CN116407133A - 心电信号的质量评估方法、装置、存储介质及电子设备 - Google Patents
心电信号的质量评估方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116407133A CN116407133A CN202310647886.8A CN202310647886A CN116407133A CN 116407133 A CN116407133 A CN 116407133A CN 202310647886 A CN202310647886 A CN 202310647886A CN 116407133 A CN116407133 A CN 116407133A
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- evaluated
- quality
- score
- determining
- 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
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000011156 evaluation Methods 0.000 claims abstract description 161
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 39
- 238000005070 sampling Methods 0.000 claims description 33
- 238000001303 quality assessment method Methods 0.000 claims description 25
- 230000005856 abnormality Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000000747 cardiac effect Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 abstract description 6
- 238000013210 evaluation model Methods 0.000 abstract description 5
- 230000003595 spectral effect Effects 0.000 description 19
- 238000007781 pre-processing Methods 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 208000024172 Cardiovascular disease Diseases 0.000 description 6
- 238000012952 Resampling Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003759 clinical diagnosis Methods 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002107 myocardial effect Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000008859 change 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic 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
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7221—Determining signal validity, reliability or quality
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明公开了一种心电信号的质量评估方法、装置、存储介质及电子设备。其中,该方法包括:获取待评估心电信号;基于待评估心电信号,采用变分自编码器模型,确定待评估心电信号对应的第一重建心电信号的质量得分;确定待评估心电信号的频率特征评估分数;确定待评估心电信号的波形形态评估分数;根据质量得分,频率特征评估分数和波形形态评估分数,得到待评估心电信号的质量评估结果。本发明解决了相关技术中心电质量评估方法中通过专家标注方式获取有标签心电数据,采用有标签心电数据进训练获取评估模型,导致的评估效率低且前期投入大的技术问题。
Description
技术领域
本发明涉及信号处理领域,具体而言,涉及一种心电信号的质量评估方法、装置、存储介质及电子设备。
背景技术
心电图可以表示心脏周期性收缩与舒张过程中产生的心肌电位变化,包含着大量与生理疾病相关的信息,随着移动设备和移动互联网技术的发展,近年来心血管疾病的防治和远程心电监护越来越受到医疗保健的重视。由于人体处于复杂多变的环境中,采集到的信号容易受到生理和外部的干扰,造成心电信号失去临床诊断意义,增大了心电医师进行临床诊断和分析和自动心电图分析的难度。目前,对心电信号质量评估方法主要分为两种。一种是基于噪声特征的心电信号质量评估方法,此类方法通过心电信号中各种噪声的特点提取相关特征,如频谱能量(信噪比、功率谱密度等)、波形形态、滤波器或信号分解等特征(EMD分解、基于KF的质量分数)、基于心电特征点的计算值(QRS时限、QT间期等),再基于规则或机器学习分类或聚类算法,评估心电信号质量。另一种是端到端的心电信号质量评估方法,此类方法将原始或轻度处理(如尺寸缩放等)的心电数据,输入到深度神经网络,训练深度神经网络得到分类或聚类结果,用于评估心电信号质量。但是,基于噪声特征的心电质量评估方法受限于提取的噪声特征,在不同种类的噪声上很难得到一致的评估性能。端到端的评估方法可以通过大量有标签心电数据学习到性能较高的心电质量分类器,但是需要大量的专家标注,导致评估效率低且前期投入大,评估成本较高。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明提供了一种心电信号的质量评估方法、装置、存储介质及电子设备,以至少解决相关技术中心电质量评估方法中通过专家标注方式获取有标签心电数据,采用有标签心电数据进训练获取评估模型,导致的评估效率低且前期投入大的技术问题。
根据本发明实施例的一个方面,提供了一种心电信号的质量评估方法,包括:获取待评估心电信号;基于上述待评估心电信号,采用变分自编码器模型,确定上述待评估心电信号对应的第一重建心电信号的质量得分,其中,上述变分自编码器模型是采用多组心电信号进行无监督训练得到的;确定上述待评估心电信号的频率特征评估分数,其中,上述频率特征评估分数至少包括上述待评估心电信号中两个不同的频率带之间的能量比;确定上述待评估心电信号的波形形态评估分数,其中,上述波形形态评估分数至少包括上述待评估心电信号中的空值占比和平直段占比;根据上述质量得分,上述频率特征评估分数和上述波形形态评估分数,得到上述待评估心电信号的质量评估结果。
可选的,上述基于上述待评估心电信号,采用变分自编码器模型,确定上述待评估心电信号对应的第一重建心电信号的质量得分,包括:在将上述待评估心电信号输入至上述变分自编码器模型,得到上述待评估心电信号对应的上述第一重建心电信号的情况下,基于上述待评估心电信号和上述第一重建心电信号,得到上述质量得分;在将上述待评估心电信号输入至上述变分自编码器模型,得到上述待评估心电信号对应的上述第一重建心电信号和第一不确定度的情况下;基于上述待评估心电信号、上述第一重建心电信号和上述第一不确定度,得到上述质量得分。
可选的,上述基于上述待评估心电信号、上述第一重建心电信号和/或上述第一不确定度,得到上述质量得分,包括:基于上述待评估心电信号和上述第一重建心电信号,通过如下方式得到上述质量得分:
其中,Rscore为上述质量得分,L为上述待评估心电信号的长度,x为上述待评估心电信号,xi为上述待评估心电信号中的第i时刻的采样点,v为上述第一重建心电信号,vi为上述第一重建心电信号中与上述第i时刻的采样点对应的重建心电采样点。
可选的,在上述将上述待评估心电信号输入至上述目标变分自编码器模型,得到上述待评估心电信号对应的上述第一重建心电信号和第一不确定度之前,上述方法还包括:确定初始变分自编码器模型,其中,上述初始变分自编码器模型包括编码器、重参数层、解码器;确定总目标函数为:
其中,Ltotal表示上述总目标函数,Lkl表示上述重参数层对应的第一目标函数,Lres表示上述解码器对应的第二目标函数,基于上述总目标函数,采用上述多组心电信号对上述初始变分自编码器模型进行无监督训练,得到训练好的上述目标变分自编码器模型。
可选的,上述第一目标函数的确定过程为:将上述多组心电信号输入至上述编码器,得到隐空间向量对应的均值和方差,基于上述均值和上述方差,确定上述隐空间向量的后验分布为:
其中,z表示上述隐空间向量,x'表示上述多组心电信号中的任意一组心电信号,μ表示上述隐空间向量对应的上述均值,表示上述隐空间向量对应的上述方差,上述隐空间向量的后验分布符合均值为μ,方差为/>的正态分布N(μ,/>);
将上述均值和上述方差输入至上述重参数层,确定上述隐空间向量为:
其中,KL(││)表示KL散度计算,N (0,1)表示上述标准正态分布;上述第二目标函数的确定过程为:将上述隐空间向量输入至上述解码器,得到第二重建心电信号和第二不确定度;
基于上述第二重建心电信号和上述第二不确定度,确定上述第二目标函数为:
其中,L'为上述任意一组心电信号的长度,x'为上述任意一组心电信号,xj'为上述任意一组心电信号中的第j时刻的采样点,vj为上述第二重建心电信号中与上述第j时刻的采样点对应的重建心电采样点,σj为上述第j时刻的采样点对应的第二不确定度。
可选的,基于上述待评估心电信号、上述第一重建心电信号和上述第一不确定度,得到上述质量得分,包括:基于上述待评估心电信号,上述第一重建心电信号和上述第一不确定度,通过如下方式得到上述质量得分:
其中,Rscore为上述质量得分,L为上述待评估心电信号的长度,x为上述待评估心电信号,xi为上述待评估心电信号中的第i时刻的采样点,v为上述第一重建心电信号,vi为上述第一重建心电信号中与上述第i时刻的采样点对应的重建心电采样点,σi为上述第i时刻的采样点对应的第一不确定度。
可选的,上述确定上述待评估心电信号的波形形态评估分数,包括:将上述待评估心电信号中空值信号长度占上述待评估心电信号的总长度的比例,作为上述空值占比;将上述待评估心电信号中二阶差分值小于预设阈值的段落长度占上述待评估心电信号的总长度的比例,作为上述平直段占比。
可选的,上述根据上述质量得分,上述频率特征评估分数和上述波形形态评估分数,得到上述待评估心电信号的质量评估结果,包括:在上述波形形态评估分数中的上述空值占比大于或等于预设第一阈值,或者上述平直段占比大于或等于预设第二阈值的情况下,确定上述质量评估结果为信号异常;在上述波形形态评估分数中的上述空值占比小于上述预设第一阈值,上述平直段占比小于上述预设第二阈值的情况下,根据上述质量得分进行评估,确定上述质量评估结果。
可选的,上述根据上述质量得分进行评估,确定上述质量评估结果,包括:在上述质量得分小于预设第三阈值的情况下,确定上述质量评估结果为信号质量正常;在上述质量得分大于或等于上述预设第三阈值的情况下,确定上述质量评估结果为信号异常,并根据上述频率特征评估分数,确定信号异常的种类。
可选的,上述频率特征评估分数包括上述待评估心电信号中第一频率带和第二频率带之间的第一能量比,第三频率带和第四频率带之间的第二能量比,以及第五频率带和第六频率带之间的第三能量比,上述根据上述频率特征评估分数,确定信号异常的种类,包括:在上述第一能量比小于预设第四阈值,上述第二能量比小于预设第五阈值,上述第三能量比小于预设第六阈值的情况下,确定上述信号异常的种类为上述待评估心电信号中包含噪声;在上述第一能量比大于或等于上述预设第四阈值的情况下,确定上述信号异常的种类为上述待评估心电信号中包含基线偏移;在上述第一能量比小于上述预设第四阈值,上述第二能量比大于或等于上述预设第五阈值的情况下,确定上述信号异常的种类为上述待评估心电信号中信噪比低;在上述第一能量比小于上述预设第四阈值,上述第二能量比小于上述预设第五阈值,上述第三能量比大于或等于上述预设第六阈值的情况下,确定上述信号异常的种类为上述待评估心电信号中包含高频噪声。
根据本发明实施例的另一方面,还提供了一种心电信号的质量评估装置,包括:信号采集模块,用于获取待评估心电信号;第一质量评估模块,用于基于上述待评估心电信号,采用变分自编码器模型,确定上述待评估心电信号对应的第一重建心电信号的质量得分,其中,上述变分自编码器模型是采用多组心电信号进行无监督训练得到的;频率特征评估分数评估模块,用于确定上述待评估心电信号的频率特征评估分数,其中,上述频率特征评估分数至少包括上述待评估心电信号中两个不同的频率带之间的能量比;波形形态评估分数评估模块,用于确定上述待评估心电信号的波形形态评估分数,其中,上述波形形态评估分数至少包括上述待评估心电信号中的空值占比和平直段占比;第二质量评估模块,用于根据上述质量得分,上述频率特征评估分数和上述波形形态评估分数,得到上述待评估心电信号的质量评估结果。
根据本发明实施例的另一方面,还提供了一种非易失性存储介质,上述非易失性存储介质存储有多条指令,上述指令适于由处理器加载并执行任意一项上述的心电信号的质量评估方法。
根据本发明实施例的另一方面,还提供了一种电子设备,包括一个或多个处理器和存储器,上述存储器用于存储一个或多个程序,其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现任意一项上述的心电信号的质量评估方法。
在本发明实施例中,通过获取待评估心电信号;基于上述待评估心电信号,采用变分自编码器模型,确定上述待评估心电信号对应的第一重建心电信号的质量得分,其中,上述变分自编码器模型是采用多组心电信号进行无监督训练得到的;确定上述待评估心电信号的频率特征评估分数,其中,上述频率特征评估分数至少包括上述待评估心电信号中两个不同的频率带之间的能量比;确定上述待评估心电信号的波形形态评估分数,其中,上述波形形态评估分数至少包括上述待评估心电信号中的空值占比和平直段占比;根据上述质量得分,上述频率特征评估分数和上述波形形态评估分数,得到上述待评估心电信号的质量评估结果,达到了无监督训练方式获取心电信号的质量评分,并结合其他指标综合确定心电信号的质量的目的,从而实现了提升心电信号质量评估效率,降低评估成本的技术效果,进而解决了相关技术中心电质量评估方法中通过专家标注方式获取有标签心电数据,采用有标签心电数据进训练获取评估模型,导致的评估效率低且前期投入大的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,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。在附图中:
图1是根据本发明实施例的一种心电信号的质量评估方法的示意图;
图2是根据本发明实施例的一种可选的心电信号的质量评估方法的示意图;
图3是根据本发明实施例的一种可选的心电信号的质量评估装置示意图;
图4是根据本发明实施例的另一种可选的心电信号的质量评估装置示意图;
图5是根据本发明实施例的一种心电信号的质量评估装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,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。
心血管疾病(Cardiovascular disease,CVD)是威胁人类生命健康的主要疾病之一,其发病率和死亡率一直居高不下。如何加强心血管疾病的防治工作已成为世界性问题,心电信号是心血管疾病防治工作中的重要依据,心电图可以表示心脏周期性收缩与舒张过程中产生的心肌电位变化,包含着大量与生理疾病相关的信息随着移动设备和移动互联网技术的发展, 近年来心血管疾病的防治和远程心电监护越来越受到医疗保健的重视。由于人体处于复杂多变的环境中,采集到的信号容易受到生理和外部的干扰,造成心电信号失去临床诊断意义,增大了心电医师进行临床诊断和分析和自动心电图分析的难度。尤其是在远程医疗的场景下,缺乏经验的操作人员采集心电图的质量更难以达到医院的标准。这种情况成为了远程心电监护场景的重大障碍。因此,亟需开发一套心电质量评估方法及系统,在心电采集过程中,快速评估各个导联的信号质量并给出相应采集指导建议,以减少采集的心电图质量不佳的情况。
目前,该领域心电信号质量评估方法主要分为两种。一种是基于噪声特征的心电信号质量评估方法,此类方法通过心电信号中各种噪声的特点提取相关特征,如频谱能量(信噪比、功率谱密度等)、波形形态、滤波器或信号分解等特征(EMD分解、基于KF的质量分数)、基于心电特征点的计算值(QRS时限、QT间期等),再基于规则(例如图2所示的规则)或机器学习分类或聚类算法,评估心电信号质量。另一种是端到端的心电信号质量评估方法,此类方法将原始或轻度处理(如尺寸缩放等不是从数据中提取特定特征)的心电数据,输入到深度神经网络,训练深度神经网络得到分类或聚类结果,用于评估心电信号质量。
