CN117481664A - 一种基于深度学习掩码机制的室性早搏识别方法及系统 - Google Patents
一种基于深度学习掩码机制的室性早搏识别方法及系统 Download PDFInfo
- Publication number
- CN117481664A CN117481664A CN202311451051.1A CN202311451051A CN117481664A CN 117481664 A CN117481664 A CN 117481664A CN 202311451051 A CN202311451051 A CN 202311451051A CN 117481664 A CN117481664 A CN 117481664A
- Authority
- CN
- China
- Prior art keywords
- electrocardiosignal
- ventricular premature
- premature beat
- target
- interval
- 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
- 208000000418 Premature Cardiac Complexes Diseases 0.000 title claims abstract description 158
- 230000002861 ventricular Effects 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013135 deep learning Methods 0.000 title claims abstract description 38
- 230000007246 mechanism Effects 0.000 title claims abstract description 31
- 230000000747 cardiac effect Effects 0.000 claims abstract description 32
- 238000011176 pooling Methods 0.000 claims description 30
- 230000000873 masking effect Effects 0.000 claims description 12
- 206010015856 Extrasystoles Diseases 0.000 claims description 11
- 230000002457 bidirectional effect Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 239000012634 fragment Substances 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling 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
- 238000013139 quantization Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- A61B5/349—Detecting specific parameters of the electrocardiograph cycle
- A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Cardiology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种基于深度学习掩码机制的室性早搏识别方法及系统。所述方法包括:对初始模型进行训练以获取参照心电信号生成模型,初始模型的训练样本为基于掩码操作获取的室性早搏特征区间被隐藏的心电信号,初始模型的期望输出为室性早搏特征区间被还原的心电信号;将目标区间被隐藏的目标心电信号输入参照心电信号生成模型以获取参照心电信号,目标区间覆盖待检测的R波;将目标心电信号的目标区间与参照心电信号的室性早搏特征区间进行比对,以识别相应R波对应的心脏搏动是否属于室性早搏。所述系统用于实现所述方法。本发明能够解决现有基于识别模型的室性早搏识别方法因受到模型训练样本的全面性的影响而导致自身识别结果准确度不足的问题。
Description
技术领域
本发明属于心电信号检测领域,更具体地,涉及一种基于深度学习掩码机制的室性早搏识别方法及系统。
背景技术
