CN113647959B - 一种心电波形信号的波形识别方法、装置及设备 - Google Patents
一种心电波形信号的波形识别方法、装置及设备 Download PDFInfo
- Publication number
- CN113647959B CN113647959B CN202110850856.8A CN202110850856A CN113647959B CN 113647959 B CN113647959 B CN 113647959B CN 202110850856 A CN202110850856 A CN 202110850856A CN 113647959 B CN113647959 B CN 113647959B
- Authority
- CN
- China
- Prior art keywords
- waveform
- heart beat
- waveform signal
- signal
- signals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005070 sampling Methods 0.000 claims abstract description 145
- 238000012549 training Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000000718 qrs complex Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000010247 heart contraction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036996 cardiovascular health Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 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
- A61B5/24—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
- A61B5/72—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)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请实施例公开了一种心电波形信号的波形识别方法、装置及设备,该方法包括:获取心电波形信号,从心电波形信号中截取至少一个第一预设长度的输入波形信号。将输入波形信号输入到心拍识别模型中来识别输入波形信号中的各采样点是否为心拍数据。基于各采样点是否为心拍数据的分类结果,从心电波形信号确定出至少一个第二预设长度的心拍波形信号。将心拍波形信号输入到波形识别模型中,可获取波形识别模型输出的心拍波形信号中各采样点的波形分类结果。由于输入到波形识别模型的心拍波形信号中的采样点构成类似完整心拍,便于波形识别模型识别各种波形,降低了心电波形信号的波形识别复杂度,提高心电波形信号的波形识别准确率。
Description
技术领域
本申请涉及数据处理领域,具体涉及一种心电波形信号的波形识别方法、装置及设备。
背景技术
心电波形信号是通过监测患者的心脏跳动过程,生成的表示患者心脏跳动情况的波形信号。对心电波形信号的波形进行识别,获取心电波形信号中的波形,例如P波、QRS波群和T波等。通过分析心电波形信号中的不同波形,可获知患者的心血管的健康情况。
目前,心电波形信号的波形识别过程复杂且心电波形信号的识别结果不够准确。因此,如何降低心电波形信号的波形识别复杂度,提高心电波形信号的波形识别结果准确率,是亟待解决的问题。
发明内容
有鉴于此,本申请实施例提供一种心电波形信号的波形识别方法、装置及设备,能够降低心电波形信号的波形识别复杂度且提高心电波形信号的波形识别准确率。
为解决上述问题,本申请实施例提供的技术方案如下:
一种心电波形信号的波形识别方法,所述方法包括:
获取心电波形信号,从所述心电波形信号中截取至少一个第一预设长度的输入波形信号;
将所述输入波形信号输入到心拍识别模型,获得所述心拍识别模型输出的所述输入波形信号中各采样点是否为心拍数据的分类结果;
根据所述输入波形信号中各采样点是否为心拍数据的分类结果,从所述心电波形信号中确定出至少一个第二预设长度的心拍波形信号;
将所述心拍波形信号输入波形识别模型,获得所述波形识别模型输出的所述心拍波形信号中各采样点的波形分类结果。
在一种可能的实现方式中,所述获取心电波形信号,从所述心电波形信号中截取至少一个第一预设长度的输入波形信号,包括:
获取心电波形信号;
截取所述心电波形信号的起始时刻点到距离所述起始时刻点第一预设长度的第一时刻点之间的波形信号作为输入波形信号;
重复执行截取所述心电波形信号的第二时刻点到距离所述第二时刻点第一预设长度的第三时刻点之间的波形信号作为输入波形信号,直到所述第三时刻点晚于所述心电波形信号的结束时刻点;所述第二时刻点晚于上一次截取的输入波形信号的起始时刻点,且与所述上一次截取的输入波形信号的起始时刻点的距离为第三预设长度。
在一种可能的实现方式中,所述根据所述输入波形信号中各采样点是否为心拍数据的分类结果,从所述心电波形信号中确定出至少一个第二预设长度的心拍波形信号,包括:
根据所述输入波形信号中各采样点是否为心拍数据的分类结果,从所述心电波形信号中提取至少一个完整心拍信号;
根据每个所述完整心拍信号,从所述心电波形信号中截取第二预设长度的心拍波形信号。
在一种可能的实现方式中,所述根据每个所述完整心拍信号,从所述心电波形信号中截取第二预设长度的心拍波形信号,包括:
根据预设比例从目标完整心拍信号中确定R点对应的时刻点,所述目标完整心拍信号分别为所述完整心拍信号中的每一个;
从所述心电波形信号中截取第四时刻点到第五时刻点之间的波形信号作为心拍波形信号,所述第四时刻点到所述R点对应的时刻点之间的第一距离与所述R点对应的时刻点到所述第五时刻点之间的第二距离满足所述预设比例,且所述第一距离与所述第二距离之和为所述第二预设长度。
在一种可能的实现方式中,所述方法还包括:
将所述心拍波形信号中各采样点的波形分类结果映射到所述心电波形信号,得到所述心电波形信号对应的波形分类结果。
在一种可能的实现方式中,所述心拍识别模型是根据第一预设长度的第一训练波形信号训练得到的,所述第一训练波形信号各采样点对应有是否为心拍数据的标签;
所述波形识别模型根据是根据第二预设长度的第二训练波形信号训练得到的,所述第二训练波形信号各采样点对应有波形分类结果的标签。
在一种可能的实现方式中,所述心拍识别模型以及所述波形识别模型为Unet网络结构。
一种心电波形信号的波形识别装置,所述装置包括:
获取单元,用于获取心电波形信号,从所述心电波形信号中截取至少一个第一预设长度的输入波形信号;
第一输入单元,用于将所述输入波形信号输入到心拍识别模型,获得所述心拍识别模型输出的所述输入波形信号中各采样点是否为心拍数据的分类结果;
