CN117598711A - 一种心电信号的qrs波群检测方法、装置、设备及介质 - Google Patents
一种心电信号的qrs波群检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117598711A CN117598711A CN202410096841.0A CN202410096841A CN117598711A CN 117598711 A CN117598711 A CN 117598711A CN 202410096841 A CN202410096841 A CN 202410096841A CN 117598711 A CN117598711 A CN 117598711A
- Authority
- CN
- China
- Prior art keywords
- channel
- qrs complex
- data
- lstm
- electrocardiosignal
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 88
- 238000000718 qrs complex Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000011218 segmentation Effects 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 208000024172 Cardiovascular disease Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002861 ventricular Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation 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
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Cardiology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及了一种心电信号的QRS波群检测方法、装置、设备及介质，本心电信号的QRS波群检测方法采用DenseNet和双通道LSTM组成检测模型，通过DenseNet学习心电信号中QRS波群的空间特征信息，然后利用将DenseNet学习到的空间特征与时序数据输入至双通道LSTM各自通道中，以使得双通道LSTM能够融合心电信号中的QRS波群的空间信息和时序信息，提升模型对于特征的分割效果，最终提升检测QRS波群的准确程度。
Description
技术领域
本申请实施例涉及心电信号处理技术领域，尤其涉及一种心电信号的QRS波群检测方法、装置、设备及介质。
背景技术
心电图信号中QRS波群提供了有关心室兴奋和传导的丰富信息以及异位搏动情况的信息，在心电图时间序列中对其进行分析可提供有用的信息用于医学辅助诊断。基于深度学习方法自动有效地检测QRS，可以提高心电分析速率，减轻医生的负担；并可以帮助人们及早发现潜在问题，通过早期干预和及时治疗降低心血管疾病的死亡率。
然而，基于深度学习方法的QRS检测方法因复杂信号形态、波形的个体差异性等原因导致检测性能低下，因此如何提升基于深度学习方法的QRS波群检测准确程度是目前亟待解决的问题。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本发明实施例的主要目的在于提出一种心电信号的QRS波群检测方法、装置、设备及介质，能够提升检测QRS波群的准确程度。
为实现上述目的，本发明实施例的第一方面提出了一种心电信号的QRS波群检测方法，所述心电信号的QRS波群检测方法包括：
从心电图中获取心电信号的时序数据；
构建由DenseNet和双通道LSTM组成的检测模型，将所述时序数据输入至所述检测模型中，以根据所述DenseNet从所述时序数据中提取所述心电信号的空间特征，并将所述时序数据和所述空间特征分别输入至所述双通道LSTM的对应一条通道中，由所述双通道LSTM检测出所述心电信号的QRS波群。
在一些实施例中，所述将所述时序数据和所述空间特征分别输入至所述双通道LSTM的对应一条通道中，由所述双通道LSTM检测出所述心电信号的QRS波群，包括：
将所述时序数据输入至所述双通道LSTM的第一条通道中，得到所述第一条通道输出的第一特征，将所述空间特征输入至所述双通道LSTM的第二条通道中，得到所述第二条通道输出的第二特征；
采用注意力机制以对应的注意力权重融合所述第一特征和所述第二特征，得到第三特征；其中，两个通道的注意力权重之和等于1；
根据所述第三特征检测出QRS波群。
在一些实施例中，所述检测模型是通过预处理后的训练数据训练得到；所述训练数据的预处理包括：
对所述训练数据进行归一化；
对归一化后的所述训练数据进行各类标签的样本均衡；
对样本均衡后的所述训练数据进行数据增强。
在一些实施例中，所述对归一化后的所述训练数据进行各类标签的样本均衡，包括：
