CN113491523A - 一种心电信号特征点检测方法及系统 - Google Patents
一种心电信号特征点检测方法及系统 Download PDFInfo
- Publication number
- CN113491523A CN113491523A CN202110871545.XA CN202110871545A CN113491523A CN 113491523 A CN113491523 A CN 113491523A CN 202110871545 A CN202110871545 A CN 202110871545A CN 113491523 A CN113491523 A CN 113491523A
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- electrocardiosignals
- waveform
- layer
- wave
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000013136 deep learning model Methods 0.000 claims abstract description 17
- 230000015654 memory Effects 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000013441 quality evaluation Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000000718 qrs complex Methods 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013194 cardioversion Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002861 ventricular Effects 0.000 description 1
- 230000003313 weakening effect Effects 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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/353—Detecting P-waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/355—Detecting T-waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/366—Detecting abnormal QRS complex, e.g. widening
-
- 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
- A61B5/7235—Details of waveform analysis
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (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
本发明公开一种心电信号特征点检测方法及系统，包括：获取连续时间内的心电信号；对连续时间内的心电信号进行分割处理后得到标准心电信号片段；对标准心电信号片段基于构建的一维编码解码深度学习模型提取心电特征，根据心电特征进行波形分类，根据得到的波形分类结果得到每类波形边界特征点的检测结果。利用深度学习方法自动提取心电信号特征，可以同时实现P波、QRS波、T波和无波段的波形分类，以及P波、QRS波群和T波边界点的检测。
Description
技术领域
本发明涉及人工智能数据分析技术领域，特别是涉及一种心电信号特征点检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
心电图从体表捕捉电信号在心脏内的传播过程，通过波形或节律的变化显示心室心房的病变状态，此类设备可以进行实时的非静态心电监测，但是长时间的心电监测会产生大量的心电数据。一个正常的心动周期通常由P波、QRS波群和T波组成，对心电图的分析首先是寻找QRS波群，因为QRS波群是心电图中最显著的特征，是其余波形检测的基础。
QRS波群检测的主要方法是根据心电信号和心脏电生理活动的基本规律对心电进行QRS增强或者减弱其余波形的强度，并设置阈值来进行检测；而P波和T波检测常见的两种方法是固定窗口搜索法和QRS-T消除法，但是以上传统的方法很难将所有的情况考虑在内，当出现考虑在外的心电信号时，波形检测精度严重下降，且P波和T波形态多变，可能呈现双相形态或缺失状态，这使得P波和T波检测成为一大难点。