确定单元,用于根据所述输入波形信号中各采样点是否为心拍数据的分类结果,从所述心电波形信号中确定出至少一个第二预设长度的心拍波形信号;
第二输入单元,用于将所述心拍波形信号输入波形识别模型,获得所述波形识别模型输出的所述心拍波形信号中各采样点的波形分类结果。
一种心电波形信号的波形识别设备,包括:存储器,处理器,及存储在所述存储器上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,实现如上述的心电波形信号的波形识别方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述的心电波形信号的波形识别方法。
由此可见,本申请实施例具有如下有益效果:
本申请实施例提供一种心电波形信号的波形识别方法、装置及设备,获取心电波形信号,从心电波形信号中截取至少一个第一预设长度的输入波形信号。第一预设长度符合心拍识别模型的输入信号长度。将输入波形信号输入到心拍识别模型中来识别输入波形信号中的各采样点是否为心拍数据。由于输入波形信号从心电波形信号中截取得到,且至少一个第一预设长度的输入波形信号可代表整个心电波形信号,则可确定心电波形信号中的各采样点是否为心拍数据。基于各采样点是否为心拍数据的分类结果,从心电波形信号确定出至少一个第二预设长度的心拍波形信号。第二预设长度符合波形识别模型的输入信号长度且心拍波形信号中的采样点构成类似完整心拍。将心拍波形信号输入到波形识别模型中,可获取波形识别模型输出的心拍波形信号中各采样点的波形分类结果。本申请实施例中,先通过心拍识别模型确定心电波形信号中的各采样点是否为心拍数据,基于此,再将心拍波形信号输入到波形识别模型进行波形识别。由于心拍波形信号中的各采样点构成类似完整心拍,相比于直接识别心电波形信号中的波形,将心拍波形信号输入波形识别模型进行识别,降低了心电波形信号直接识别心电波形信号的复杂度和难度,在波形识别复杂度和难度降低的基础上,心电波形信号的波形识别准确率提高。
附图说明
图1为本申请实施例提供的一种场景示例的示意图;
图2为本申请实施例提供的一种心电波形信号的波形识别方法的流程图;
图3为本申请实施例提供的一种心拍识别模型网络结构的示意图;
图4为本申请实施例提供的输入波形信号的心拍数据分类结果示意图;
图5为本申请实施例提供的一种波形识别模型网络结构的示意图;
图6为本申请实施例提供的心拍波形信号中采样点类别标记示意图;
图7为本申请实施例提供的心拍波形信号的波形分类结果示意图;
图8为本申请实施例提供的一种心电波形信号的波形识别装置的结构示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
为便于理解本申请提供的技术方案,下面将先对本申请涉及的背景技术进行说明。
心电图的心电波形信号一般包括P波、QRS波群和T波。为了实现基于心电波形信号对患者的健康情况进行分析,可以对心电波形信号中的P波、QRS波群和T波等波形进行识别。在医生查看并分析心电图前,自动识别心电波形信号中波形并在心电波形信号上标注出波形的种类,能提高医生分析的效率。目前,针对心电波形信号的分析中,通常采用差分滤波、人工神经网络、差分法、模板匹配等方法。此类分析方法的准确率不高,并且分析过程复杂,对波形识别硬件设备的计算能力要求较高。
基于此,本申请实施例提供了一种心电波形信号的波形识别方法、装置及设备。为了便于理解本申请实施例提供的心电波形信号的波形识别方法,下面结合图1所示的场景示例进行说明。参见图1,该图为本申请实施例提供的示例性应用场景的框架示意图。该方法可以应用于终端设备101中。
在实际应用时,终端设备101可以获取心电波形信号,从获取的心电波形信号中截取至少一个第一预设长度的输入波形信号。第一预设长度的输入波形信号满足心拍识别模型的输入信号长度。可以理解的是,至少一个第一预设长度的输入波形信号可以表示心电波形信号。
终端设备101将输入波形信号输入到心拍识别模型中,获取心拍识别模型输出的输入波形信号中各个采样点是否为心拍数据的分类结果。通过心拍识别模型,确定了输入波形信号中的心拍数据和非心拍数据。
根据至少一个输入波形信号中各个采样点是否为心拍数据的分类结果,可以确定心电波形信号中的心拍数据和非心拍数据。从而终端设备101根据输入波形信号中各个采样点是否为心拍数据的分类结果,可从心电波形信号中确定出至少一个第二预设长度的心拍波形信号。心拍波形信号中的采样点为心拍数据组成的。第二预设长度为输入波形识别模型的输入信号长度。
终端设备101将心拍波形信号输入波形识别模型,获得波形识别模型输出的心拍波形信号中各采样点的波形分类结果。由此,利用输入波形识别模型识别出了心拍波形信号中的各个波形,即识别出了心电波形信号中的波形。例如,如图1所示,经过波形识别,得到了识别后的心拍波形信号中的各个波形,其中,‘0’表示P波,‘1’表示QRS波群起点到Q点之间的采样点,‘2’表示Q点到R峰之间的采样点,‘3’表示R峰到S点之间的采样点,‘4’表示S点到J点之间的采样点,‘5’表示T波,‘6’表示非波形数据。
本领域技术人员可以理解,图1所示的框架示意图仅是本申请的实施方式可以在其中得以实现的一个示例。本申请实施方式的适用范围不受到该框架任何方面的限制。
基于上述说明,下面将结合附图对本申请提供的心电波形信号的波形识别方法进行详细说明。
参见图2,图2为本申请实施例提供的一种心电波形信号的波形识别方法的流程图。该方法可以由上述实施例中的终端设备101执行。如图2所示,该波形识别方法包括S201-S204:
S201:获取心电波形信号,从心电波形信号中截取至少一个第一预设长度的输入波形信号。
获取待识别的心电波形信号。其中,心电波形信号是通过监测心脏跳动得到的包含心脏跳动相关信息的波形信号。
为了识别心电波形信号中的波形,本申请实施例先判断心电波形信号中的各个采样点是否为心拍数据。基于心电波形信号中的心拍数据,再进行波形识别,可以降低心电波形信号中波形分析的复杂度和难度。
为了识别心电波形信号中的各个采样点是否为心拍数据,需要将心电波形信号先截取成符合心拍识别模型输入信号长度的输入波形信号,再通过心拍识别模型识别输入波形信号中的心拍数据。
具体实施时,将心电波形信号截取成至少一个第一预设长度的输入波形信号,第一预设长度为心拍识别模型的输入信号长度。例如,心电波形信号包括的采样点个数为1000个。心拍识别模型的输入信号长度,即第一预设长度为512个采样点的长度。则可从心电波形信号中获取至少一个第一预设长度为512的输入波形信号。
在一种可能的实现方式中,本申请实施例提供了一种获取心电波形信号,从心电波形信号中截取至少一个第一预设长度的输入波形信号的具体实施方式,具体请参见下文。
需要说明的是,在获取心电波形信号后,可对心电波形信号进行预处理,获取预处理之后的心电波形信号后,再从预处理之后的心电波形信号中截取至少一个第一预设长度的输入波形信号。
作为一种示例,对心电波形信号进行预处理,包括:对心电波形信号进行零均值z-score标准化,然后对标准化后的心电波形信号进行巴特沃斯带通滤波,以平滑掉信号数据中的毛刺点,获取预处理之后的心电波形信号。