但是,基于噪声特征的心电质量评估方法受限于提取的噪声特征,在不同种类的噪声上很难得到一致的评估性能。端到端的评估方法可以通过大量有标签心电数据学习到性能较高的心电质量分类器,但是这需要大量的专家标注,导致评估效率低且前期投入大,评估成本较高。
根据本发明实施例,提供了一种心电信号的质量评估的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的心电信号的质量评估方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取待评估心电信号。
可选的,可以但不限于通过数据缓冲区、心电传感器或其他途径的采集待评估心电信号。
步骤S104,基于上述待评估心电信号,采用变分自编码器模型,确定上述待评估心电信号对应的第一重建心电信号的质量得分,其中,上述变分自编码器模型是采用多组心电信号进行无监督训练得到的。
可选的,上述基于上述待评估心电信号,采用变分自编码器模型,确定上述待评估心电信号对应的第一重建心电信号的质量得分,包括:对上述待评估心电信号进行预处理,得到预处理后的待评估心电信号;基于上述预处理后的待评估心电信号,采用上述变分自编码器模型,确定上述第一重建心电信号的质量得分。上述预处理可以但不限于包括:重采样处理、重缩放处理以及分窗处理。
可以理解,获取到的待评估心电信号由于信号强度等原因可能会存在特征不容易识别的情况,基于此,对待评估心电信号重采样处理、重缩放处理以及分窗处理之后,获取到的处理后的待评估心电信号特征更加明显,更有利于后续的质量评估。
步骤S106,确定上述待评估心电信号的频率特征评估分数,其中,上述频率特征评估分数至少包括上述待评估心电信号中两个不同的频率带之间的能量比。
可选的,上述确定上述待评估心电信号的频率特征评估分数,包括:基于上述预处理后的待评估心电信号,得到上述频率特征评估分数。
步骤S108,确定上述待评估心电信号的波形形态评估分数,其中,上述波形形态评估分数至少包括上述待评估心电信号中的空值占比和平直段占比。
上述确定上述待评估心电信号的波形形态评估分数,包括:将上述待评估心电信号中空值信号长度占上述待评估心电信号的总长度的比例,作为上述空值占比;将上述待评估心电信号中二阶差分值小于预设阈值的段落长度占上述待评估心电信号的总长度的比例,作为上述平直段占比。
可选的,上述空值占比为上述待评估心电信号中空值信号长度占上述待评估心电信号的总长度的比例,上述平直段占比为上述待评估心电信号中二阶差分值小于预设阈值的段落长度占上述待评估心电信号的总长度的比例。上述预设阈值k可以根据实际需要进行设定。
可选的,上述确定上述待评估心电信号的波形形态评估分数,包括:基于上述处理后的待评估心电信号,得到上述波形形态评估分数。
步骤S110,根据上述质量得分,上述频率特征评估分数和上述波形形态评估分数,得到上述待评估心电信号的质量评估结果。
可选的,基于无监督训练得到的变分自编码器模型获取待评估心电信号的质量得分,并在此基础上引入待评估心电信号的频率特征评估分数和波形形态评估分数,基于质量得分,频率特征评估分数(对应频率特征评估分数)以及波形形态评估分数(对应波形形态评估分数),综合评估待评估心电信号的质量,由此提升待评估心电信号质量评估结果准确性和全面性。
通过上述步骤S102至步骤S110,可以达到无监督训练方式获取心电信号的质量评分,并结合其他指标综合确定心电信号的质量的目的,从而实现提升心电信号质量评估效率,降低评估成本的技术效果,进而解决相关技术中心电质量评估方法中通过专家标注方式获取有标签心电数据,采用有标签心电数据进训练获取评估模型,导致的评估效率低且前期投入大的技术问题。
在一种可选的实施例中,上述基于上述待评估心电信号,采用变分自编码器模型,确定上述待评估心电信号对应的第一重建心电信号的质量得分,包括:在将上述待评估心电信号输入至上述变分自编码器模型,得到上述待评估心电信号对应的上述第一重建心电信号的情况下,基于上述待评估心电信号和上述第一重建心电信号,得到上述质量得分;在将上述待评估心电信号输入至上述变分自编码器模型,得到上述待评估心电信号对应的上述第一重建心电信号和第一不确定度的情况下;基于上述待评估心电信号、上述第一重建心电信号和上述第一不确定度,得到上述质量得分。
可选的,在本实施例中,采用变分自编码器模型,确定上述待评估心电信号对应的第一重建心电信号的质量得分,先将待评估心电信号输入变分自编码器模型,变分自编码器对待评估心电信号进行编码,输出待评估心电信号对应的第一重建心电信号或第一重建心电信号和第一不确定度。再基于待评估心电信号、第一重建心电信号,或者基于待评估心电信号、第一重建心电信号和第一不确定度,得到质量得分。
可选的,在上述基于上述待评估心电信号,采用变分自编码器模型,确定上述待评估心电信号对应的第一重建心电信号的质量得分之前,上述方法还包括:获取上述多组心电信号;对上述多组心电信号进行预处理,得到预处理后的多组心电信号;基于上述预处理后的多组心电数据进行无监督训练,得到上述目标变分自编码器模型。
可选的,上述自编码器模型是采用多组心电信号进行无监督训练得到的,即在进行模型训练时,无需通过人工标注方式预先对获取到的多组心电信号进行打标签,由此达到降低模型训练前期投入,进而降低心电信号质量评估成本的目的。上述预处理可以但不限于包括重采样处理、重缩放处理、分窗处理,等等。
在一种可选的实施例中,上述基于上述待评估心电信号和上述第一重建心电信号,得到上述质量得分,包括:基于上述待评估心电信号和上述第一重建心电信号,通过如下方式得到上述质量得分:
其中,Rscore为上述质量得分,L为上述待评估心电信号的长度,x为上述待评估心电信号,xi为上述待评估心电信号中的第i时刻的采样点,v为上述第一重建心电信号,vi为上述第一重建心电信号中与上述第i时刻的采样点对应的重建心电采样点。
可选的,对上述待评估心电信号进行预处理,得到处理后的待评估心电信号,将处理后的待评估心电信号输入至训练好的变分自编码器模型,模型输出为待评估心电信号对应的第一重建心电信号,进一步基于待评估心电信号和以及对应的第一重建心电信号,通过上述公式计算即可得到待评估心电信号对应的质量得分。
在一种可选的实施例中,在上述将上述待评估心电信号输入至上述变分自编码器模型,得到上述待评估心电信号对应的上述第一重建心电信号和第一不确定度之前,上述方法还包括:确定初始变分自编码器模型,其中,上述初始变分自编码器模型包括编码器、重参数层、解码器;确定总目标函数为:
其中,Ltotal表示上述总目标函数,Lkl表示上述重参数层对应的第一目标函数,Lres表示上述解码器对应的第二目标函数,基于上述总目标函数,采用上述多组心电信号对上述初始变分自编码器模型进行无监督训练,得到训练好的上述变分自编码器模型。
可选的,上述变分自编码器模型包括编码器(encoder)、重参数层(reparameterize)、解码器(decoder)。上述编码器、重参数层、解码器的具体结构可根据需要进行设定,此处不作具体限定。例如,上述编码器包括5个核长为16,通道数为64的1维卷积层,输出端为核长为16,通道数为64的1维卷积层;上述解码器包括5个核长为16,通道数为64的1维反卷积层。或者,上述编码器包括3个核长为25,通道数为128的1维卷积层,输出端为核长为25,通道数为128的1维卷积层;上述解码器包括3个核长为25,通道数为128的1维反卷积层,输出端为核长为25,通道数为1的1维反卷积层。 或者,上述编码器包括7个核长为7,通道数为32的1维卷积层,输出端为核长为7,通道数为32的1维卷积层;上述解码器包括7个核长为7,通道数为32的1维反卷积层,输出端为核长为7,通道数为1的1维反卷积层。上述示例用于说明变分自编码器模型的具体结构,本发明中的变分自编码器模型包括但不限于以上编码器结构。通过以上方式,在进行模型训练目标函数构建时,针对模型中的重参数层和解码器分别构建目标函数,将获取到的第一目标函数和第二目标函数的和作为总目标函数,即针对模型中的重构误差部分和解码器部分分别有针对性的构建目标函数,使得模型训练目标能够与模型各部分更好的融合,在此基础上训练得到的变分自编码器模型。
在一种可选的实施例中,上述第一目标函数的确定过程为:
将上述多组心电信号输入至上述编码器,得到隐空间向量对应的均值和方差,基于上述均值和上述方差,确定上述隐空间向量的后验分布为:
其中,z表示上述隐空间向量,x'表示上述多组心电信号中的任意一组心电信号,μ表示上述隐空间向量对应的上述均值,表示上述隐空间向量对应的上述方差,上述隐空间向量的后验分布符合均值为μ,方差为/>的正态分布N(μ,/>);
将上述均值和上述方差输入至上述重参数层,确定上述隐空间向量为:
基于上述隐空间向量的后验分布和标准正态分布,确定上述第一目标函数为:
其中,KL(││)表示KL散度计算,N (0,1)表示上述标准正态分布;
可选的,以多组心电信号作为编码器的输入,经编码器内部处理后输出的隐空间向量对应的均值和方差作为重参数层的输入,上述处理方式将模型的输入信号与编码器部分、重参数层部分充分融合后,输出重参数层对应的第一目标函数。
可选的,上述第二目标函数的确定过程为:
将上述隐空间向量输入至上述解码器,得到第二重建心电信号和第二不确定度;
基于上述第二重建心电信号和上述第二不确定度,确定上述第二目标函数为:
其中,L'为上述任意一组心电信号的长度,x'为上述任意一组心电信号,xj'为上述任意一组心电信号中的第j时刻的采样点,vj为上述第二重建心电信号中与上述第j时刻的采样点对应的重建心电采样点,σj为上述第j时刻的采样点对应的第二不确定度。
可选的,上述解码器以重参数层的输出结果作为输入,构建的第二目标函数中不仅包括了重建心电信号,同时引入了不确定度,以使得训练后的变分自编码器模型能够同时输出重建心电信号和不确定度,用于后续基于待评估心电信号以及对应的第一重建心电信号和第一不确定度进行待评估信号质量评分的确定。
在一种可选的实施例中,上述基于上述待评估心电信号、上述第一重建心电信号和上述第一不确定度,得到上述质量得分,包括:
基于上述待评估心电信号,上述第一重建心电信号和上述第一不确定度,通过如下方式得到上述质量得分:
其中,Rscore为上述质量得分,L为上述待评估心电信号的长度,x为上述待评估心电信号,xi为上述待评估心电信号中的第i时刻的采样点,v为上述第一重建心电信号,vi为上述第一重建心电信号中与上述第i时刻的采样点对应的重建心电采样点,σi为上述第i时刻的采样点对应的第一不确定度。
可选的,在计算待评估心电信号的质量得分时,除了采用待评估心电信号和以及对应的第一重建心电信号之外,还引入目标变分自编码器模型输出的待评估心电信号对应的第一不确定度,基于上述待评估心电信号和以及对应的第一重建心电信号、第一不确定度,得到待评估心电信号的质量得分。
在一种可选的实施例中,上述确定上述待评估心电信号的波形形态评估分数,包括:将上述待评估心电信号中空值信号长度占上述待评估心电信号的总长度的比例,作为上述空值占比;将上述待评估心电信号中二阶差分值小于预设阈值的段落长度占上述待评估心电信号的总长度的比例,作为上述平直段占比。
可选的,空值占比、平直段占比可以根据需要设定,此处不做具体限定。
在一种可选的实施例中,上述根据上述质量得分,上述频率特征评估分数和上述波形形态评估分数,得到上述待评估心电信号的质量评估结果,包括:在上述波形形态评估分数中的上述空值占比大于或等于预设第一阈值,或者上述平直段占比大于或等于预设第二阈值的情况下,确定上述质量评估结果为信号异常;在上述波形形态评估分数中的上述空值占比小于上述预设第一阈值,上述平直段占比小于上述预设第二阈值的情况下,根据上述质量得分进行评估,确定上述质量评估结果。
可选的,根据上述质量得分(即重建心电信号评估分数),上述频率特征评估分数和上述波形形态评估分数,综合确定待评估心电信号的信号质量,在空值占比或平直段占比中任意一个大于或等于对应的预设阈值时,即可直接判定出待评估心电信号为异常信号;在波形形态评估分数中的上述空值占比和上述平直段占比均小于对应的预设阈值的情况下,此时无法根据空值占比和平直段占比直接确定出待评估心电信号的信号质量,需要对待评估心电信号进一步进行质量评估,例如,可以根据质量得分进一步分析待评估心电信号的具体质量问题。
在一种可选的实施例中,上述根据上述质量得分进行评估,确定上述质量评估结果,包括:在上述质量得分小于预设第三阈值的情况下,确定上述质量评估结果为信号质量正常;在上述质量得分大于或等于上述预设第三阈值的情况下,确定上述质量评估结果为信号异常,并根据上述频率特征评估分数,确定信号异常的种类。
可选的,在待评估心电信号的波形形态评估分数中的空值占比和平直段占比均小于对应的预设阈值,即空值占比小于预设第一阈值,并且平直段占比均小于预设第二阈值,并且质量得分小于预设第三阈值的情况下,确定待评估心电信号质量正常;在空值占比小于预设第一阈值,并且平直段占比均小于预设第二阈值,但质量得分大于或等于预设第三阈值的情况下,此时确定待评估心电信号为异常信号,并可以进一步根据频率特征评估分数确定异常信号的种类,由此获取到更多有关待评估心电信号的异常信息。
在一种可选的实施例中,上述频率特征评估分数包括上述待评估心电信号中第一频率带和第二频率带之间的第一能量比,第三频率带和第四频率带之间的第二能量比,以及第五频率带和第六频率带之间的第三能量比,上述根据上述频率特征评估分数,确定信号异常的种类,包括:在上述第一能量比小于预设第四阈值,上述第二能量比小于预设第五阈值,上述第三能量比小于预设第六阈值的情况下,确定上述信号异常的种类为上述待评估心电信号中包含噪声;在上述第一能量比大于或等于上述预设第四阈值的情况下,确定上述信号异常的种类为上述待评估心电信号中包含基线偏移;在上述第一能量比小于上述预设第四阈值,上述第二能量比大于或等于上述预设第五阈值的情况下,确定上述信号异常的种类为上述待评估心电信号中信噪比低;在上述第一能量比小于上述预设第四阈值,上述第二能量比小于上述预设第五阈值,上述第三能量比大于或等于上述预设第六阈值的情况下,确定上述信号异常的种类为上述待评估心电信号中包含高频噪声。
可选的,上述待评估心电信号的频率特征评估分数可以包括一个能量比,还可以包括多个能量比,不同的能量比可以体现出待评估心电信号不同的频率特征评估分数。例如,上述频率特征评估分数可以包三组功率带(每组两个)的能量比,即第一能量比、第二能量比以及第三能量比。其中,第一能量比为1至40Hz(赫兹)功率带与0至40Hz功率带的能量比,第二能量比为5至15Hz功率带与1至40Hz功率带的能量比,第三能量比为1至40Hz功率带与0至100Hz功率带的能量比。通过以上方式,在进行心电信号质量评估时,引入心电信号的频率特征评估分数,以更加全面的识别出待识别信号中可能存在的质量问题。
可选的,上述方法还包括:获取上述待评估心电信号中两个不同的频率带分别对应的功率谱密度;基于上述两个不同的频率带分别对应的功率谱密度,得到上述两个不同的频率带之间的能量比。
可选的,可以但不限于通过welch功率谱估计法或自回归(AR)模型计算待评估心电信号中两个不同的频率带分别对应的功率谱密度。
可选的,基于上述两个不同的频率带分别对应的功率谱密度,通过如下方式得到上述两个不同的频率带之间的能量比:
其中,Energy ratio 为上述两个不同的频率带之间的能量比,PSD(s)为上述待评估心电信号对应的频谱密度函数,fa为上述两个不同的频率带中其中一个频率带对应的功率谱密度下限值,fb为上述其中一个频率带对应的功率谱密度上限值,fc为上述两个不同的频率带中另一个频率带对应的功率谱密度下限值,fd为上述另一个频率带对应的功率谱密度上限值。
可选的,上述第一能量比为1至40Hz(赫兹)功率带与0至40Hz功率带的能量比,第二能量比为5至15Hz功率带与1至40Hz功率带的能量比,第三能量比为1至40Hz功率带与0至100Hz功率带的能量比。
可选的,不同的能量比用于确定待评估心电信号中存在的不同的质量问题,其中,上述第一能量比用于确定待评估心电信号是否存在“信号包含基线”的问题,上述第二能量比用于确定待评估心电信号是否存在“心电信号信噪比低”的问题,上述第三能量比用于确定待评估心电信号是否存在“信号包含高频噪声”的问题。具体为:在第一能量比,第二能量比以及第三能量比均小于对应的预设阈值的情况下,确定待评估心电信号中包含噪声;在第一能量比大于或等于预设第四阈值时,确定待评估心电信号中存在基线偏移的问题;在第一能量比小于预设第四阈值,并且第二能量比大于或等于预设第五阈值时,确定待评估心电信号中存在信噪比低的问题;在第一能量比小于预设第四阈值,并且上述第二能量比大于或等于预设第五阈值时,确定待评估心电信号中包含高频噪声。
需要说明的是,本发明实施例中,根据上述质量得分,上述频率特征评估分数和上述波形形态评估分数确定上述待评估心电信号的质量评估结果时,综合了多种判断条件,上述判断添加可以相互独立,也可以存在一定的逻辑顺序,对此不做具体限定。以上述多种判断条件存在一定的逻辑顺序为例,图2是根据本发明实施例的一种可选的心电信号的质量评估方法的流程图,如图2所示,上述根据上述质量得分,上述频率特征评估分数和上述波形形态评估分数,得到上述待评估心电信号的质量评估结果,包括:首先判断待评估心电信号的空值占比是否小于阈值1(即预设第一阈值),若空值占比不小于阈值1,则确定待评估心电信号的质量评估结果为异常信号;若待评估心电信号的空值占比小于阈值1,则继续判断平直段占比是否小于阈值2(即预设第二阈值),若平直段占比不小于阈值2,则确定待评估心电信号的质量评估结果为异常信号;若平直段占比小于阈值2,则继续判断重建信号评估分数(即质量评分)是否小于阈值3(即预设第三阈值);若重建信号评估分数小于阈值3,则确定待评估心电信号的质量评估结果为信号质量正常,否则继续判断能量比1(即第一能量比)是否小于阈值4(即第四预设阈值);若能量比1不小于阈值4,则确定待评估心电信号的质量评估结果为信号包含基线偏移,否则继续判断能量比2(即第二能量比)是否小于阈值5(即预设第五阈值);若能量比2不小于阈值5,则确定待评估心电信号的质量评估结果为心电信号信噪比低,否则继续判断能量比3(即第三能量比)是否小于阈值6(即预设第六阈值),若能量比3不小于阈值6,则确定待评估心电信号的质量评估结果为信号包含高频噪声,否则确定待评估心电信号的质量评估结果为心电信号包含噪声。