发明内容
为了解决上述问题，本发明提出了一种心电信号特征点检测方法及系统，利用深度学习方法构建一维编码解码深度学习模型，通过自动提取心电信号特征，可以同时实现P波、QRS波、T波和无波段的波形分类，以及P波、QRS波群和T波边界点的检测。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种心电信号特征点检测方法，包括：
获取连续时间内的心电信号；
对连续时间内的心电信号进行分割处理后得到标准心电信号片段；
对标准心电信号片段基于构建的一维编码解码深度学习模型提取心电特征，根据心电特征进行波形分类，根据得到的波形分类结果得到每类波形边界特征点的检测结果。
作为可选择的实施方式，对心电信号进行分割处理之前，通过对连续时间内的心电信号的质量评估，判断是否需要对心电信号进行去噪处理，若需要，则对心电信号去噪后进行分割，否则直接对心电信号进行分割。
作为可选择的实施方式，所述质量评估包括：采用心电信号纯度和心电波形的样本熵进行质量评估。
作为可选择的实施方式，所述去噪处理包括：采用中值滤波器对心电信号中的基线漂移进行去除。
作为可选择的实施方式，所述分割处理包括：将心电信号重采样到预设采样频率，按照预设心电信号片段时间长度对重采样后的心电信号进行分割处理，得到标准心电信号片段；将心电信号所对应的波形位置分别对应至标准心电信号片段对应的波形位置上，对标准心电信号片段中的波形位置进行独热编码，以完成特征数字化。
作为可选择的实施方式，所述一维编码解码深度学习模型包括编码器，所述编码器的第一层采用两层卷积及池化结构，以提取心电初级特征；第二层到第四层的每层分成两条支路，第一条支路为两个卷积操作，第二条支路为两个空洞卷积操作，且每层的最后将两路卷积所提取的特征进行通道合并后输入到池化层，第五层为两个双向长短时记忆网络以提取时间特征。
作为可选择的实施方式，所述一维编码解码深度学习模型包括解码器，所述解码器采用多次解码结构。
第二方面，本发明提供一种心电信号特征点检测系统，包括：
信号获取模块，被配置为获取连续时间内的心电信号；
分割处理模块，被配置为对连续时间内的心电信号进行分割处理后得到标准心电信号片段；
检测模块，被配置为对标准心电信号片段基于构建的一维编码解码深度学习模型提取心电特征，根据心电特征进行波形分类，根据得到的波形分类结果得到每类波形边界特征点的检测结果。
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
本发明的心电信号特征点检测方法及系统根据对心电信号的质量评估结果选择是否进行基线漂移去除操作，且利用只经过去除基线漂移的心电信号进行模型的搭建，提高算法的鲁棒性，对含有高噪声的心电信号检测效果也较稳定。
本发明的心电信号特征点检测方法及系统可以同时实现P波、QRS波、T波和无波段的波形分类，以及P波、QRS波群和T波边界点的检测。
相比于传统算法中需要繁琐的特征提取及选择过程，本发明的心电信号特征点检测方法及系统利用深度学习算法可以自动进行特征提取，提高心电波形识别的精度。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例1提供的心电波形心动周期示意图；
图2为本发明实施例1提供的基于深度学习的心电信号特征点自动检测方法的流程图；
图3为本发明实施例1提供的心电片段波形位置范围示意图；
图4为本发明实施例1提供的双向长短时记忆网络示意图；
图5为本发明实施例1提供的长短时记忆网络结构图；
图6为本发明实施例1提供的对心电波形检测结果的示意图。
具体实施方式：
下面结合附图与实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如图1所示，一个正常的心动周期通常由P波、QRS波群和T波组成，对心电图的分析首先是寻找QRS波群，因为QRS波群是心电图中最显著的特征，是其余波形检测的基础。根据背景技术中所述的现有监测方法的缺陷，本实施例基于深度学习技术提出一种心电信号特征点的自动检测方法；
深度学习逐渐被用于心电信号特征点检测中，深度学习具有极强的自主学习能力和高度的非线性映射特性，能够在大量的训练数据中学习心电信号特征，目前基于传统的机器学习技术的心电特征点检测算法要求预先指定的阈值或其他假设，本实施例提出一种心电信号特征点的自动检测方法进行心电信号波形分类和特征点检测，无需手动预提取任何特征也可以取得较高的识别准确率；如图2所示，具体包括以下步骤：