S202:将输入波形信号输入到心拍识别模型,获得心拍识别模型输出的输入波形信号中各采样点是否为心拍数据的分类结果。
心拍数据是指心电波形信号中P波的起点和P波后第一个T波终点之间的波形数据,除去心拍数据的其它数据为非心拍数据。将获取的输入波形信号输入到心拍识别模型中以获取输入波形信号中的心拍数据和非心拍数据。
具体实施时,在获取到至少一个第一预设长度的输入波形信号后,将至少一个第一预设长度的输入波形信号中的每一个输入波形信号依次输入到心拍识别模型中,获取心拍模型输出的每一个输入波形信号中各采样点是否为心拍数据的分类结果。通过分类结果可获取输入波形信号中的心拍数据和非心拍数据,以便后续从心拍数据中截取符合波形识别模型输入的心拍波形信号,降低波形识别模型的识别复杂度和难度。
其中,心拍识别模型是根据第一预设长度的第一训练波形信号训练得到的,第一训练波形信号各采样点对应有是否为心拍数据的标签。具体地,将第一预设长度的第一训练波形信号输入到心拍识别模型中,输出第一训练波形信号各采样点的待比较标签。根据输出的第一训练波形信号各采样点的待比较标签和第一训练波形信号各采样点对应的是否为心拍数据的标签,构建第一损失函数,根据第一损失函数调整心拍识别模型的模型参数。重复执行将第一预设长度的第一训练波形信号输入到心拍识别模型中以及后续步骤,直至第一损失函数满足第一预设条件,完成心拍识别模型的训练。预设条件可为第一损失函数的误差值达到第一预设阈值,也可为训练次数达到第一次数阈值。需要说明的是,不限定第一预设阈值和第一次数阈值。
作为一种示例,心拍识别模型为Unet网络结构。Unet网络结构是一个语义分割模型,其主要执行过程与其它语义分割模型类似,首先利用卷积对输入波形信号进行下采样,然后提取出一层又一层的特征,利用这一层又一层的特征,再进行上采样,最后得出一个输入波形信号中每个采样点对应的分类结果。
参见图3,图3为本申请实施例提供的一种心拍识别模型网络结构的示意图,该心拍识别模型的网络结构即为Unet网络结构。Unet网络结构的具体参数如图3所示,其中,Unet网络结构的输入需要先经过5层下采样,再基于下采样的特征进行每层的特征拼接、卷积以及上采样,上采样5层后获得输出的分类结果。具体地,若输入波形信号的长度为512个采样点,则Unet网络结构的输入层尺寸为512×1,512表示512个采样点。Unet网络结构的输入会先经历两次“conv 32,Relu”模块的卷积处理和整流线性化,实现对输入的特征提取,获取结果特征。其中,“conv 32,Relu”模块中的conv 32表示进行卷积处理,32表示32个卷积核;Relu表示整流线性单元,也可称为激励函数。之后,经过“maxpol2”模块进行下采样处理,其中,“maxpol2”表示进行2次池化。由此完成一次下采样,以上操作再重复4次,即经过共5次下采样后,如图3所示的Unet网络结构的左半部分便执行完毕。
最后一次下采样获得的结果特征经过“up conv 32,Relu”模块的卷积处理和整流线性化后,获取当前的结果特征。其中,up conv 32表示进行卷积处理。针对此时的结果特征再进行上采样5次的处理。在每层上采样的过程中,需要先将相应层的经过下采样获得的结果特征和当前的结果特征一起输入“concat”模块进行特征拼接。其中,“concat”表示进行特征拼接。再经过两次“conv 32,Relu”模块的卷积处理和整流线性化。之后,经过“upconv32,Relu”模块的卷积处理和整流线性化。最后一次上采样中,在经过两次“conv 32,Relu”模块的卷积处理和整流线性化后,获取此时的结果特征,使此时的结果特征经过“Reshape&softmax”模块进行处理,获取输出。其中Reshape函数用于重新调整结果特征的行数、列数、维数,“softmax”表示归一化指数函数。图3中Unet网络结构输出层尺寸为512×2,512表示输出的波形信号长度,2表示波形信号中采样点对应的类别数,两个类别分别为非心拍数据和心拍数据。需要说明的是,图3中Unet网络结构中的各个参数均由试验得出。
另外,通过心拍识别模型之后,获取的输入波形信号中各采样点是否为心拍数据的分类结果可用“0”和“1”进行标识,‘0’表示非心拍数据,‘1’表示心拍数据。参见图4,图4为本申请实施例提供的一个输入波形信号的心拍数据分类结果示意图。如图4所示,横坐标为时间,纵坐标为电压。输入波形信号上标识的‘0’表示非心拍数据,标识的‘1’表示心拍数据。
需要说明的是,若对心电波形信号进行了预处理,则将从预处理之后的心电波形信号中截取的输入波形信号输入到心拍识别模块中进行心拍数据和非心拍数据的划分。
S203:根据输入波形信号中各采样点是否为心拍数据的分类结果,从心电波形信号中确定出至少一个第二预设长度的心拍波形信号。
确定了至少一个第一预设长度的输入波形信号中每个输入波形信号中各采样点是否为心拍数据的分类结果后,由于至少一个第一预设长度的输入波形信号表示了心电波形信号,则可得知心电波形信号中各采样点是否为心拍数据的分类结果。
基于此,根据心电波形信号中各采样点是否为心拍数据的分类结果,可从心电波形信号中确定出至少一个第二预设长度的心拍波形信号,用于输入到波形识别模型中,获取心拍波形信号中各采样点的波形分类结果。
其中,第二预设长度为波形识别模型的输入信号长度。心拍波形信号中的采样点均为心拍数据。
在一种可能的实施方式中,本申请实施例提供了一个根据输入波形信号中各采样点是否为心拍数据的分类结果,从心电波形信号中确定出至少一个第二预设长度的心拍波形信号的具体实施方式,包括:
根据输入波形信号中各采样点是否为心拍数据的分类结果,从心电波形信号中提取至少一个完整心拍信号;
根据每个完整心拍信号,从心电波形信号中截取第二预设长度的心拍波形信号。
需要说明的是,根据输入波形信号中各采样点是否为心拍数据的分类结果确定心电波形信号中各采样点是否为心拍数据的分类结果之后,从心电波形信号属于心拍数据的采样点中确定出至少一个完整心拍信号。其中,完整心拍信号对应的采样点即为完整心拍数据。进一步,根据每个完整心拍信号,从心电波形信号中截取能够输入波形识别模型的第二预设长度的心拍波形信号。
需要说明的是,每个完整心拍信号对应一个第二预设长度的心拍波形信号。每个心拍波形信号均是根据对应的完整心拍信号的信息,从心电波形信号中截取的。具体地,根据对应的完整心拍信号的长度和第二预设长度的大小关系,第二预设长度的心拍波形信号有两种呈现形式。其一,第二预设长度的心拍波形信号包括对应的完整心拍信号减左右少量心拍数据。在此情况下,心拍波形信号包括了完整心拍信号的核心心拍数据。其二,第二预设长度的心拍波形信号包括对应的完整心拍信号加左右少量非心拍数据。由以上可知,第二预设长度的心拍波形信号为类似完整心拍。
对于以上心拍波形信号的两种呈现形式和类似完整心拍的理解可通过如下示例进行说明。
示例一,若第二预设长度小于完整心拍信号的长度,则心拍波形信号作为类似完整心拍,包括一个完整心拍信号减左右少量心拍数据。此时,完整心拍中未被划分为心拍波形信号的少量心拍数据不会输入后续的波形识别模型中进行识别。例如,完整心拍信号的长度为300个采样点,第二预设长度的心拍波形信号为256个采样点。完整心拍信号中未被划分为心拍波形信号的44个采样点不会输入后续的波形识别模型中,在此情况下,可将完整心拍波形信号中未被作为划分为心拍波形信号的心拍数据的分类结果标识为非心拍数据。