相关技术中,一类基于识别模型的室性早搏识别方法先基于室性早搏情形下的心电信号样本对初始模型进行训练以获取室性早搏识别模型,再基于获取的室性早搏识别模型检测输入其中的待检测的心电信号是否存在室性早搏的情形。目前,上述基于识别模型的室性早搏识别方法所采用的初始模型通常为模式识别模型、深度学习模型或者机器学习模型,这类模型的输出结果的准确度与训练样本的全面性之间呈现密切的正相关。然而,由于每个个体的心电信号具有高度的个性化和非线性,不同个体间的室性早搏情形下的心电信号在波形形态上具有较大的差异,想要获取到全面性训练样本可以说是不可能完成的任务,因此在上述基于识别模型的室性早搏识别方法中通常采用比较典型的室性早搏情形下的心电信号样本对初始模型训练,而这种训练样本在全面性上的不足导致上述基于识别模型的室性早搏识别方法的识别结果的准确度不足。
发明内容
本发明的目的在于解决现有基于识别模型的室性早搏识别方法因受到模型训练样本的全面性的影响而导致自身识别结果准确度不足的问题。
为了实现上述目的,本发明提供一种基于深度学习掩码机制的室性早搏识别方法及系统。
根据本发明的第一方面,提供一种基于深度学习掩码机制的室性早搏识别方法,该方法包括以下步骤:
对初始模型进行训练以获取参照心电信号生成模型,所述初始模型的训练样本为基于深度学习掩码操作获取的室性早搏特征区间被隐藏的心电信号,所述初始模型的期望输出为室性早搏特征区间被还原的心电信号;
将目标区间被隐藏的目标心电信号输入所述参照心电信号生成模型以获取参照心电信号,所述目标区间覆盖待检测的R波;
将所述目标心电信号的目标区间与所述参照心电信号的室性早搏特征区间进行比对,以识别所述R波对应的心脏搏动是否属于室性早搏。
作为可选的是,所述训练样本的获取方法包括:
获取第一数量的、第一长度的且包含室性早搏情形下的R波的心电信号;
确定每个心电信号中的室性早搏特征区间,所述室性早搏特征区间覆盖相应心电信号中的室性早搏情形下的R波;
对每个心电信号中的室性早搏特征区间进行隐藏。
作为可选的是,所述获取第一数量的、第一长度的且包含室性早搏情形下的R波的心电信号包括:
获取第二数量的原始心电信号,各个原始心电信号获取自不同的心电信号提供者;
对每个原始心电信号进行预处理;
判断每个预处理后的心电信号中是否存在室性早搏情形下的R波,若是,对相应的R波进行标记;
在各个存在室性早搏情形下的R波的预处理后的心电信号中,随机截取第一数量的、第一长度的且包含室性早搏情形下的R波的心电信号。
作为可选的是,所述初始模型为双向长短时记忆循环神经网络。
作为可选的是,所述双向长短时记忆循环神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、双向长短期记忆网络层、第一全连接层和第二全连接层。
作为可选的是,所述第一卷积层包括16个步长为1且大小为8的一维卷积核;
和/或,所述第二卷积层包括32个步长为1且大小为8的一维卷积核;
和/或,所述第三卷积层包括64个步长为1且大小为4的一维卷积核;
和/或,所述第四卷积层包括128个步长为1且大小为2的一维卷积核;
和/或,所述第一池化层、所述第二池化层、所述第三池化层和所述第四池化层均为最大池化层,且各自的池化核的大小和步长均为2;
和/或,所述双向长短期记忆网络层的数据向量维数为10,隐藏元维度为20;
和/或,所述第一全连接层的神经元个数为128,并采用ReLU函数作为激活函数;
和/或,所述第二全连接层的神经元个数为L,L=A×B,所述训练样本的长度为A秒,所述训练样本的采样频率为B赫兹,L向上取整。
作为可选的是,所述目标区间被隐藏的目标心电信号的获取方法包括:
对待检测的心电信号进行预处理;
确定预处理后的心电信号中的每个有效R波;
对于当前待检测的有效R波,获取其对应的目标区间,并获取该目标区间对应的目标心电信号;
对所述目标心电信号中的所述目标区间进行隐藏。
作为可选的是,所述有效R波的判断标准为:
若一R波的起点到所述待检测的心电信号的起点的长度,以及其终点到所述待检测的心电信号的终点的长度均不小于预定的第二长度,则判断该R波为有效R波;
和/或,所述目标区间与所述室性早搏特征区间的长度相等,所述目标区间均匀覆盖相应的有效R波,所述室性早搏特征区间均匀覆盖相应的室性早搏情形下的R波;
和/或,所述目标心电信号与所述训练样本的长度相等,目标区间被隐藏前的目标心电信号均匀覆盖其目标区间。
作为可选的是,所述将所述目标心电信号的目标区间与所述参照心电信号的室性早搏特征区间进行比对,以识别所述R波对应的心脏搏动是否属于室性早搏包括:
获取所述目标区间与所述室性早搏特征区间的差值的绝对值C;
获取所述目标心电信号与所述参照心电信号的差值的绝对值D;
若所述绝对值C与所述绝对值D之比小于预定的比例阈值,则判断所述R波对应的心脏搏动属于室性早搏。
根据本发明的第二方面,提供一种基于深度学习掩码机制的室性早搏识别系统,该系统包括以下功能模块:
参照心电信号生成模型获取模块,用于对初始模型进行训练以获取参照心电信号生成模型,所述初始模型的训练样本为基于深度学习掩码操作获取的室性早搏特征区间被隐藏的心电信号,所述初始模型的期望输出为室性早搏特征区间被还原的心电信号;
参照心电信号获取模块,用于将目标区间被隐藏的目标心电信号输入所述参照心电信号生成模型以获取参照心电信号,所述目标区间覆盖待检测的R波;
室性早搏识别模块,用于将所述目标心电信号的目标区间与所述参照心电信号的室性早搏特征区间进行比对,以识别所述R波对应的心脏搏动是否属于室性早搏。
本发明的有益效果在于:
本发明的基于深度学习掩码机制的室性早搏识别方法,首先,对初始模型进行训练以获取参照心电信号生成模型,所述初始模型的训练样本为基于深度学习掩码操作获取的室性早搏特征区间被隐藏的心电信号,所述初始模型的期望输出为室性早搏特征区间被还原的心电信号;其次,将目标区间被隐藏的目标心电信号输入所述参照心电信号生成模型以获取参照心电信号,所述目标区间覆盖待检测的R波;最后,将所述目标心电信号的目标区间与所述参照心电信号的室性早搏特征区间进行比对,以识别所述R波对应的心脏搏动是否属于室性早搏。
与现有的室性早搏识别方法直接基于相应的室性早搏识别模型判断待检测的心电信号是否存在室性早搏的情形所不同的是,本发明的基于深度学习掩码机制的室性早搏识别方法基于参照心电信号生成模型生成对应于目标心电信号的参照心电信号,该参照心电信号与目标心电信号的差别在于其对应于目标心电信号的目标区间的部分为室性早搏特征区间,即生成的具有室性早搏特征波形的部分;在生成参照心电信号之后,本发明的基于深度学习掩码机制的室性早搏识别方法将目标区间与相应的室性早搏特征区间进行比对,即将待检测的对象与预测出的异常对象进行比对,进而通过二者之间的差异程度确定目标区间对应的心脏搏动是否属于室性早搏。
根据以上内容可知,与现有基于识别模型的室性早搏识别方法相比,本发明的基于深度学习掩码机制的室性早搏识别方法对训练样本的依赖程度更低,受训练样本的全面性的影响更小,在所采用的训练样本的全面性程度相同的情况下,本发明的基于深度学习掩码机制的室性早搏识别方法的识别结果的准确度更高,进而有效地解决现有基于识别模型的室性早搏识别方法因受到模型训练样本的全面性的影响而导致自身识别结果准确度不足的问题。
本发明的基于深度学习掩码机制的室性早搏识别系统与上述基于深度学习掩码机制的室性早搏识别方法属于一个总的发明构思,至少具有与上述基于深度学习掩码机制的室性早搏识别方法相同的有益效果,其有益效果在此不再赘述。
本发明的其他特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
本发明可以通过参考下文中结合附图所做出的描述而得到更好的理解,其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。
图1示出了根据本发明的实施例的基于深度学习掩码机制的室性早搏识别方法的实现流程图;
图2示出了根据本发明的实施例的基于深度学习掩码机制的室性早搏识别系统的结构框图。
具体实施方式
为了使所属技术领域的技术人员能够更充分地理解本发明的技术方案,在下文中将结合附图对本发明的示例性的实施方式进行更为全面且详细的描述。显然地,以下描述的本发明的一个或者多个实施方式仅仅是能够实现本发明的技术方案的具体方式中的一种或者多种,并非穷举。应当理解的是,可以采用属于一个总的发明构思的其他方式来实现本发明的技术方案,而不应当被示例性描述的实施方式所限制。基于本发明的一个或多个实施方式,本领域的普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式,都应当属于本发明保护的范围。
实施例:图1示出了本发明实施例的基于深度学习掩码机制的室性早搏识别方法的实现流程图。参照图1,本发明实施例的基于深度学习掩码机制的室性早搏识别方法包括以下步骤:
步骤S100、对初始模型进行训练以获取参照心电信号生成模型,所述初始模型的训练样本为基于深度学习掩码操作获取的室性早搏特征区间被隐藏的心电信号,所述初始模型的期望输出为室性早搏特征区间被还原的心电信号;
步骤S200、将目标区间被隐藏的目标心电信号输入所述参照心电信号生成模型以获取参照心电信号,所述目标区间覆盖待检测的R波;
步骤S300、将所述目标心电信号的目标区间与所述参照心电信号的室性早搏特征区间进行比对,以识别所述R波对应的心脏搏动是否属于室性早搏。
具体地,本发明实施例的室性早搏识别方法所采用的深度学习掩码机制具体为:在获取到包含室性早搏特征的心电信号之后,对包含室性早搏特征的心电信号进行掩码操作,即对心电信号上的包含室性早搏特征的预定长度的区间进行隐藏,并将其作为初始模型的训练样本,进而得到参照心电信号生成模型,而参照心电信号生成模型的期望输出则为未经历掩码操作的心电信号,即原始的包含室性早搏特征的心电信号。