基于上述实施例和可选实施例,本发明提出一种可选实施方式,图3是根据本发明实施例的一种可选的心电信号的质量评估装置示意图,上述装置包括心电采集模块,心电信号预处理模块,质量评估模块,结果聚合模块,其中,质量评估模块包括VAE质量评估单元、频谱特征分数计算单元、波形特征分数计算单元,该装置可用于变分自编码器模型训练和心电质量评估,具体实现步骤如下:
步骤S1,心电采集,由心电采集模块采集心电图数据(心电图数据由医院心电图技师获取,也可以是其他方式获取的心电图数据,但需要保证该心电图数据准确),得到多组心电信号(为原始心电信号),构建正常的心电信号数据集。
步骤S2:多组心电信号进行预处理,通过心电信号预处理模块对步骤S1获得的多组进行重采样处理、重缩放处理以及分窗处理。预处理的后的多组心电信号的频率、重采样频率、幅值缩放范围、分窗窗口数根据实际需要设定,无具体数值,将500Hz多组心电信号重采样到256Hz,幅值缩放到1mV/LSB,并将数据分为数个1024点长的窗口。
步骤S3:预处理后的多组心电信号输入预先构建的变分自编码器模型框架中,对其进行无监督训练,获得训练好的变分自编码器模型。为了提高重建精度进而提高质量评估效果,本发明实施例对变分自编码器的模型结构、模型输出和训练目标均进行了改进。如图3所示,变分自编码器模型包括编码器(encoder)、重参数层(reparameterize)、解码器(decoder),该模型设置在VAE(Variational AutoEncoder,变分自编码器)质量评估单元内,各个模型参数根据实际需要设定,无具体数值,举例来说,模型输入为长度为1024点的心电信号,记为x;其中变分自编码器模型编码器部分由5个核长为16,通道数为64的1维卷积层堆叠而成,输出端均为核长为16,通道数为64的1维卷积层;解码器部分由5个核长为16,通道数为64的1维反卷积层堆叠而成。模型输出包括重建结果确定值v(即第一重建心电信号)和第一不确定度σ。
步骤S4:从数据缓冲区、心电传感器或其他途径的采集待评估心电信号。
步骤S5:对步骤S4采集的待评估心电信号如步骤S2进行预处理,得到处理后的待评估心电信号。
步骤S6:将步骤S5处理后的待评估心电信号输入到VAE质量评估单元,得到待评估心电信号对应的重建结果确定值(即第一重建心电信号)μ和第一不确定度σ,基于待评估心电信号,待评估心电信号对应的重建结果确值和第一不确定度计算待评估心电信号的质量评分;或者基于待评估心电信号和对应的重建结果确定值计算待评估心电信号的质量评分(具体计算公式同上,此处不再赘述)。
步骤S7:使用步骤S5预处理后的待评估心电信号,输入频谱特征分数计算单元,基于welch功率谱估计法或自回归(AR)模型计算心电信号功率谱密度,再计算各频段心电信号的功率谱密度之比,作为待评估心电信号的频率特征分数(具体计算公式同上,此处不再赘述)。在本例中使用三组能量比计算频率特征评估分数,分别为能量比1,即1至40hz功率带与0至40hz功率带的能量比;能量比2,即5至15hz功率带与1至40hz功率带的能量比;能量比3,即1至40hz功率带与0至100hz功率带的能量比。
步骤S8:使用步骤S5预处理后的待评估心电信号,输入波形特征分数计算单元,以该预处理后的待评估心电信号中空值占信号总长度的比例作为空值占比。以信号二阶差分值小于阈值k的段落长度占新号总长度的比例作为平直段占比。以空值占比和平直段占比作为波形形态评估分数。k根据实际需要设定,无具体数值。
步骤S9:基于步骤S6至步骤S8的结果,输入到结果聚合模块。基于构建的数值判别规则聚合质量评估模块的结果,给出心电质量评估结果。具体的结果聚合规则如图2所示。其中阈值1、阈值2、阈值3、阈值4、阈值5为经验值。首先质量评估模块中空值占比或平直段占比不小于阈值1、阈值2则给出异常信号的结果。之后若重建信号评估分数小于阈值3则给出心电信号质量正常的结果,否则若能量比1不小于阈值4则给出信号包含基线漂移,若能量比2不小于阈值5则给出心电信号信噪比低;若能量比3不小于阈值6则给出信号包含高频干扰,否则给出心电信号包含噪声。
根据本发明实施例,还提供了另一种可选的心电信号的质量评估装置,图4是根据本发明实施例的另一种可选的心电信号的质量评估装置示意图,如图4所示,该装置包括:心电采集模块、心电信号预处理模块、VAE模型生成模块、计算模块以及结果聚合模块,其中:
心电采集模块,包括:第一采集单元(对应上述步骤S1、步骤S4),用于从数据缓冲区采集待评估心电信号。第二采集单元(对应上述步骤S1、步骤S4),用于从心电传感器采集的待评估心电信号。
心电信号预处理模块(对应上述步骤S2、步骤S5),用于对获取的心电信号进行重采样、重缩放、分窗等预处理工作。
VAE模型生成模块(对应上述步骤S3),用于对VAE模型框架进行训练,生成训练好的变分自编码器模型。
计算模块,包括VAE质量评估单元、频谱特征分数计算单元、波形特征分数计算单元,其中:VAE质量评估单元(对应上述步骤S6),用于使用训练好的变分自编码器模型确定第一重建心电信号的质量评分。
频谱特征分数计算单元(对应上述步骤S7),用于使用welch功率谱估计法计算其功率谱密度,基于此计算能量比1、能量比2、能量比3。波形特征分数计算单元(对应上述步骤S8),计算待评估心电信号的空值占比或平直段占比。
结果聚合模块(对应上述步骤S9),基于规则给出待评估心电信号的质量评估结果。
需要说明的是,本发明实施例中,为了在不依赖于大量专家标注的情况下得到准确度较高的心电质量评估使用改进的变分自编码器第一重建心电信号的方式,进行大量数据的无监督的训练。使用改进的变分自编码器模型和基于噪声特征的心电信号质量评估方法,构建心电信号质量评估装置,自动给出具有实际意义的质量问题评估结果。
根据本发明实施例,还提供了一种心电信号的质量评估装置的应用场景,在远程医疗的场景下,由受试者在说明指导下自行佩戴心电采集设备。受试者采集的心电信号会经数据采集模块,传入预处理模块以及后续的计算模块,再有处理模块处理计算结果,给出最终结果,并决定是否进行心电自动判读。例如,对于患者1:性别女,37岁,自行进行心电信号采集,其心电采集线虚接,空值占比计算值为0.96,基于规则提示受试者异常信号。拒绝进行心电自动判读。
根据本发明实施例,还提供了另一种心电信号的质量评估装置的应用场景,在心电数据库处理场景下,将预先采的心电信号送入经数据采集模块,传入预处理模块以及后续的计算模块,再有处理模块处理计算结果,给出最终结果,并决定信号是否入库。例如,对于数据1:无明显异常,重建评估分数为0.06,能量比1、能量比2、能量比3分别为1.11,0.73, 0.90。评估信号质量正常,允许入库。
在本实施例中还提供了一种心电信号的质量评估装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”“装置”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
根据本发明实施例,还提供了一种用于实施上述心电信号的质量评估方法的装置实施例,图5是根据本发明实施例的一种心电信号的质量评估装置的结构示意图,如图5所示,上述心电信号的质量评估装置,包括:信号采集模块500、第一质量评估模块502、频谱特征评估模块504、波形形态评估分数评估模块506、第二质量评估模块508,其中:
上述信号采集模块500,用于获取待评估心电信号;
上述第一质量评估模块502,连接于上述信号采集模块500,用于基于上述待评估心电信号,采用变分自编码器模型,确定上述待评估心电信号对应的第一重建心电信号的质量得分,其中,上述变分自编码器模型是采用多组心电信号进行无监督训练得到的;
上述频谱特征评估模块504,连接于上述第一质量评估模块502,用于确定上述待评估心电信号的频率特征评估分数,其中,上述频率特征评估分数至少包括上述待评估心电信号中两个不同的频率带之间的能量比;