步骤1：利用信号质量评估指标对原始连续时间内的心电数据进行质量评估，判断心电信号是否需要进行去噪处理，如果不需要去噪处理，直接进行步骤3，如果需要进行去噪处理，则继续进行步骤2。
所述步骤1中包括以下具体步骤：
采用心电信号纯度purSQI和心电波形的样本熵entSQI完成一维心电信号的质量评估；
心电信号纯度为：
其中，
P(ejw)是心电信号的功率谱；
心申波形的样本熵为：
其中，N是一维心电信号的长度；m是重构维数，m一般选择1或2，优先选择2，一般不取m＞2；r是预设阈值大小，一般选择r＝0.1～0.25*std(data)，data是心电数据一维行向量；
心电波形的样本熵参数通过度量信号中产生新模式的概率大小来衡量时间序列复杂性，新模式产生的概率越大，序列的复杂性就越大，样本熵的值越低，序列自我相似性就越高，样本熵的值越大，样本序列就越复杂。
步骤2：对原始连续时间内的心电信号进行去噪处理，矫正基线漂移。
所述步骤2中包括以下具体步骤：采用中值滤波器去除心电信号中的基线漂移噪声。
中值滤波去除基线漂移噪声的基本思想是先去掉心电信号中较大的值，得到只含有基线的趋势项信号，然后将只含有基线的趋势项信号与原始心电信号进行叠加，从而消除原始心电信号中的基线漂移干扰。
设原始心电信号为x＝{x(n)|n＝1，2，3...，N}，中值滤波器滑动窗口的大小为L＝2R+1，L＜N，则经过中值滤波器处理后的信号X(n)表示为：
步骤3：对原始连续时间内的心电数据做数据预处理，得到标准心电信号片段。
所述步骤3中包括以下具体步骤：
将原始心电信号重采样到预设采样频率的心电信号，然后按照预设心电信号片段时间长度对重采样后的心电信号进行分割处理，得到一系列预设长度的标准心电信号片段作为一维信号输入；
并将原始心电信号所对应的波形位置(P波的起止位置和QRS波群的起止位置和T波的起止位置)，分别对应至分割后心电信号片段对应的波形位置上，如图3所示，对心电片段中P波位置、QRS波群位置及T波位置进行one-hot编码(独热编码)实现特征数字化；
one-hot编码是分类变量作为二进制向量的表示，首先将分类值映射到整数值，例如P波：0；QRS波：1；T波：2；无波：3；然后每个整数值被表示为二进制向量，除了整数索引外，其他都为零。
步骤4：构建面向心电信号的一维编码解码深度学习模型，自动完成一维深度心电特征的自动提取并进行波形的分类，得到每种波形的分类精度，同时利用两种波形的交界处进行心电信号特征点的检测。
所述步骤4中包括以下具体步骤：
4.1输入层：
本实施例以心电信号X和四通道的二值序列标签Y作为输入，其中：
4.2模型层：
深度学习模型层包括编码结构和解码模型，本实施例采用的基础模型是图像语义分割模型SegNet，该模型是Vijay Badrinarayanan等人提出的用于图像分割任务的模型，本实施例将此模型运用到一维心电波形检测任务中，并对其进行改进，以获取更高的检测精度。
深度学习模型是在Python 3.7.6中使用keras API环境搭建的，选择Adam作为训练优化器，损失函数为多分类交叉熵，学习率和epoch分别设置为1e-3和60，同时设置earlystopping来减少过拟合。
在深度学习模型中，具体包括如下结构：
4.2.1编码结构：
编码器的第一层采用两层卷积及池化结构提取心电初级特征，第二层到第四层的每层分成两条支路，第一条支路核心为两个卷积操作，第二条支路的核心为两个空洞卷积操作，每层的最后将两路卷积所提取的特征进行通道合并输入到池化层，考虑到心电信号为时间序列，本实施例在第五层加入两个双向长短时记忆网络以便捕获时间特征。
其中，卷积层可自动从心电信号中提取局部特征，不同于传统的神经网络，卷积操作可通过不同神经元之间的参数共享来减少计算量，为避免神经网络反向传播过程中的梯度消失问题，本实施例采用ELU激活函数，一维卷积运算公式如下：
其中，C(m)ij表示第m个卷积层的第i个过滤器的第j个神经元输出，N是卷积核的大小，bi是第i个过滤器的共享偏差，ωi＝[ωi1ωi2ωi3...ωiN]是第i个过滤器的共享权值，Xj＝[XjXj+1Xj+2...Xj+N-1]是对应的输入信号，f(.)是ELU激活函数。
本实施例还采用了空洞卷积来捕获更丰富的心电特征，除了普通卷积中过滤器及卷积核大小等参数外，空洞卷积还有一个扩张率参数，主要用来表示扩张的大小，此操作在没有增加参数数量的情况下增加了卷积操作的感受野，同时可以捕获多尺度上下文信息，经过一个扩张率为2的卷积运算后，一个卷积核大小为3的正常卷积等价于一个卷积核大小为5的扩展卷积。
池化层的作用是对卷积提取的特征进行下采样，减小特征的大小、并降低计算复杂度，池化可分为最大池化、平均池化和随机池化。