在采用参照心电信号生成模型对待测的目标心电信号进行检测时,对目标心电信号上的包含R波的目标区间进行隐藏,并将经历隐藏操作的目标心电信号输入到参照心电信号生成模型以得到参照心电信号,该参照心电信号上的对应于目标心电信号上目标区间的区间内的R波为具有室性早搏特征的R波。通过比较目标心电信号上的R波与参照心电信号上的具有室性早搏特征的R波之间的差异,即可判断目标心电信号上的R波是否具有室性早搏特征。
进一步地,本发明实施例的步骤S100中,所述训练样本的获取方法包括:
获取第一数量的、第一长度的且包含室性早搏情形下的R波的心电信号;
确定每个心电信号中的室性早搏特征区间,所述室性早搏特征区间覆盖相应心电信号中的室性早搏情形下的R波;
对每个心电信号中的室性早搏特征区间进行隐藏。
再进一步地,本发明实施例中,所述获取第一数量的、第一长度的且包含室性早搏情形下的R波的心电信号包括:
获取第二数量的原始心电信号,各个原始心电信号获取自不同的心电信号提供者;
对每个原始心电信号进行预处理;
判断每个预处理后的心电信号中是否存在室性早搏情形下的R波,若是,对相应的R波进行标记;
在各个存在室性早搏情形下的R波的预处理后的心电信号中,随机截取第一数量的、第一长度的且包含室性早搏情形下的R波的心电信号。
具体地,本发明实施例中,初始模型的训练样本的具体获取过程如下:
收集5000人以上的动态心电图形式的原始心电信号,每个人的心电采集时间不低于2小时,采样频率为250Hz;
采用截止频率为0.5Hz的高通滤波器对每个原始心电信号进行滤波,以去除原始心电信号中的漂移和呼吸干扰;
对于每个滤波后的心电信号,标注出每个R波的发生位置,并判断每个R波对应的心脏搏动是否为室性早搏,若是,将R波标记为1,若否,将R波标记为0;
在所有其中存在被标记为1的R波的滤波后的心电信号中,随机截取不少于20000条包含被标记为1的R波的、长度为20秒的心电图片段,即室性早搏特征区间未被隐藏的训练样本,并将这些心电图片段记录为X={x1,x2…xN}。
对于心电图片段xn(n=1,2,3…N),将其中被标记为1的R波的波峰位置标记为rloc,将心电图片段xn中的rloc-0.5秒到rloc+0.5秒的部分进行置零处理后,并将部分被置零处理的心电图片段记为xxn,其中,心电图片段xn中的rloc-0.5秒到rloc+0.5秒的部分即为室性早搏特征区间;
心电图片段xnn为初始模型的训练样本,心电图片段xn为初始模型的期望输出。
再进一步地,本发明实施例的步骤S100中,初始模型为双向长短时记忆循环神经网络。
再进一步地,本发明实施例中,双向长短时记忆循环神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、双向长短期记忆网络层、第一全连接层和第二全连接层。
再进一步地,本发明实施例中,第一卷积层包括16个步长为1且大小为8的一维卷积核;
和第二卷积层包括32个步长为1且大小为8的一维卷积核;
第三卷积层包括64个步长为1且大小为4的一维卷积核;
第四卷积层包括128个步长为1且大小为2的一维卷积核;
第一池化层、第二池化层、第三池化层和第四池化层均为最大池化层,且各自的池化核的大小和步长均为2;
双向长短期记忆网络层的数据向量维数为10,隐藏元维度为20;
第一全连接层的神经元个数为128,并采用ReLU函数作为激活函数;
第二全连接层的神经元个数为L,L=A×B,训练样本的长度为A秒,训练样本的采样频率为B赫兹,L向上取整。
具体地,本发明实施例中,训练样本在时间轴上的长度为20秒,训练样本的采样频率为250Hz,第二全连接层的神经元个数为L=20×250=5000。
具体地,本发明实施例中,采用随机梯度下降算法、Adam算法、RMSProp算法、Adagrad算法、Adadelta算法和Adamax算法之中的任一种训练初始模型。
再进一步地,本发明实施例的步骤S200中,所述目标区间被隐藏的目标心电信号的获取方法包括:
对待检测的心电信号进行预处理;
确定预处理后的心电信号中的每个有效R波;
对于当前待检测的有效R波,获取其对应的目标区间,并获取该目标区间对应的目标心电信号;
对所述目标心电信号中的所述目标区间进行隐藏。
再进一步地,本发明实施例中,所述有效R波的判断标准为:
若一R波的起点到所述待检测的心电信号的起点的长度,以及其终点到所述待检测的心电信号的终点的长度均不小于预定的第二长度,则判断该R波为有效R波。
再进一步地,本发明实施例中,所述目标区间与所述室性早搏特征区间的长度相等,所述目标区间均匀覆盖相应的有效R波,所述室性早搏特征区间均匀覆盖相应的室性早搏情形下的R波。
