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 PDFInfo
- 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
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
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;
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(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S2-2、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将中超过门限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。
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。
最终,HRacc的得分:
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。
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)
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 |
-
2020
- 2020-09-22 CN CN202011001313.0A patent/CN112635047B/zh active Active
Patent Citations (8)
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)
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 |