如图4所示，双向长短时记忆网络由前向长短时记忆网络与后向长短时记忆网络组合而成，其中长短时记忆网络的结构如图5所示，长短时记忆网络在循环神经网络的隐藏层神经元中增加了记忆单元，当信息在隐藏层各单元间传递时，可通过三个可控门(输入门、遗忘门、输出门)控制之前信息和当前信息的记忆和遗忘程度，具体计算过程如下：
第一步是决定从细胞状态中丢弃什么信息，这个工作由遗忘门f执行，公式如下：
ft＝σ(ωxfxt+ωhfht-1+ωcfct-1+bf)，
该门会读取当前时刻t的输入xt及t-1时刻输出ht-1，并通过sigmoid激活函数σ(.)生成一个概率值(0全部丢弃，1全部保留)传递给细胞状态ct-1，决定t-1时刻的细胞状态ct-1有多少保存到当前时刻t的细胞状态ct中。
第二步是决定给当前细胞状态添加哪些信息，这个工作由输入门i执行，公式如下：
it＝σ(ωxixt+ωhiht-1+ωcict-1+bi)
该门选择性接收经过tanh函数激活t-1时刻输出ht-1和当前时刻t的输入xt所产生一个新细胞状态
并传递到当前时刻t的细胞状态ct中。
最后一步就是决定输出什么信息，这个工作由输出门o执行，公式如下：
Ot＝σ(ωxo xt+ωho ht-1+ωco ct-1+bo)
ht＝ot*tanh(ct)
输出门选择性输出经过tanh函数激活当前时刻t的细胞状态ct。
4.2.2解码结构：
本实施例采用多次解码的解码器架构，通过将编码器每次卷积池化后的几次输出分别进行上采样及卷积操作，并将这些解码信息融合作为最终输出，可有效恢复在编码过程中丢失的部分信息；
其中，上采样操作是通过重复填充，将输入特征层中的某个值映射填充到输出上采样的特征层的某片对应区域中。
4.3输出层：
对于心电输入序列X，经过编码及解码结构后得到特征向量zop，经过softmax函数可以得到每个类别的预测概率，公式如下：
其中，pi为预测对象属于第d类的概率，
最终，经过softmax函数输出一个四通道的概率值序列：
输出序列中的值代表不同类别之间的相对概率，经过下述公式，可将网络预测结果分为P波、QRS波群、T波或无波四类，即：
f(argmax(f(x)))＝max(f(x))。
步骤5：本实施例利用公开数据库进行模型构建及测试后，同时利用某三级甲等医院健康及心脏疾病患者的5分钟心电数据进行模型效果验证，需要注意的是，所有数据的获取都在符合法律法规和用户同意的基础上，对数据进行合法应用。
所述步骤5中包括以下具体步骤：
本实施例使用公开的Lobachevsky University心电数据库和QT心电数据库进行模型构建及测试，QT数据库心电记录数据量大，如表1所示，本实施例随机抽取约70％名受试者的心电记录作为训练集，其余约30％名受试者的心电记录作为测试集，将训练好的模型在测试集上进行测试，用来评价模型在数据库内部的泛化能力。
LU数据库包含200名受试者10s心电记录，本实施例将全部QT数据库心电记录作为训练集，全部LU数据库心电记录作为测试集，利用QT数据库上进行训练的模型在LU数据库上进行测试，来验证模型在不同数据库之间的泛化能力。
本实施例按照上述步骤1-3对心电记录进行质量评估及预处理，按照步骤4将预处理的信号输入至深度学习模型进行分析，得到心电波形分类及特征点检测结果。结果如下：
如表1所示，模型在QT数据库上对P波、QRS波、T波和无波分类平均准确率为96.904％，精确率为93.891％，召回率为93.662％，特异性为97.371％，F1_分数为93.775％。
如表2所示，模型LU数据库上P波、QRS波、T波和无波分类准确率为95.402％，精确率为88.410％，召回率为90.912％，特异性为96.014％，F1_分数为89.521％。
模型在QT数据库上P&QRS&T边界点检测性能如表3所示，表中分别报告了模型检测P波、QRS波和T波的起始点和结止点检测的敏感性、阳性检测率、F1_分数和偏差；模型检测P波、QRS波、T波的平均敏感性分别为99.503％、99.858％和99.627％；平均阳性检测率分别为99.548％、99.768％和99.191％；平均F1_分数分别为99.526％、99.813％和99.408％；平均偏差分别为6.801±5.881、4.688±4.821和14.192±15.414。
模型在LU数据库上P&QRS&T边界点检测性能如表4所示，表中分别报告了模型检测P波、QRS波和T波的起始点和结止点检测的敏感性、阳性检测率、F1_分数和偏差；模型检测P波、QRS波、T波的平均敏感性分别为97.284％、99.499％和98.116％；平均阳性检测率分别为92.326％、98.265％和96.953％；平均F1_分数分别为94.739％、98.876％和97.531％；平均偏差分别为8.243±11.929、9.710±12.412和18.725±23.302。