上述波形特征评估模块506,连接于述频谱特征评估模块504,用于确定上述待评估心电信号的波形形态评估分数,其中,上述波形形态评估分数至少包括上述待评估心电信号中的空值占比和平直段占比;
上述第二质量评估模块508,连接于上述波形特征评估模块506,用于根据上述质量得分,上述频率特征评估分数和上述波形形态评估分数,得到上述待评估心电信号的质量评估结果。
在本发明实施例中,通过设置上述信号采集模块500,用于获取待评估心电信号;上述第一质量评估模块502,连接于上述信号采集模块500,用于基于上述待评估心电信号,采用变分自编码器模型,确定上述待评估心电信号对应的第一重建心电信号的质量得分,其中,上述变分自编码器模型是采用多组心电信号进行无监督训练得到的;上述频谱特征评估模块504,连接于上述第一质量评估模块502,用于确定上述待评估心电信号的频率特征评估分数,其中,上述频率特征评估分数至少包括上述待评估心电信号中两个不同的频率带之间的能量比;上述波形特征评估模块506,连接于述频谱特征评估模块504,用于确定上述待评估心电信号的波形形态评估分数,其中,上述波形形态评估分数至少包括上述待评估心电信号中的空值占比和平直段占比;上述第二质量评估模块508,连接于上述波形特征评估模块506,用于根据上述质量得分,上述频率特征评估分数和上述波形形态评估分数,得到上述待评估心电信号的质量评估结果,达到了无监督训练方式获取心电信号的质量评分,并结合其他指标综合确定心电信号的质量的目的,从而实现了提升心电信号质量评估效率,降低评估成本的技术效果,进而解决了相关技术中心电质量评估方法中通过专家标注方式获取有标签心电数据,采用有标签心电数据进训练获取评估模型,导致的评估效率低且前期投入大的技术问题。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,例如,对于后者,可以通过以下方式实现:上述各个模块可以位于同一处理器中;或者,上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是,上述信号采集模块500、第一质量评估模块502、频谱特征评估模块504、波形特征评估模块506、第二质量评估模块508对应于实施例中的步骤S102至步骤S110,上述模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是,本实施例的可选或优选实施方式可以参见实施例中的相关描述,此处不再赘述。
上述的心电信号的质量评估装置还可以包括处理器和存储器,上述信号采集模块500、第一质量评估模块502、频谱特征评估模块504、波形特征评估模块506、第二质量评估模块508等均作为程序模块存储在存储器中,由处理器执行存储在存储器中的上述程序模块来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序模块,上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
根据本申请实施例,还提供了一种非易失性存储介质的实施例。可选的,在本实施例中,上述非易失性存储介质包括存储的程序,其中,在上述程序运行时控制上述非易失性存储介质所在设备执行上述任意一种心电信号的质量评估方法。
可选的,在本实施例中,上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中,上述非易失性存储介质包括存储的程序。
可选的,在程序运行时控制非易失性存储介质所在设备执行以下功能:获取待评估心电信号;基于上述待评估心电信号,采用变分自编码器模型,确定上述待评估心电信号对应的第一重建心电信号的质量得分,其中,上述变分自编码器模型是采用多组心电信号进行无监督训练得到的;确定上述待评估心电信号的频率特征评估分数,其中,上述频率特征评估分数至少包括上述待评估心电信号中两个不同的频率带之间的能量比;确定上述待评估心电信号的波形形态评估分数,其中,上述波形形态评估分数至少包括上述待评估心电信号中的空值占比和平直段占比;根据上述质量得分,上述频率特征评估分数和上述波形形态评估分数,得到上述待评估心电信号的质量评估结果。
根据本申请实施例,还提供了一种处理器的实施例。可选的,在本实施例中,上述处理器用于运行程序,其中,上述程序运行时执行上述任意一种心电信号的质量评估方法。
根据本申请实施例,还提供了一种计算机程序产品的实施例,当在数据处理设备上执行时,适于执行初始化有上述任意一种的心电信号的质量评估方法步骤的程序。
可选的,上述计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取待评估心电信号;基于上述待评估心电信号,采用变分自编码器模型,确定上述待评估心电信号对应的第一重建心电信号的质量得分,其中,上述变分自编码器模型是采用多组心电信号进行无监督训练得到的;确定上述待评估心电信号的频率特征评估分数,其中,上述频率特征评估分数至少包括上述待评估心电信号中两个不同的频率带之间的能量比;确定上述待评估心电信号的波形形态评估分数,其中,上述波形形态评估分数至少包括上述待评估心电信号中的空值占比和平直段占比;根据上述质量得分,上述频率特征评估分数和上述波形形态评估分数,得到上述待评估心电信号的质量评估结果。
本发明实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取待评估心电信号;基于上述待评估心电信号,采用变分自编码器模型,确定上述待评估心电信号对应的第一重建心电信号的质量得分,其中,上述变分自编码器模型是采用多组心电信号进行无监督训练得到的;确定上述待评估心电信号的频率特征评估分数,其中,上述频率特征评估分数至少包括上述待评估心电信号中两个不同的频率带之间的能量比;确定上述待评估心电信号的波形形态评估分数,其中,上述波形形态评估分数至少包括上述待评估心电信号中的空值占比和平直段占比;根据上述质量得分,上述频率特征评估分数和上述波形形态评估分数,得到上述待评估心电信号的质量评估结果。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如上述模块的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块或模块的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取非易失性存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个非易失性存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的非易失性存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (13)
1.一种心电信号的质量评估方法,其特征在于,包括:
获取待评估心电信号;
基于所述待评估心电信号,采用变分自编码器模型,确定所述待评估心电信号对应的第一重建心电信号的质量得分,其中,所述变分自编码器模型是采用多组心电信号进行无监督训练得到的;
确定所述待评估心电信号的频率特征评估分数,其中,所述频率特征评估分数至少包括所述待评估心电信号中两个不同的频率带之间的能量比;
确定所述待评估心电信号的波形形态评估分数,其中,所述波形形态评估分数至少包括所述待评估心电信号中的空值占比和平直段占比;
根据所述质量得分,所述频率特征评估分数和所述波形形态评估分数,得到所述待评估心电信号的质量评估结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述待评估心电信号,采用变分自编码器模型,确定所述待评估心电信号对应的第一重建心电信号的质量得分,包括:
在将所述待评估心电信号输入至所述变分自编码器模型,得到所述待评估心电信号对应的所述第一重建心电信号的情况下,基于所述待评估心电信号和所述第一重建心电信号,得到所述质量得分;
在将所述待评估心电信号输入至所述变分自编码器模型,得到所述待评估心电信号对应的所述第一重建心电信号和第一不确定度的情况下,基于所述待评估心电信号、所述第一重建心电信号和所述第一不确定度,得到所述质量得分。
5.根据权利要求4所述的方法,其特征在于,
所述第一目标函数的确定过程为:
将所述多组心电信号输入至所述编码器,得到隐空间向量对应的均值和方差,基于所述均值和所述方差,确定所述隐空间向量的后验分布为:
其中,z表示所述隐空间向量,x'表示所述多组心电信号中的任意一组心电信号,μ表示所述隐空间向量对应的所述均值,表示所述隐空间向量对应的所述方差,所述隐空间向量的后验分布符合均值为μ,方差为/>的正态分布;
将所述均值和所述方差输入至所述重参数层,确定所述隐空间向量为:
基于所述隐空间向量的后验分布和标准正态分布,确定所述第一目标函数为:
其中,KL(││)表示KL散度计算,N (0,1)表示所述标准正态分布;
所述第二目标函数的确定过程为:
将所述隐空间向量输入至所述解码器,得到第二重建心电信号和第二不确定度;
基于所述第二重建心电信号和所述第二不确定度,确定所述第二目标函数为:
其中,L'为所述任意一组心电信号的长度,x'为所述任意一组心电信号,xj'为所述任意一组心电信号中的第j时刻的采样点,vj为所述第二重建心电信号中与所述第j时刻的采样点对应的重建心电采样点,σj为所述第j时刻的采样点对应的第二不确定度。
7.根据权利要求1-6中任意一项所述的方法,其特征在于,所述确定所述待评估心电信号的波形形态评估分数,包括:
将所述待评估心电信号中空值信号长度占所述待评估心电信号的总长度的比例,作为所述空值占比;
将所述待评估心电信号中二阶差分值小于预设阈值的段落长度占所述待评估心电信号的总长度的比例,作为所述平直段占比。
8.根据权利要求7所述的方法,其特征在于,所述根据所述质量得分,所述频率特征评估分数和所述波形形态评估分数,得到所述待评估心电信号的质量评估结果,包括:
在所述波形形态评估分数中的所述空值占比大于或等于预设第一阈值,或者所述平直段占比大于或等于预设第二阈值的情况下,确定所述质量评估结果为信号异常;
在所述波形形态评估分数中的所述空值占比小于所述预设第一阈值,所述平直段占比小于所述预设第二阈值的情况下,根据所述质量得分进行评估,确定所述质量评估结果。
9.根据权利要求8所述的方法,其特征在于,所述根据所述质量得分进行评估,确定所述质量评估结果,包括:
在所述质量得分小于预设第三阈值的情况下,确定所述质量评估结果为信号质量正常;
在所述质量得分大于或等于所述预设第三阈值的情况下,确定所述质量评估结果为信号异常,并根据所述频率特征评估分数,确定信号异常的种类。
10.根据权利要求9所述的方法,其特征在于,所述频率特征评估分数包括所述待评估心电信号中第一频率带和第二频率带之间的第一能量比,第三频率带和第四频率带之间的第二能量比,以及第五频率带和第六频率带之间的第三能量比,所述根据所述频率特征评估分数,确定信号异常的种类,包括:
在所述第一能量比小于预设第四阈值,所述第二能量比小于预设第五阈值,所述第三能量比小于预设第六阈值的情况下,确定所述信号异常的种类为所述待评估心电信号中包含噪声;
在所述第一能量比大于或等于所述预设第四阈值的情况下,确定所述信号异常的种类为所述待评估心电信号中包含基线偏移;
在所述第一能量比小于所述预设第四阈值,所述第二能量比大于或等于所述预设第五阈值的情况下,确定所述信号异常的种类为所述待评估心电信号中信噪比低;
在所述第一能量比小于所述预设第四阈值,所述第二能量比小于所述预设第五阈值,所述第三能量比大于或等于所述预设第六阈值的情况下,确定所述信号异常的种类为所述待评估心电信号中包含高频噪声。
11.一种心电信号的质量评估装置,其特征在于,包括:
信号采集模块,用于获取待评估心电信号;
第一质量评估模块,用于基于所述待评估心电信号,采用变分自编码器模型,确定所述待评估心电信号对应的第一重建心电信号的质量得分,其中,所述变分自编码器模型是采用多组心电信号进行无监督训练得到的;
频率特征评估分数评估模块,用于确定所述待评估心电信号的频率特征评估分数,其中,所述频率特征评估分数至少包括所述待评估心电信号中两个不同的频率带之间的能量比;
波形形态评估分数评估模块,用于确定所述待评估心电信号的波形形态评估分数,其中,所述波形形态评估分数至少包括所述待评估心电信号中的空值占比和平直段占比;
第二质量评估模块,用于根据所述质量得分,所述频率特征评估分数和所述波形形态评估分数,得到所述待评估心电信号的质量评估结果。
12.一种非易失性存储介质,其特征在于,所述非易失性存储介质存储有多条指令,所述指令适于由处理器加载并执行权利要求1至10中任意一项所述的心电信号的质量评估方法。
13.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至10中任意一项所述的心电信号的质量评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310647886.8A CN116407133B (zh) | 2023-06-02 | 2023-06-02 | 心电信号的质量评估方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310647886.8A CN116407133B (zh) | 2023-06-02 | 2023-06-02 | 心电信号的质量评估方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116407133A true CN116407133A (zh) | 2023-07-11 |
CN116407133B CN116407133B (zh) | 2023-08-29 |
Family
ID=87059617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310647886.8A Active CN116407133B (zh) | 2023-06-02 | 2023-06-02 | 心电信号的质量评估方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116407133B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130035604A1 (en) * | 2011-08-01 | 2013-02-07 | Cecilia Yu | Frequency Analysis of 12-Lead Cardiac Electrical Signals to Detect and Identify Cardiac Abnormalities |
US20140364756A1 (en) * | 2009-11-03 | 2014-12-11 | Vivaquant Llc | Ecg sensing apparatuses, systems and methods |
US20160242664A1 (en) * | 2013-10-09 | 2016-08-25 | Koninklijke Philips N.V. | An apparatus and method for evaluating multichannel ecg signals |
CN107837082A (zh) * | 2017-11-27 | 2018-03-27 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
CN108573227A (zh) * | 2018-04-09 | 2018-09-25 | 深圳竹信科技有限公司 | 心电图数据质量评价方法及装置 |
CN109117769A (zh) * | 2018-07-31 | 2019-01-01 | 东南大学 | 一种针对穿戴式心电采集的实时质量评估反馈方法 |
CN109620210A (zh) * | 2019-01-28 | 2019-04-16 | 山东科技大学 | 一种基于自编码模式的cnn与gru结合的心电信号分类方法 |
CN109745033A (zh) * | 2018-12-25 | 2019-05-14 | 东南大学 | 基于时频二维图像和机器学习的动态心电质量评估方法 |
CN112869752A (zh) * | 2021-02-10 | 2021-06-01 | 武汉大学 | 一种心电信号采集装置及质量等级评估和qrs波检测方法 |
CN112971795A (zh) * | 2021-02-07 | 2021-06-18 | 中国人民解放军总医院 | 心电信号质量评估方法 |
CN113598741A (zh) * | 2021-06-30 | 2021-11-05 | 合肥工业大学 | 一种房颤评价模型训练方法、房颤评价方法和装置 |
CN113907765A (zh) * | 2021-10-10 | 2022-01-11 | 北京工业大学 | 一种无创胎儿心电信号质量评估方法 |
CN115486849A (zh) * | 2021-06-17 | 2022-12-20 | 广州视源电子科技股份有限公司 | 心电信号质量评估方法、装置及设备 |
-
2023