重复以下步骤，直到达到设定的数据均衡程度；所述以下步骤包括：
选择归一化后的所述训练数据中的少数类别样本；
为每一个所述少数类别样本随机选择对应一个邻居，邻居是每一个所述少数类别样本的若干个最近邻的样本中其中一个样本；
通过线性插值方法在每一个所述少数类别样本与对应的邻居之间生成新样本。
在一些实施例中，所述检测模型在训练过程中，通过如下公式得到所述注意力权重：
其中，为第一条通道的输出特征，/>为第二条通道的输出特征，/>为双曲正切函数，/>为激活函数，/>为可学习的权重参数，为注意力权重；
所述检测模型在训练过程中，通过如下公式融合第一条通道的输出特征和第二条通道的输出特征：
其中，为融合第一条通道的输出特征和第二条通道的输出特征得到的特征。
在一些实施例中，所述检测模型在训练过程中的损失函数为：
其中，表示检测模型的损失函数，/>表示分类损失，/>表示回归损失，/>为预设的权值参数，/>表示检测模型检测的QRS波，/>表示真实的类别标签，/>表示检测模型检测的QRS波的位置，/>表示真实的位置标签。
在一些实施例中，所述训练数据通过如下方式得到：
使用可穿戴式心电数据采集设备采集用户的原始心电信号；
使用高通滤波器对所述原始心电信号进行滤波；
对滤波后的所述原始心电信号进行降采样，得到训练数据。
为实现上述目的，本发明实施例的第二方面提供了一种心电信号的QRS波群检测装置，所述心电信号的QRS波群检测装置包括：
数据获取单元，用于从心电图中获取心电信号的时序数据；
波群检测单元，用于构建由DenseNet和双通道LSTM组成的检测模型，将所述时序数据输入至所述检测模型中，以根据所述DenseNet从所述时序数据中提取所述心电信号的空间特征，并将所述时序数据和所述空间特征分别输入至所述双通道LSTM的对应一条通道中，由所述双通道LSTM检测出所述心电信号的QRS波群。
为实现上述目的，本发明实施例的第三方面提出了一种电子设备，包括：至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行上述的一种心电信号的QRS波群检测方法。
为实现上述目的，本发明实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的心电信号的QRS波群检测方法。
本申请一个实施例提供了一种心电信号的QRS波群检测方法，本方法采用DenseNet和双通道LSTM组成检测模型，通过DenseNet学习心电信号中QRS波群的空间特征信息，然后利用将DenseNet学习到的空间特征与时序数据输入至双通道LSTM各自通道中，以使得双通道LSTM能够融合心电信号中的QRS波群的空间信息和时序信息，提升模型对于特征的分割效果，最终提升检测QRS波群的准确程度。
可以理解的是，上述第二方面至第四方面和相关技术相比存在的有益效果和上述第一方面和相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的一种心电信号的QRS波群检测方法的流程示意图；
图2是本申请一个实施例提供的双通道LSTM检测出心电信号的QRS波群的流程示意图；
图3是本申请一个实施例提供的采集训练数据的流程示意图；
图4是本申请一个实施例提供的训练数据的预处理流程示意图；
图5是本申请一个实施例提供的LSTM的网络结构图；
图6是本申请一个实施例提供的双通道LSTM输出检测结果的流程框图；
图7是本申请一个实施例提供的一种心电信号的QRS波群检测装置的结构示意图；
图8是本申请一个实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。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。
除非另有定义，本文所使用的所有的技术和科学术语和属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
心电图信号中QRS波群提供了有关心室兴奋和传导的丰富信息以及异位搏动情况的信息，在心电图时间序列中对其进行分析可提供有用的信息用于医学辅助诊断。基于深度学习方法自动有效地检测QRS，可以提高心电分析速率，减轻医生的负担；并可以帮助人们及早发现潜在问题，通过早期干预和及时治疗降低心血管疾病的死亡率。
然而，基于深度学习方法的QRS检测方法因复杂信号形态、波形的个体差异性等原因导致检测性能低下，因此如何提升基于深度学习方法的QRS波群检测准确程度是目前亟待解决的问题。
为了解决上述技术缺陷，参照图1，本申请的一个实施例，提供了一种心电信号的QRS波群检测方法，心电信号的QRS波群检测方法包括以下步骤S110和步骤S120：
步骤S110、从心电图中获取心电信号的时序数据。
步骤S120、构建由DenseNet和双通道LSTM组成的检测模型，将时序数据输入至检测模型中，以根据DenseNet从时序数据中提取心电信号的空间特征，并将时序数据和空间特征分别输入至双通道LSTM的对应一条通道中，由双通道LSTM检测出心电信号的QRS波群。