在该示例中,心拍波形信号作为类似完整心拍,其所包含的数据为一个完整心拍的核心心拍数据。相比于将心电波形信号直接输入波形识别模型中进行波形识别,将包括核心心拍数据的心拍波形信号输入波形识别模型中,能够降低波形识别模型直接识别心电波形信号的难度和复杂度,便于波形识别模型识别心拍波形信号中的波形种类。
示例二,若第二预设长度大于完整心拍信号的长度,则心拍波形信号作为类似完整心拍,包括一个完整心拍信号加左右少量非心拍数据。例如,完整心拍信号的长度为200个采样点,第二预设长度的心拍波形信号为256个采样点。完整心拍信号的长度小于第二预设长度,此时,需要将完整心拍信号中的200个采样点加左右少量非心拍数据的56个采样点作为心拍波形信号。
在该示例中,心拍波形信号包括一个完整心拍信号和少量非心拍数据。相比于将心电波形信号直接输入波形识别模型中进行波形识别,将包括完整心拍信号和少量非心拍数据的心拍波形信号输入波形识别模型中,也能够降低波形识别模型直接识别心电波形信号的难度和复杂度,便于波形识别模型识别心拍波形信号中的波形种类。
在一种可能的实施方式中,本申请实施例提供了一种根据每个完整心拍信号,从心电波形信号中截取第二预设长度的心拍波形信号的实施方式,具体请参见下文。
S204:将心拍波形信号输入波形识别模型,获得波形识别模型输出的心拍波形信号中各采样点的波形分类结果。
具体地,按照顺序依次将心拍波形信号输入至波形识别模块进行波形识别,获得波形识别模型输出的心拍波形信号中各采样点的波形分类结果。
其中,波形识别模型根据是根据第二预设长度的第二训练波形信号训练得到的,第二训练波形信号各采样点对应有波形分类结果的标签。具体地,将第二预设长度的第二训练波形信号输入到心拍识别模型中,输出第二训练波形信号各采样点的待比较标签。根据输出的第二训练波形信号各采样点的待比较标签和第二训练波形信号各采样点对应的波形分类结果的标签,构建第二损失函数,根据第二损失函数调整波形识别模型的模型参数。重复执行将第二预设长度的第二训练波形信号输入到心拍识别模型中以及后续步骤,直至第二损失函数满足第二预设条件,完成心拍识别模型的训练。预设条件可为第二损失函数的误差值达到第二预设阈值,也可为训练次数达到第二次数阈值。需要说明的是,不限定第二预设阈值和第二次数阈值。
作为一种示例,波形识别模型为Unet网络结构。参见图5,图5为本申请实施例提供的一种波形识别模型网络结构的示意图,该心拍识别模型的网络结构即为Unet网络结构。Unet网络结构的具体参数如图5所示,Unet网络结构的输入需要先经过4层下采样,再基于下采样的特征进行每层的特征拼接、卷积以及上采样,上采样4层后获得输出的分类结果。具体地,若输入波形信号的长度为256个采样点,则Unet网络结构的输入层尺寸为256×1,256表示256个采样点。Unet网络结构的输入会先经历两次“conv 32,Relu”模块的卷积处理和整流线性化,实现对输入的特征提取,获取结果特征。其中,“conv 32,Relu”模块中的conv 32表示进行卷积处理,32表示32个卷积核;Relu表示整流线性单元,也可称为激励函数。之后,经过“maxpol2”模块进行下采样处理,其中,“maxpol2”表示进行2次池化。以上操作再重复3次,即经过共4次下采样后,如图5所示的Unet网络结构的左半部分便执行完毕。
最后一次下采样获得的结果特征经过“up conv 32,Relu”模块的卷积处理和整流线性化后,获取当前的结果特征。其中,up conv 32表示进行卷积处理。针对此时的结果特征再进行上采样4次的处理。在每层上采样的过程中,需要先将相应层的经过下采样获得的结果特征和当前的结果特征一起输入“concat”模块进行特征拼接。其中,“concat”表示进行特征拼接。再经过两次“conv 32,Relu”模块的卷积处理和整流线性化。之后,经过“upconv32,Relu”模块的卷积处理和整流线性化。最后一次上采样中,在经过两次“conv 32,Relu”模块的卷积处理和整流线性化后,获取此时的结果特征,使此时的结果特征经过“Reshape&softmax”模块进行处理,获取输出。其中Reshape函数用于重新调整结果特征的行数、列数、维数,“softmax”表示归一化指数函数。图5中Unet网络结构的输出层尺寸为256×7,256表示输出的波形信号长度,7表示输出的心拍波形信号中采样点对应的波形类别数。
在图5中,采样点对应的波形类别数为7类,具体为P波、QRS波群起点到Q点之间的数据点、Q点到R峰之间的数据点、R峰到S点之间的数据点、S点到J点之间的数据点、T波以及非波形数据。也就是说,波形识别模型输出的心拍波形信号中各采样点的波形分类结果为上述7类波形类别中的一种。可以理解的是,图5所示的Unet模型设置的7类波形类别仅为波形分类结果的一种示例,本申请实施例不限定波形识别模型输出的心拍波形信号中各采样点的波形分类结果的设置方式。
需要说明的是,图5中Unet网络结构中的各个参数均由试验得出。
另外,可在心拍波形信号中进行各采样点的波形分类结果的标识。作为一种示例,参见图6,图6为本申请实施例提供的一个心拍波形信号中采样点类别标记示意图。如图6所示,通过标识‘0’来表示P波,通过标识‘1’来表示QRS波群起点到Q点之间的数据点,通过标识‘2’来表示Q点到R峰之间的数据点,通过标识‘3’来表示R峰到S点之间的数据点,通过标识‘4’来表示S点到J点之间的数据点,通过标识‘5’来表示T波,通过标识‘6’来表示非波形数据。
通过波形识别模型输出的心拍波形信号中各采样点的波形分类结果,则可获知心拍波形信号中的P波、PR间期、QRS波群、ST段和T波。其中,如图6所示,PR间期为‘0’和‘1’之间的“6”所表示的非波形数据。ST段为‘4’和‘5’之间的“6”所表示的非波形数据。
另外,本申请实施例提供了一个心拍波形信号的波形分类结果示意图,参见图7。如图7所示,横坐标为时间,纵坐标为电压。按照图6中的标识规定对波形进行了标识。
基于上述S201-S204的相关内容可知,本申请实施例先通过心拍识别模型确定心电波形信号中的各采样点是否为心拍数据,基于此,再将心拍波形信号输入到波形识别模型进行波形识别。由于心拍波形信号中的各采样点构成类似完整心拍,相比于直接识别心电波形信号中的波形,将心拍波形信号输入波形识别模型进行识别,降低了心电波形信号直接识别心电波形信号的复杂度和难度,在波形识别复杂度和难度降低的基础上,心电波形信号的波形识别准确率提高。
需要说明的是,依次将每个心拍波形信号输入波形识别模型,获得波形识别模型输出的心拍波形信号中各采样点的波形分类结果之后,将心拍波形信号中各采样点的波形分类结果映射到心电波形信号,可得到心电波形信号对应的波形分类结果。
具体实施时,作为一种示例,每个完整心拍信号在心电波形信号中记录有对应的具体位置,在确定心拍波形信号中各采样点的波形分类结果后,可根据心拍波形信号所属的完整心拍信号,进而根据完整心拍的位置确定心拍波形信号的位置,将心拍波形信号中各采样点的波形分类结果映射到心电波形信号,得到心电波形信号对应的波形分类结果。