- 2023-06-02 CN CN202310647886.8A patent/CN116407133B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140364756A1 (en) * | 2009-11-03 | 2014-12-11 | Vivaquant Llc | Ecg sensing apparatuses, systems and methods |
US20130035604A1 (en) * | 2011-08-01 | 2013-02-07 | Cecilia Yu | Frequency Analysis of 12-Lead Cardiac Electrical Signals to Detect and Identify Cardiac Abnormalities |
US20160242664A1 (en) * | 2013-10-09 | 2016-08-25 | Koninklijke Philips N.V. | An apparatus and method for evaluating multichannel ecg signals |
CN107837082A (zh) * | 2017-11-27 | 2018-03-27 | 乐普(北京)医疗器械股份有限公司 | 基于人工智能自学习的心电图自动分析方法和装置 |
CN108573227A (zh) * | 2018-04-09 | 2018-09-25 | 深圳竹信科技有限公司 | 心电图数据质量评价方法及装置 |
CN109117769A (zh) * | 2018-07-31 | 2019-01-01 | 东南大学 | 一种针对穿戴式心电采集的实时质量评估反馈方法 |
CN109745033A (zh) * | 2018-12-25 | 2019-05-14 | 东南大学 | 基于时频二维图像和机器学习的动态心电质量评估方法 |
CN109620210A (zh) * | 2019-01-28 | 2019-04-16 | 山东科技大学 | 一种基于自编码模式的cnn与gru结合的心电信号分类方法 |
CN112971795A (zh) * | 2021-02-07 | 2021-06-18 | 中国人民解放军总医院 | 心电信号质量评估方法 |
CN112869752A (zh) * | 2021-02-10 | 2021-06-01 | 武汉大学 | 一种心电信号采集装置及质量等级评估和qrs波检测方法 |
CN115486849A (zh) * | 2021-06-17 | 2022-12-20 | 广州视源电子科技股份有限公司 | 心电信号质量评估方法、装置及设备 |
CN113598741A (zh) * | 2021-06-30 | 2021-11-05 | 合肥工业大学 | 一种房颤评价模型训练方法、房颤评价方法和装置 |
CN113907765A (zh) * | 2021-10-10 | 2022-01-11 | 北京工业大学 | 一种无创胎儿心电信号质量评估方法 |
Non-Patent Citations (2)
Title |
---|
张海斌;刘娟;刘思璇;程宇;: "基于卷积神经网络的心电信号质量分析", 计算机工程与应用, vol. 56, no. 05, pages 147 - 152 * |
朱超;刘文彦;王璐;徐礼胜;张书琪;周树然;张良钰;: "基于多指标融合的动态心电质量评估", 中国医疗设备, vol. 33, no. 08, pages 7 - 14 * |
Also Published As
Publication number | Publication date |
---|---|
CN116407133B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230131876A1 (en) | Systems and methods of identity analysis of electrocardiograms | |
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 | |
Guo et al. | Inter-patient ECG classification with convolutional and recurrent neural networks | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
Jing et al. | ECG heartbeat classification based on an improved ResNet-18 model | |
Javadi et al. | Classification of ECG arrhythmia by a modular neural network based on mixture of experts and negatively correlated learning | |
US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN107951485A (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
CN110720894B (zh) | 一种心房扑动的检测方法、装置、设备及存储介质 | |
Sumathi et al. | A wavelet transform based feature extraction and classification of cardiac disorder | |
US9549681B2 (en) | Matrix-based patient signal analysis | |
CN112603330A (zh) | 心电信号识别分类方法 | |
Arvanaghi et al. | Classification cardiac beats using arterial blood pressure signal based on discrete wavelet transform and deep convolutional neural network | |
Gan et al. | Parallel classification model of arrhythmia based on DenseNet-BiLSTM | |
Aamir et al. | Automatic Heart Disease Detection by Classification of Ventricular Arrhythmias on ECG Using Machine Learning. | |
Subramanyan et al. | A novel deep neural network for detection of Atrial Fibrillation using ECG signals | |
Sherly et al. | An efficient honey badger based Faster region CNN for chronc heart Failure prediction | |
CN115337018B (zh) | 基于整体动态特征的心电信号分类方法及系统 | |
CN116407133B (zh) | 心电信号的质量评估方法、装置、存储介质及电子设备 | |
Raj et al. | Application of variational mode decomposition and ABC optimized DAG-SVM in arrhythmia analysis | |
Stantic et al. | Detecting abnormal ecg signals utilising wavelet transform and standard deviation | |
Hasan et al. | Cardiac arrhythmia detection in an ECG beat signal using 1D convolution neural network | |
Tanantong et al. | Towards continuous electrocardiogram monitoring based on rules and ontologies | |
Rodrigues et al. | The issue of automatic classification of heartbeats |
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 |