于gru神经网络和ecg信号的疲劳检测方法
US20210321890A1 (en) Apparatus and Method for Determining Fetal Movement
Saxena et al. Optimisation of thresholding techniques in de-noising of ECG signals
Jasim ECG signal classification based on deep learning by using convolutional neural network (CNN)

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