作为另一种示例,在将每个心拍波形信号输入波形识别模型,获得波形识别模型输出的心拍波形信号中各采样点的波形分类结果之后,可根据各采样点在心电波形信号中对应的时刻,将各采样点的波形分类结果映射到心电波形信号,得到心电波形信号对应的波形分类结果。
在获取心电波形信号之后,需要从心电波形信号中截取至少一个符合心拍识别模型的输入信号长度的输入波形信号。
对应的,在一种可能的实现方式中,本申请实施例提供了一种S201获取心电波形信号,从心电波形信号中截取至少一个第一预设长度的输入波形信号的具体实施方式,包括:
A1:获取心电波形信号。
A2:截取心电波形信号的起始时刻点到距离起始时刻点第一预设长度的第一时刻点之间的波形信号作为输入波形信号。
心电波形信号的起始时刻点为第一个采样点对应的时刻点。从心电波形信号的起始时刻点到第一时刻点之间的采样点的个数为第一预设长度。因此,截取从心电波形信号的起始时刻点到第一时刻点之间的心电波形信号作为第一个输入波形信号。
例如,心电波形信号包括的采样点个数为1000个,标号为0-999。心拍识别模型的输入信号长度,即第一预设长度为512个采样点的长度。则第一个输入波形信号中的采样点为标号为0-511的采样点。
A3:重复执行截取心电波形信号的第二时刻点到距离第二时刻点第一预设长度的第三时刻点之间的波形信号作为输入波形信号,直到第三时刻点晚于心电波形信号的结束时刻点;第二时刻点晚于上一次截取的输入波形信号的起始时刻点,且与上一次截取的输入波形信号的起始时刻点的距离为第三预设长度。
其中,第二时刻点晚于上一次截取的输入波形信号的起始时刻点,且与上一次截取的输入波形信号的起始时刻点的距离为第三预设长度。为了保证输入波形信号可以完整地表示心电波形信号,要使得第三预设长度满足小于等于第一预设长度。若大于第一预设长度,则心电波形信号中有采样点没有划分到输入波形信号中。
例如,以截取第二个输入波形信号为例,若第三预设长度为129,小于512。则第二时刻点对应第128个采样点,第二时刻点和第三时刻点之间的采样点个数满足第一预设长度。第二时刻点和第三时刻点之间的波形信号为输入波形信号。基于此,第二个输入波形信号的采样点为标号128-639的采样点。若第三预设长度为515,则标号为512、513的采样点没有划分成输入波形信号,则后续会无法获知标号为512、513的采样点是否对应了心拍数据。
重复执行截取心电波形信号的第二时刻点到距离第二时刻点第一预设长度的第三时刻点之间的波形信号作为输入波形信号,直到第三时刻点晚于心电波形信号的结束时刻点,即直至截取整个心电波形信号。
通过该申请实施例提供的获取心电波形信号,从心电波形信号中截取至少一个第一预设长度的输入波形信号的具体实施方式,不仅可以获取至少一个第一预设长度的输入波形信号。而且由于第三预设长度满足小于等于第一预设长度,使得获取的输入波形信号中没有丢掉任何心电波形信号中的采样点。
在一种可能的实现方式中,本申请实施例提供了一种S203中根据每个完整心拍信号,从心电波形信号中截取第二预设长度的心拍波形信号的具体实施方式,包括:
B1:根据预设比例从目标完整心拍信号中确定R点对应的时刻点,目标完整心拍信号分别为完整心拍信号中的每一个。
R点对应的时刻点为目标完整心拍信号中的比例分割点对应的时刻点。需要说明的是,预设比例根据经验进行确定。例如,预设比例为4:6。
以目标完整心拍信号的长度大于第二预设长度为例。若目标完整心拍信号的长度为300个采样点的长度,第二预设长度为256个采样点的长度。预设比例为4:6。其中,300乘以0.4为120,则一个目标完整心拍信号中第120个采样点对应的时刻点即为R点对应的时刻点。
B2:从心电波形信号中截取第四时刻点到第五时刻点之间的波形信号作为心拍波形信号,第四时刻点到R点对应的时刻点之间的第一距离与R点对应的时刻点到第五时刻点之间的第二距离满足预设比例,且第一距离与第二距离之和为第二预设长度。
若目标完整心拍信号中第120个采样点对应的时刻点为R点对应的时刻点。第二预设长度为256个采样点的长度。则第四时刻点对应的采样点到第120个采样点之间的采样点个数为第一距离,第120个采样点到第五时刻对应的采样点之间的采样点个数为第二距离,第一距离和第二距离之比满足4:6,且第一距离和第二距离之和满足256个采样点。
基于上述内容可知,每个第二预设长度的心拍波形信号均是根据对应的完整心拍信号的R点位置和预设比例,从心电波形信号中截取的。无论目标完整心拍信号的长度大于第二预设长度,亦或是小于第二预设长度。相比于将心电波形信号直接输入波形识别模型中进行波形识别,将包括核心心拍数据的心拍波形信号亦或者包括完整心拍信号和少量非心拍数据输入波形识别模型中,均能够降低波形识别模型直接识别心电波形信号的难度和复杂度,便于波形识别模型识别心拍波形信号中的波形种类。
基于上述方法实施例提供的心电波形信号的波形识别方法,本申请实施例还提供了一种心电波形信号的波形识别装置,下面将结合附图对该心电波形信号的波形识别装置进行说明。
参见图8,该图为本申请实施例提供的一种心电波形信号的波形识别装置的结构示意图。如图8所示,该心电波形信号的波形识别装置包括:
获取单元801,用于获取心电波形信号,从所述心电波形信号中截取至少一个第一预设长度的输入波形信号;
第一输入单元802,用于将所述输入波形信号输入到心拍识别模型,获得所述心拍识别模型输出的所述输入波形信号中各采样点是否为心拍数据的分类结果;
确定单元803,用于根据所述输入波形信号中各采样点是否为心拍数据的分类结果,从所述心电波形信号中确定出至少一个第二预设长度的心拍波形信号;
第二输入单元804,用于将所述心拍波形信号输入波形识别模型,获得所述波形识别模型输出的所述心拍波形信号中各采样点的波形分类结果。
在一种可能的实现方式中,所述获取单元801,包括:
获取子单元,用于获取心电波形信号;
第一截取子单元,用于截取所述心电波形信号的起始时刻点到距离所述起始时刻点第一预设长度的第一时刻点之间的波形信号作为输入波形信号;
执行子单元,用于重复执行截取所述心电波形信号的第二时刻点到距离所述第二时刻点第一预设长度的第三时刻点之间的波形信号作为输入波形信号,直到所述第三时刻点晚于所述心电波形信号的结束时刻点;所述第二时刻点晚于上一次截取的输入波形信号的起始时刻点,且与所述上一次截取的输入波形信号的起始时刻点的距离为第三预设长度。
在一种可能的实现方式中,所述确定单元803,包括:
提取子单元,用于根据所述输入波形信号中各采样点是否为心拍数据的分类结果,从所述心电波形信号中提取至少一个完整心拍信号;
第二截取子单元,用于根据每个所述完整心拍信号,从所述心电波形信号中截取第二预设长度的心拍波形信号。
在一种可能的实现方式中,所述第二截取子单元,包括:
确定子单元,用于根据预设比例从目标完整心拍信号中确定R点对应的时刻点,所述目标完整心拍信号分别为所述完整心拍信号中的每一个;