再进一步地,本发明实施例中,所述目标心电信号与所述训练样本的长度相等,目标区间被隐藏前的目标心电信号均匀覆盖其目标区间。
具体地,本发明实施例中,目标区间均匀覆盖有效R波指的是目标区间的起点到有效R波的起点的长度与目标区间的终点到有效R波的终点的长度相等,室性早搏特征区间均匀覆盖室性早搏情形下的R波指的是室性早搏特征区间的起点到室性早搏情形下的R波的起点的长度与室性早搏特征区间的终点到室性早搏情形下的R波的终点的长度相等,上述长度均为信号时间轴上的长度。
具体地,本发明实施例中,目标区间被隐藏的目标心电信号的具体获取过程如下:
获取动态心电图形式的待检测心电信号;
对待检测的心电信号进行预处理,具体为采用截止频率为0.5Hz的高通滤波器对其进行滤波;
采用R波提取算法对待检测的心电信号中的每个R波进行识别;
对于其中的第i个R波,若R波的起点到待检测的心电信号的起点的长度不大于10秒,或者R波的终点到待检测的心电信号的终点的长度不大于10秒,则认为该R波为无效R波,即该R波对应的心脏搏动为无法判断的类型,由于动态心电图一般记录时间比较长,不对前后10秒内的R波进行判断,并不影响分析结果;
对于其中的第i个R波,若判断其为有效R波,将该R波的波峰位置标记为rloci,并截取待检测的心电信号中的rloci-10秒到rloci+10秒的部分作为心电图片段xi,即目标心电信号,将心电图片段xi中的rloci-0.5秒到rloci+0.5秒的部分进行置零处理,并将部分被置零处理的心电图片段记为xxi,即目标区间被隐藏前的目标心电信号,其中,心电图片段xi中的rloci-0.5秒到rloci+0.5秒的部分为目标区间。
再进一步地,本发明实施例中,步骤S300所述的将所述目标心电信号的目标区间与所述参照心电信号的室性早搏特征区间进行比对,以识别所述R波对应的心脏搏动是否属于室性早搏包括:
获取所述目标区间与所述室性早搏特征区间的差值的绝对值C;
获取所述目标心电信号与所述参照心电信号的差值的绝对值D;
若所述绝对值C与所述绝对值D之比小于预定的比例阈值,则判断所述R波对应的心脏搏动属于室性早搏。
具体地,本发明实施例中,参照心电信号生成模型基于输入的心电图片段xxi生成心电图片段xi′;
识别相应R波对应的心脏搏动是否属于室性早搏具体采用如下公式:
上式中,val为目标区间与室性早搏特征区间的差异度量化结果,即绝对值C与绝对值D之比,xi′[-0.5,rloci+0.5为心电图片段xi′中rloci-0.5秒到rloci+0.5秒的部分,即生成的室性早搏特征区间,xi[-0.5,rloci+0.5为心电图片段xi中rloci-0.5秒到rloci+0.5秒的部分,即目标区间;
若val小于0.2,则认为R波对应的心脏搏动属于室性早搏,否则,认为R波对应的心脏搏动不属于室性早搏。
相应地,在本发明实施例提出的基于深度学习掩码机制的室性早搏识别方法的基础上,本发明实施例还提出了一种室性早搏识别系统。
图2示出了本发明实施例的基于深度学习掩码机制的室性早搏识别系统的结构框图。参照图2,本发明实施例的基于深度学习掩码机制的室性早搏识别系统包括以下功能模块;
参照心电信号生成模型获取模块,用于对初始模型进行训练以获取参照心电信号生成模型,所述初始模型的训练样本为基于深度学习掩码操作获取的室性早搏特征区间被隐藏的心电信号,所述初始模型的期望输出为室性早搏特征区间被还原的心电信号;
参照心电信号获取模块,用于将目标区间被隐藏的目标心电信号输入所述参照心电信号生成模型以获取参照心电信号,所述目标区间覆盖待检测的R波;
室性早搏识别模块,用于将所述目标心电信号的目标区间与所述参照心电信号的室性早搏特征区间进行比对,以识别所述R波对应的心脏搏动是否属于室性早搏。
虽然以上对本发明的一个或者多个实施方式进行了描述,但是本领域的普通技术人员应当知晓,本发明能够在不偏离其主旨与范围的基础上通过任意的其他的形式得以实施。因此,以上描述的实施方式属于示意性的而非限制性的,在不脱离如所附各权利要求所定义的本发明精神及范围的情况下,对于本技术领域的普通技术人员而言许多修改和替换均具有显而易见性。
Claims (10)
1.一种基于深度学习掩码机制的室性早搏识别方法,其特征在于,包括:
对初始模型进行训练以获取参照心电信号生成模型,所述初始模型的训练样本为基于深度学习掩码操作获取的室性早搏特征区间被隐藏的心电信号,所述初始模型的期望输出为室性早搏特征区间被还原的心电信号;
将目标区间被隐藏的目标心电信号输入所述参照心电信号生成模型以获取参照心电信号,所述目标区间覆盖待检测的R波;
将所述目标心电信号的目标区间与所述参照心电信号的室性早搏特征区间进行比对,以识别所述R波对应的心脏搏动是否属于室性早搏。
2.根据权利要求1所述的基于深度学习掩码机制的室性早搏识别方法,其特征在于,所述训练样本的获取方法包括:
获取第一数量的、第一长度的且包含室性早搏情形下的R波的心电信号;
确定每个心电信号中的室性早搏特征区间,所述室性早搏特征区间覆盖相应心电信号中的室性早搏情形下的R波;
对每个心电信号中的室性早搏特征区间进行隐藏。
3.根据权利要求2所述的基于深度学习掩码机制的室性早搏识别方法,其特征在于,所述获取第一数量的、第一长度的且包含室性早搏情形下的R波的心电信号包括:
获取第二数量的原始心电信号,各个原始心电信号获取自不同的心电信号提供者;
对每个原始心电信号进行预处理;
判断每个预处理后的心电信号中是否存在室性早搏情形下的R波,若是,对相应的R波进行标记;
在各个存在室性早搏情形下的R波的预处理后的心电信号中,随机截取第一数量的、第一长度的且包含室性早搏情形下的R波的心电信号。
4.根据权利要求1所述的基于深度学习掩码机制的室性早搏识别方法,其特征在于,所述初始模型为双向长短时记忆循环神经网络。
5.根据权利要求4所述的基于深度学习掩码机制的室性早搏识别方法,其特征在于,所述双向长短时记忆循环神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第四卷积层、第四池化层、双向长短期记忆网络层、第一全连接层和第二全连接层。
6.根据权利要求5所述的基于深度学习掩码机制的室性早搏识别方法,其特征在于,所述第一卷积层包括16个步长为1且大小为8的一维卷积核;
和/或,所述第二卷积层包括32个步长为1且大小为8的一维卷积核;
和/或,所述第三卷积层包括64个步长为1且大小为4的一维卷积核;
和/或,所述第四卷积层包括128个步长为1且大小为2的一维卷积核;
和/或,所述第一池化层、所述第二池化层、所述第三池化层和所述第四池化层均为最大池化层,且各自的池化核的大小和步长均为2;
和/或,所述双向长短期记忆网络层的数据向量维数为10,隐藏元维度为20;
和/或,所述第一全连接层的神经元个数为128,并采用ReLU函数作为激活函数;
和/或,所述第二全连接层的神经元个数为L,L=A×B,所述训练样本的长度为A秒,所述训练样本的采样频率为B赫兹,L向上取整。
7.根据权利要求1所述的基于深度学习掩码机制的室性早搏识别方法,其特征在于,所述目标区间被隐藏的目标心电信号的获取方法包括:
对待检测的心电信号进行预处理;
确定预处理后的心电信号中的每个有效R波;
对于当前待检测的有效R波,获取其对应的目标区间,并获取该目标区间对应的目标心电信号;
对所述目标心电信号中的所述目标区间进行隐藏。
8.根据权利要求7所述的基于深度学习掩码机制的室性早搏识别方法,其特征在于,所述有效R波的判断标准为:
若一R波的起点到所述待检测的心电信号的起点的长度,以及其终点到所述待检测的心电信号的终点的长度均不小于预定的第二长度,则判断该R波为有效R波;
和/或,所述目标区间与所述室性早搏特征区间的长度相等,所述目标区间均匀覆盖相应的有效R波,所述室性早搏特征区间均匀覆盖相应的室性早搏情形下的R波;
和/或,所述目标心电信号与所述训练样本的长度相等,目标区间被隐藏前的目标心电信号均匀覆盖其目标区间。
9.根据权利要求1所述的基于深度学习掩码机制的室性早搏识别方法,其特征在于,所述将所述目标心电信号的目标区间与所述参照心电信号的室性早搏特征区间进行比对,以识别所述R波对应的心脏搏动是否属于室性早搏包括:
获取所述目标区间与所述室性早搏特征区间的差值的绝对值C;
获取所述目标心电信号与所述参照心电信号的差值的绝对值D;
若所述绝对值C与所述绝对值D之比小于预定的比例阈值,则判断所述R波对应的心脏搏动属于室性早搏。
10.一种基于深度学习掩码机制的室性早搏识别系统,其特征在于,包括:
参照心电信号生成模型获取模块,用于对初始模型进行训练以获取参照心电信号生成模型,所述初始模型的训练样本为基于深度学习掩码操作获取的室性早搏特征区间被隐藏的心电信号,所述初始模型的期望输出为室性早搏特征区间被还原的心电信号;
参照心电信号获取模块,用于将目标区间被隐藏的目标心电信号输入所述参照心电信号生成模型以获取参照心电信号,所述目标区间覆盖待检测的R波;
室性早搏识别模块,用于将所述目标心电信号的目标区间与所述参照心电信号的室性早搏特征区间进行比对,以识别所述R波对应的心脏搏动是否属于室性早搏。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311451051.1A CN117481664A (zh) | 2023-11-02 | 2023-11-02 | 一种基于深度学习掩码机制的室性早搏识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311451051.1A CN117481664A (zh) | 2023-11-02 | 2023-11-02 | 一种基于深度学习掩码机制的室性早搏识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117481664A true CN117481664A (zh) | 2024-02-02 |