表5-6为本实施例所改进后的ECG_Segnet模型与其他深度学习模型的性能比较，包括之前所提出的改进编码结构、改进解码结构、改进编码解码结构的ECG_Segnet模型和原始SegNet编码解码结构，本实施例在QT数据库内部的测试集上评估了所提出的ECG_Segnet模型。
如表5所示，在四种波形分类上，本实施例所提出的ECG_Segnet模型在四种波形检测五种平均指标均最优，相对于原始编码解码结构SegNet，模型平均准确率提升了约1.18％，平均精确率提升了约2.86％，平均召回率提升了约2.38％，平均特异性提升了约1.01％，平均F1_分数提升了约2.31％。
如表6所示，在P&QRS&T波边界点检测性能上，本实施例所提出的ECG_Segnet模型平均检测性能最优，相对于原始编码解码结构SegNet，平均敏感性、阳性检测率和F1_分数提升了约0.894％、0.119％和0.507％，平均偏差及其标准差降低了约2.812ms和1.755ms。
表1模型在QT数据库上P&QRS&T&NW波分类结果
表2模型在LU数据库上P&QRS&T&NW波分类结果
表3模型在QT数据库上P&QRS&T边界点检测结果
表4模型在LU数据库上P&QRS&T边界点检测结果
表5不同改进方法在QT数据库上P&QRS&T&NW分类性能对比
表6不同改进方法在QT数据库上P&QRS&T边界点检测结果对比
如图6所示为模型在采集的5分钟心电数据上进行预测的P、QRS、T和无波波形分类结果，其中P波波段、QRS波波段、T波波段和无波波段都能被正确分类。
实施例2
本实施例提供一种心电信号特征点检测系统，包括：
信号获取模块，被配置为获取连续时间内的心电信号；
质量评估模块，被配置为对连续时间内的心电信号进行质量评估，判断是否需要进行去噪处理；
去噪模块，被配置为对连续时间内的心电信号进行去噪处理，矫正基线漂移；
分割处理模块，被配置为对连续时间内的心电信号进行分割处理后得到标准心电信号片段；
检测模块，被配置为对标准心电信号片段基于构建的一维编码解码深度学习模型提取心电特征，根据心电特征进行波形分类，根据得到的波形分类结果得到每类波形边界特征点的检测结果。
此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，实施例1中每个步骤下的详细步骤同样适用于本实施例中相对应的模块，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，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申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种心电信号特征点检测方法，其特征在于，包括：
获取连续时间内的心电信号；
对连续时间内的心电信号进行分割处理后得到标准心电信号片段；
对标准心电信号片段基于构建的一维编码解码深度学习模型提取心电特征，根据心电特征进行波形分类，根据得到的波形分类结果得到每类波形边界特征点的检测结果。
2.如权利要求1所述的一种心电信号特征点检测方法，其特征在于，对心电信号进行分割处理之前，通过对连续时间内的心电信号的质量评估，判断是否需要对心电信号进行去噪处理，若需要，则对心电信号去噪后进行分割，否则直接对心电信号进行分割。
3.如权利要求2所述的一种心电信号特征点检测方法，其特征在于，所述质量评估包括：采用心电信号纯度和心电波形的样本熵进行质量评估。
4.如权利要求2所述的一种心电信号特征点检测方法，其特征在于，所述去噪处理包括：采用中值滤波器对心电信号中的基线漂移进行去除。
5.如权利要求1所述的一种心电信号特征点检测方法，其特征在于，所述分割处理包括：将心电信号重采样到预设采样频率，按照预设心电信号片段时间长度对重采样后的心电信号进行分割处理，得到标准心电信号片段；将心电信号所对应的波形位置分别对应至标准心电信号片段对应的波形位置上，对标准心电信号片段中的波形位置进行独热编码，以完成特征数字化。
6.如权利要求1所述的一种心电信号特征点检测方法，其特征在于，所述一维编码解码深度学习模型包括编码器，所述编码器的第一层采用两层卷积及池化结构，以提取心电初级特征；第二层到第四层的每层分成两条支路，第一条支路为两个普通的卷积操作，第二条支路为两个空洞卷积操作，且每层的最后将两路卷积所提取的特征进行通道合并后输入到池化层，第五层为两个双向长短时记忆网络以提取时间特征。
7.如权利要求1所述的一种心电信号特征点检测方法，其特征在于，所述一维编码解码深度学习模型包括解码器，所述解码器采用多次解码结构。
8.一种心电信号特征点检测系统，其特征在于，包括：