第三截取子单元,用于从所述心电波形信号中截取第四时刻点到第五时刻点之间的波形信号作为心拍波形信号,所述第四时刻点到所述R点对应的时刻点之间的第一距离与所述R点对应的时刻点到所述第五时刻点之间的第二距离满足所述预设比例,且所述第一距离与所述第二距离之和为所述第二预设长度。
在一种可能的实现方式中,所述装置还包括:
映射单元,用于将所述心拍波形信号中各采样点的波形分类结果映射到所述心电波形信号,得到所述心电波形信号对应的波形分类结果。
在一种可能的实现方式中,所述心拍识别模型是根据第一预设长度的第一训练波形信号训练得到的,所述第一训练波形信号各采样点对应有是否为心拍数据的标签;
所述波形识别模型根据是根据第二预设长度的第二训练波形信号训练得到的,所述第二训练波形信号各采样点对应有波形分类结果的标签。
在一种可能的实现方式中,所述心拍识别模型以及所述波形识别模型为Unet网络结构。
另外,本申请实施例还提供了一种心电波形信号的波形识别设备,包括:存储器,处理器,及存储在所述存储器上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,实现如上述任一项实施例所述的心电波形信号的波形识别方法。
另外,本申请实施例还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中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如上述任一项实施例所述的心电波形信号的波形识别方法。
本申请实施例提供一种心电波形信号的波形识别装置及设备,获取心电波形信号,从心电波形信号中截取至少一个第一预设长度的输入波形信号。第一预设长度符合心拍识别模型的输入信号长度。将输入波形信号输入到心拍识别模型中来识别输入波形信号中的各采样点是否为心拍数据。由于输入波形信号从心电波形信号中截取得到,且至少一个第一预设长度的输入波形信号可代表整个心电波形信号,则可确定心电波形信号中的各采样点是否为心拍数据。基于各采样点是否为心拍数据的分类结果,从心电波形信号确定出至少一个第二预设长度的心拍波形信号。第二预设长度符合波形识别模型的输入信号长度且心拍波形信号中的采样点构成类似完整心拍。将心拍波形信号输入到波形识别模型中,可获取波形识别模型输出的心拍波形信号中各采样点的波形分类结果。本申请实施例中,先通过心拍识别模型确定心电波形信号中的各采样点是否为心拍数据,基于此,再将心拍波形信号输入到波形识别模型进行波形识别。由于心拍波形信号中的各采样点构成类似完整心拍,相比于直接识别心电波形信号中的波形,将心拍波形信号输入波形识别模型进行识别,降低了心电波形信号直接识别心电波形信号的复杂度和难度,在波形识别复杂度和难度降低的基础上,心电波形信号的波形识别准确率提高。
需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种心电波形信号的波形识别方法,其特征在于,所述方法包括:
获取心电波形信号,从所述心电波形信号中截取至少一个第一预设长度的输入波形信号;
将所述输入波形信号输入到心拍识别模型,获得所述心拍识别模型输出的所述输入波形信号中各采样点是否为心拍数据的分类结果;
根据所述输入波形信号中各采样点是否为心拍数据的分类结果,从所述心电波形信号中确定出至少一个第二预设长度的心拍波形信号;
将所述心拍波形信号输入波形识别模型,获得所述波形识别模型输出的所述心拍波形信号中各采样点的波形分类结果;
所述根据所述输入波形信号中各采样点是否为心拍数据的分类结果,从所述心电波形信号中确定出至少一个第二预设长度的心拍波形信号,包括:
根据所述输入波形信号中各采样点是否为心拍数据的分类结果,从所述心电波形信号中提取至少一个完整心拍信号;
根据每个所述完整心拍信号,从所述心电波形信号中截取第二预设长度的心拍波形信号;
所述根据每个所述完整心拍信号,从所述心电波形信号中截取第二预设长度的心拍波形信号,包括:
根据预设比例从目标完整心拍信号中确定R点对应的时刻点,所述目标完整心拍信号分别为所述完整心拍信号中的每一个;
从所述心电波形信号中截取第四时刻点到第五时刻点之间的波形信号作为心拍波形信号,所述第四时刻点到所述R点对应的时刻点之间的第一距离与所述R点对应的时刻点到所述第五时刻点之间的第二距离满足所述预设比例,且所述第一距离与所述第二距离之和为所述第二预设长度。
2.根据权利要求1所述的方法,其特征在于,所述获取心电波形信号,从所述心电波形信号中截取至少一个第一预设长度的输入波形信号,包括:
获取心电波形信号;
截取所述心电波形信号的起始时刻点到距离所述起始时刻点第一预设长度的第一时刻点之间的波形信号作为输入波形信号;
重复执行截取所述心电波形信号的第二时刻点到距离所述第二时刻点第一预设长度的第三时刻点之间的波形信号作为输入波形信号,直到所述第三时刻点晚于所述心电波形信号的结束时刻点;所述第二时刻点晚于上一次截取的输入波形信号的起始时刻点,且与所述上一次截取的输入波形信号的起始时刻点的距离为第三预设长度。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述心拍波形信号中各采样点的波形分类结果映射到所述心电波形信号,得到所述心电波形信号对应的波形分类结果。
4.根据权利要求1所述的方法,其特征在于,所述心拍识别模型是根据第一预设长度的第一训练波形信号训练得到的,所述第一训练波形信号各采样点对应有是否为心拍数据的标签;
所述波形识别模型根据是根据第二预设长度的第二训练波形信号训练得到的,所述第二训练波形信号各采样点对应有波形分类结果的标签。
5.根据权利要求1或4所述的方法,其特征在于,所述心拍识别模型以及所述波形识别模型为Unet网络结构。
6.一种心电波形信号的波形识别装置,其特征在于,所述装置包括:
获取单元,用于获取心电波形信号,从所述心电波形信号中截取至少一个第一预设长度的输入波形信号;
第一输入单元,用于将所述输入波形信号输入到心拍识别模型,获得所述心拍识别模型输出的所述输入波形信号中各采样点是否为心拍数据的分类结果;
确定单元,用于根据所述输入波形信号中各采样点是否为心拍数据的分类结果,从所述心电波形信号中确定出至少一个第二预设长度的心拍波形信号;
第二输入单元,用于将所述心拍波形信号输入波形识别模型,获得所述波形识别模型输出的所述心拍波形信号中各采样点的波形分类结果;
所述确定单元,包括:
提取子单元,用于根据所述输入波形信号中各采样点是否为心拍数据的分类结果,从所述心电波形信号中提取至少一个完整心拍信号;
第二截取子单元,用于根据每个所述完整心拍信号,从所述心电波形信号中截取第二预设长度的心拍波形信号;
所述第二截取子单元,包括:
确定子单元,用于根据预设比例从目标完整心拍信号中确定R点对应的时刻点,所述目标完整心拍信号分别为所述完整心拍信号中的每一个;
第三截取子单元,用于从所述心电波形信号中截取第四时刻点到第五时刻点之间的波形信号作为心拍波形信号,所述第四时刻点到所述R点对应的时刻点之间的第一距离与所述R点对应的时刻点到所述第五时刻点之间的第二距离满足所述预设比例,且所述第一距离与所述第二距离之和为所述第二预设长度。