Family
ID=89671998
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311451051.1A Pending CN117481664A (zh) | 2023-11-02 | 2023-11-02 | 一种基于深度学习掩码机制的室性早搏识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117481664A (zh) |
-
2023
- 2023-11-02 CN CN202311451051.1A patent/CN117481664A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3801238B1 (en) | Detecting abnormalities in ecg signals | |
Prasad et al. | Classification of ECG arrhythmias using multi-resolution analysis and neural networks | |
EP3803709B1 (en) | Detecting abnormalities in ecg signals | |
Fatemian et al. | HeartID: Cardiac biometric recognition | |
CN109758145B (zh) | 基于脑电信号因果关系的自动睡眠分期方法 | |
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 | |
CN106725420A (zh) | 室性早搏识别方法及室性早搏识别系统 | |
CN110840443B (zh) | 心电信号处理方法、心电信号处理装置和电子设备 | |
CN113057648A (zh) | 一种基于复合lstm结构的ecg信号分类方法 | |
CN110693488A (zh) | 心电信号处理系统、方法、电子设备及可读存储介质 | |
CN112617849A (zh) | 一种基于cnn+lstm的心房颤动检测与分类方法 | |
CN109893118A (zh) | 一种基于深度学习的心电信号分类诊断方法 | |
Liu et al. | A novel P-QRS-T wave localization method in ECG signals based on hybrid neural networks | |
CN116328187B (zh) | 可电击心律识别方法、穿戴式心律转复除颤器及存储介质 | |
Sun et al. | A practical cross-domain ecg biometric identification method | |
CN117481664A (zh) | 一种基于深度学习掩码机制的室性早搏识别方法及系统 | |
CN116473569A (zh) | 一种心电图数据处理方法、系统及存储介质 | |
CN109199361B (zh) | 心电信号数据中r峰时刻的提取方法、存储介质和装置 | |
CN109919050B (zh) | 身份识别方法和装置 | |
CN110507299A (zh) | 一种心率信号检测装置及方法 | |
Paila et al. | Detection and Analysis of Cardiac Arrhythmias from Heartbeat Classification | |
Lynn et al. | ECG-based biometric human identification based on backpropagation neural network | |
CN112634871A (zh) | 一种基于语音和雷达双传感器的测谎方法及系统 | |
Porée et al. | Stability analysis of the 12-lead ECG morphology in different physiological conditions of interest for biometric applications | |
CN108836312B (zh) | 一种基于人工智能的进行杂波剔除的方法及系统 |
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 |