信号获取模块，被配置为获取连续时间内的心电信号；
分割处理模块，被配置为对连续时间内的心电信号进行分割处理后得到标准心电信号片段；
检测模块，被配置为对标准心电信号片段基于构建的一维编码解码深度学习模型提取心电特征，根据心电特征进行波形分类，根据得到的波形分类结果得到每类波形边界特征点的检测结果。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110871545.XA CN113491523A (zh) | 2021-07-30 | 2021-07-30 | 一种心电信号特征点检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110871545.XA CN113491523A (zh) | 2021-07-30 | 2021-07-30 | 一种心电信号特征点检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113491523A true CN113491523A (zh) | 2021-10-12 |
Family
ID=77996537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110871545.XA Pending CN113491523A (zh) | 2021-07-30 | 2021-07-30 | 一种心电信号特征点检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113491523A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114176602A (zh) * | 2021-12-30 | 2022-03-15 | 重庆康如来科技有限公司 | 一种基于深度学习多目标检测同时定位心电p波、qrs波、t波位置的方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111110228A (zh) * | 2020-01-17 | 2020-05-08 | 武汉中旗生物医疗电子有限公司 | 一种心电信号r波的检测方法及装置 |
| 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 |
| CN111481192A (zh) * | 2020-04-22 | 2020-08-04 | 重庆邮电大学 | 一种基于改进U-Net的心电信号R波检测方法 |
| CN111493828A (zh) * | 2020-04-23 | 2020-08-07 | 四川大学 | 基于全卷积网络的序列到序列的睡眠障碍检测方法 |
| CN111803059A (zh) * | 2020-06-30 | 2020-10-23 | 武汉中旗生物医疗电子有限公司 | 一种基于时域卷积网络的心电信号分类方法及装置 |
| CN111862294A (zh) * | 2020-07-31 | 2020-10-30 | 天津大学 | 基于ArcGAN网络的手绘3D建筑自动上色网络结构及方法 |
| CN113143230A (zh) * | 2021-05-11 | 2021-07-23 | 重庆理工大学 | 一种外周动脉血压波形重构系统 |
-
2021
- 2021-07-30 CN CN202110871545.XA patent/CN113491523A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111110228A (zh) * | 2020-01-17 | 2020-05-08 | 武汉中旗生物医疗电子有限公司 | 一种心电信号r波的检测方法及装置 |
| 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 |
| CN111481192A (zh) * | 2020-04-22 | 2020-08-04 | 重庆邮电大学 | 一种基于改进U-Net的心电信号R波检测方法 |
| CN111493828A (zh) * | 2020-04-23 | 2020-08-07 | 四川大学 | 基于全卷积网络的序列到序列的睡眠障碍检测方法 |
| CN111803059A (zh) * | 2020-06-30 | 2020-10-23 | 武汉中旗生物医疗电子有限公司 | 一种基于时域卷积网络的心电信号分类方法及装置 |
| CN111862294A (zh) * | 2020-07-31 | 2020-10-30 | 天津大学 | 基于ArcGAN网络的手绘3D建筑自动上色网络结构及方法 |