7.一种心电波形信号的波形识别设备,其特征在于,包括:存储器,处理器,及存储在所述存储器上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,实现如权利要求1-5任一项所述的心电波形信号的波形识别方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当所述指令在终端设备上运行时,使得所述终端设备执行如权利要求1-5任一项所述的心电波形信号的波形识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110850856.8A CN113647959B (zh) | 2021-07-27 | 2021-07-27 | 一种心电波形信号的波形识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110850856.8A CN113647959B (zh) | 2021-07-27 | 2021-07-27 | 一种心电波形信号的波形识别方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113647959A CN113647959A (zh) | 2021-11-16 |
CN113647959B true CN113647959B (zh) | 2024-01-12 |
Family
ID=78478794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110850856.8A Active CN113647959B (zh) | 2021-07-27 | 2021-07-27 | 一种心电波形信号的波形识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113647959B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114219028B (zh) * | 2021-12-15 | 2024-04-12 | 东软集团股份有限公司 | 心电st段抬高识别模型的训练、st段抬高识别方法及装置 |
CN118044821A (zh) * | 2024-02-19 | 2024-05-17 | 北京信心相联科技有限公司 | 一种多导联心电数据的分类方法、装置及设备 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5682900A (en) * | 1995-11-29 | 1997-11-04 | Hewlett-Packard Company | Method and apparatus for obtaining heartbeat measurements from a ECG waveform |
CN106344004A (zh) * | 2016-09-28 | 2017-01-25 | 清华大学 | 心电信号特征点检测方法及装置 |
WO2017059569A1 (zh) * | 2015-10-08 | 2017-04-13 | 深圳迈瑞生物医疗电子股份有限公司 | 起搏信号处理方法、系统和心电监护仪 |
GB201717092D0 (en) * | 2017-10-18 | 2017-11-29 | Imperial Innovations Ltd | Electrocardiogram apparatus and method |
CN109480825A (zh) * | 2018-12-13 | 2019-03-19 | 武汉中旗生物医疗电子有限公司 | 心电数据的处理方法及装置 |
CN109691994A (zh) * | 2019-01-31 | 2019-04-30 | 英菲泰克(天津)科技有限公司 | 一种基于心电图的心率监测分析方法 |
CN110141216A (zh) * | 2019-05-29 | 2019-08-20 | 清华大学深圳研究生院 | 一种心电信号qrs特征波的识别方法、训练方法及系统 |
CN110495872A (zh) * | 2019-08-27 | 2019-11-26 | 中科麦迪人工智能研究院(苏州)有限公司 | 基于图片及心搏信息的心电分析方法、装置、设备及介质 |
CN110623658A (zh) * | 2019-09-24 | 2019-12-31 | 京东方科技集团股份有限公司 | 信号处理方法、信号处理装置、医学设备、存储介质 |
CN110897629A (zh) * | 2018-09-14 | 2020-03-24 | 杭州脉流科技有限公司 | 基于深度学习算法的心电特征提取方法、装置、系统、设备和分类方法 |
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 |
CN112022141A (zh) * | 2020-08-07 | 2020-12-04 | 上海联影智能医疗科技有限公司 | 一种心电信号类别检测方法、装置及存储介质 |
CN112971800A (zh) * | 2021-01-27 | 2021-06-18 | 东南大学 | 基于深度学习的心电早搏信号处理方法、模块和装置 |
WO2021129152A1 (zh) * | 2019-12-26 | 2021-07-01 | 华为技术有限公司 | 诊断报告生成方法、装置、终端设备及可读存储介质 |
KR20210083087A (ko) * | 2019-12-26 | 2021-07-06 | 강원대학교산학협력단 | 인공지능 기반 심전도 자동 분석 장치 및 방법 |
CN113080996A (zh) * | 2021-04-08 | 2021-07-09 | 大同千烯科技有限公司 | 一种基于目标检测的心电图分析方法及装置 |
WO2021143400A1 (zh) * | 2020-01-17 | 2021-07-22 | 上海优加利健康管理有限公司 | 一种基于r点的心搏数据分类方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9414761B2 (en) * | 2014-06-02 | 2016-08-16 | Indian Institute Of Technology Delhi | QRS complex identification in electrocardiogram signals |
US20160045117A1 (en) * | 2014-08-14 | 2016-02-18 | Nehemiah T. Liu | Peak Detection System and Method for Calculation of Signal-Derived Metrics |
-
2021
- 2021-07-27 CN CN202110850856.8A patent/CN113647959B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5682900A (en) * | 1995-11-29 | 1997-11-04 | Hewlett-Packard Company | Method and apparatus for obtaining heartbeat measurements from a ECG waveform |
WO2017059569A1 (zh) * | 2015-10-08 | 2017-04-13 | 深圳迈瑞生物医疗电子股份有限公司 | 起搏信号处理方法、系统和心电监护仪 |
CN106344004A (zh) * | 2016-09-28 | 2017-01-25 | 清华大学 | 心电信号特征点检测方法及装置 |
GB201717092D0 (en) * | 2017-10-18 | 2017-11-29 | Imperial Innovations Ltd | Electrocardiogram apparatus and method |
CN110897629A (zh) * | 2018-09-14 | 2020-03-24 | 杭州脉流科技有限公司 | 基于深度学习算法的心电特征提取方法、装置、系统、设备和分类方法 |
CN109480825A (zh) * | 2018-12-13 | 2019-03-19 | 武汉中旗生物医疗电子有限公司 | 心电数据的处理方法及装置 |
CN109691994A (zh) * | 2019-01-31 | 2019-04-30 | 英菲泰克(天津)科技有限公司 | 一种基于心电图的心率监测分析方法 |
CN110141216A (zh) * | 2019-05-29 | 2019-08-20 | 清华大学深圳研究生院 | 一种心电信号qrs特征波的识别方法、训练方法及系统 |
CN110495872A (zh) * | 2019-08-27 | 2019-11-26 | 中科麦迪人工智能研究院(苏州)有限公司 | 基于图片及心搏信息的心电分析方法、装置、设备及介质 |
CN110623658A (zh) * | 2019-09-24 | 2019-12-31 | 京东方科技集团股份有限公司 | 信号处理方法、信号处理装置、医学设备、存储介质 |
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 |
WO2021129152A1 (zh) * | 2019-12-26 | 2021-07-01 | 华为技术有限公司 | 诊断报告生成方法、装置、终端设备及可读存储介质 |
KR20210083087A (ko) * | 2019-12-26 | 2021-07-06 | 강원대학교산학협력단 | 인공지능 기반 심전도 자동 분석 장치 및 방법 |
WO2021143400A1 (zh) * | 2020-01-17 | 2021-07-22 | 上海优加利健康管理有限公司 | 一种基于r点的心搏数据分类方法和装置 |
CN112022141A (zh) * | 2020-08-07 | 2020-12-04 | 上海联影智能医疗科技有限公司 | 一种心电信号类别检测方法、装置及存储介质 |
CN112971800A (zh) * | 2021-01-27 | 2021-06-18 | 东南大学 | 基于深度学习的心电早搏信号处理方法、模块和装置 |
CN113080996A (zh) * | 2021-04-08 | 2021-07-09 | 大同千烯科技有限公司 | 一种基于目标检测的心电图分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113647959A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10869610B2 (en) | System and method for identifying cardiac arrhythmias with deep neural networks | |
CN113647959B (zh) | 一种心电波形信号的波形识别方法、装置及设备 | |
CN110495872B (zh) | 基于图片及心搏信息的心电分析方法、装置、设备及介质 | |
CN112426160A (zh) | 一种心电信号类型识别方法及装置 | |
CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
US20230277111A1 (en) | System and method for saliency detection in long-term ecg monitoring | |
CN110693488A (zh) | 心电信号处理系统、方法、电子设备及可读存储介质 | |
CN111956208B (zh) | 一种基于超轻量级卷积神经网络的ecg信号分类方法 | |
CN113080996B (zh) | 一种基于目标检测的心电图分析方法及装置 | |
CN109044340B (zh) | 心电数据分类方法、装置、电子设备以及存储介质 | |
WO2021037101A1 (zh) | 基于图像信息的心电分析方法、装置、设备及介质 | |
Plesinger et al. | Robust multichannel QRS detection | |
CN114469132A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
Gupta et al. | Pre-processing based ECG signal analysis using emerging tools | |
CN115105084A (zh) | 基于深度学习的心搏定位分类方法、系统、介质及设备 | |
CN111214225B (zh) | 室性激动识别方法、装置、电子设备及可读存储介质 | |
CN115429284A (zh) | 心电信号分类方法、系统、计算机设备以及可读存储介质 | |
CN115067967A (zh) | 心拍信号基准点确定方法、心拍类型识别方法及装置 | |
CN110025308B (zh) | 一种心电特征提取方法、心拍识别方法及装置 | |
CN113647954A (zh) | 双通道混合网络模型的心血管疾病识别方法、装置及介质 | |
CN113712525A (zh) | 一种生理参数处理方法、装置及医疗设备 | |
CN113349790B (zh) | 基于s型重构的2d卷积神经网络的心拍分类方法及系统 | |
CN112914585B (zh) | 一种面向单导联心电图的分类方法、系统及装置 | |
CN114652323B (zh) | 一种心律失常的检测方法、装置及设备 | |
CN114219028B (zh) | 心电st段抬高识别模型的训练、st段抬高识别方法及装置 |
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 |