| CN113143230A (zh) * | 2021-05-11 | 2021-07-23 | 重庆理工大学 | 一种外周动脉血压波形重构系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114176602A (zh) * | 2021-12-30 | 2022-03-15 | 重庆康如来科技有限公司 | 一种基于深度学习多目标检测同时定位心电p波、qrs波、t波位置的方法 |
| CN114176602B (zh) * | 2021-12-30 | 2024-04-26 | 重庆康如来科技有限公司 | 一种基于深度学习多目标检测同时定位心电p波、qrs波、t波位置的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Deep learning in ECG diagnosis: A review | |
| Çınar et al. | Classification of normal sinus rhythm, abnormal arrhythmia and congestive heart failure ECG signals using LSTM and hybrid CNN-SVM deep neural networks | |
| CN107822622B (zh) | 基于深度卷积神经网络的心电图诊断方法和系统 | |
| 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 | |
| CN110584649B (zh) | 一种动态单导心电图中异常心电信号识别方法及系统 | |
| CN111297349A (zh) | 一种基于机器学习的心律分类系统 | |
| CN111990989A (zh) | 一种基于生成对抗及卷积循环网络的心电信号识别方法 | |
| CN108090509B (zh) | 一种数据长度自适应的心电图分类方法 | |
| CN112508110A (zh) | 一种基于深度学习的心电信号图的分类方法 | |
| CN112587153B (zh) | 一种基于vPPG信号的端到端的非接触房颤自动检测系统和方法 | |
| CN113080969B (zh) | 基于多模态特征的测谎数据处理方法及系统 | |
| CN111345817B (zh) | Qrs波群位置确定方法、装置、设备及存储介质 | |
| CN113995419B (zh) | 一种基于心跳节律信号的房颤发生风险预测系统及其应用 | |
| CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
| CN112043260B (zh) | 基于局部模式变换的心电图分类方法 | |
| Ismail et al. | PCG classification through spectrogram using transfer learning | |
| CN111291727A (zh) | 一种光体积变化描记图法信号质量检测方法和装置 | |
| Liang et al. | Obstructive sleep apnea detection using combination of CNN and LSTM techniques | |
| CN114419054A (zh) | 视网膜血管图像分割方法、装置及相关设备 | |
| Ramkumar et al. | Auto-encoder and bidirectional long short-term memory based automated arrhythmia classification for ECG signal | |
| CN115470832A (zh) | 一种基于区块链的心电信号数据处理方法 | |
| CN113491523A (zh) | 一种心电信号特征点检测方法及系统 | |
| Liu et al. | Semantic segmentation of qrs complex in single channel ecg with bidirectional lstm networks | |
| CN114862865A (zh) | 基于多视角冠状动脉造影序列图像的血管分割方法及系统 | |
| CN114091530A (zh) | 心电分类方法、基于域自适应的心电分类模型训练方法 |
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 |