心电信号的时序数据主要是从心电图中提取的心电信号的数值数据。DenseNet是指密集卷积网络，密集卷积网络通过对前面所有层与后面层的密集连接，来极致利用训练过程中的所有特征，进而达到更好的效果和减少参数。双通道LSTM通过增加LSTM的输入通道，并行处理不同通道的输入序列，可以加快训练速度，而且能够从更多的维度捕捉序列中的上下文信息，增强模型的表达能力。
本实施例采用DenseNet和双通道LSTM组成检测模型，通过DenseNet学习心电信号的QRS波群的空间特征信息，然后利用将DenseNet学习到的空间特征与时序数据输入至双通道LSTM各自通道中，以使得双通道LSTM能够融合心电信号中的QRS波群的空间信息和时序信息，提升模型对于特征的分割效果，最终提升检测QRS波群的准确程度。
参照图2，在本申请的一些实施例中，步骤S120中的将时序数据和空间特征分别输入至双通道LSTM的对应一条通道中，由双通道LSTM检测出心电信号的QRS波群，包括以下步骤S210-S230：
步骤S210、将时序数据输入至双通道LSTM的第一条通道中，得到第一条通道输出的第一特征，将空间特征输入至双通道LSTM的第二条通道中，得到第二条通道输出的第二特征。
步骤S220、采用注意力机制以对应的注意力权重融合第一特征和第二特征，得到第三特征；其中，两个通道的注意力权重之和等于1。
步骤S230、根据第三特征检测出QRS波群。
在上述步骤中，通过注意力机制以不同的通道重要性权重融合两条通道中输出的特征，能够提高模型对QRS波的敏感性，增强模型对关键信息的关注度，进一步优化QRS波检测的性能。而且在模型训练过程中，可以通过自动学习不同通道之间的重要性权重，以更灵活地处理不同类型的信号，权重的生成过程详见后续实施例介绍。
参照图3至图6，在本申请的一些实施例，提供了一种心电信号的QRS波群检测方法，包括以下步骤：
步骤S310、训练数据的采集。如图3，步骤S310包括以下步骤S311-S313：
步骤S311、使用可穿戴式心电数据采集设备采集用户的原始心电信号。取可穿戴式心电数据采集设备的肢体导联I为代表，如果导联电极脱落、连接不良或存在其他连接问题，可能导致信号的失真请求重新采集数据。
步骤S312、使用高通滤波器对原始心电信号进行滤波。步骤S312用以去除高低频噪声。
步骤S313、对滤波后的原始心电信号进行降采样，得到训练数据。降采样可以减少计算负担和提高计算效率，同时保留关键频率信息。
步骤S320、训练数据的预处理。参照图4，步骤S320的预处理过程包括步骤S321-S323：
步骤S321、对训练数据进行归一化。
在一些实施例中，采用Z-Score标准化方法，将数据按其均值和标准差进行线性变换，使得变换后的数据具有均值为0、标准差为1的标准正态分布。转化函数为：
是样本均值，/>是样本数据的标准差，标准化后的数据保持异常值中的有用信息。
步骤S322、对归一化后的训练数据进行各类标签的样本均衡。
在一些实施例中，步骤S322包括以下步骤：
步骤S3221、选择归一化后的训练数据中的少数类别样本。
步骤S3222、为每一个少数类别样本随机选择对应一个邻居，邻居是每一个少数类别样本的K个最近邻的样本中其中一个样本。对于少数类别的每一个样本，都考虑其K个最近邻的样本，通常情况下，K取值3或5，具体可依据经验设定。
步骤S3223、通过线性插值方法在每一个少数类别样本与对应的邻居之间生成新样本。具体来说，对于每个特征，计算被选中样本和邻居之间的差值，然后乘以一个随机数，再加到被选中样本上，生成新的合成样本。
步骤S3224、重复以上步骤S3221至S3223，直到达到设定的数据均衡程度。
步骤S323、对样本均衡后的训练数据进行数据增强。
本实施例通过合成新的少数类别样本，从而增加该类别的样本数量，使得不同类别之间的样本数量更加均衡。这样可以提高模型对少数类别的学习效果，使其更好地识别和分类。
步骤S330、设计检测模型及训练过程。
参照图6，构建由DenseNet和双通道LSTM组成的检测模型。
将预处理后的时间序列数据输入到DenseNet中，由DenseNet负责从中提取有关QRS波的空间特征。再将时间序列数据和DenseNet的输出特征作为两个分支，输入到LSTM中，以通过LSTM更灵活地融合空间和时序信息。
将经过预处理的时序数据输入到模型中，同时提供相应的标签（QRS波是否存在）。通过反向传播和优化器进行模型参数的训练。
损失函数的选择：检测识别出QRS波群，使用综合损失函数，结合分类损失和回归损失，确保模型能够检测到QRS的存在和定位。在一些实施例中，检测模型在训练过程中的损失函数为：
其中，表示检测模型的损失函数，/>表示分类损失，/>表示回归损失，/>为预设的用于平衡分类损失和回归损失的权值参数，/>表示检测模型检测的QRS波，/>表示真实的类别标签，/>表示检测模型检测的QRS波的位置，/>表示真实的位置标签。
优化器和学习率策略：Adam（Adaptive Moment Estimation）是一种自适应学习率的优化算法，通常在深度学习中表现较好。它结合了Adagrad（一种优化算法）和RMSprop（Root Mean Square Propagation）的优点，适应不同参数的学习率，并且有助于处理非平稳目标函数。
双通道LSTM中设置注意力机制，同上述步骤S220，检测模型通过如下得注意力权重：
其中，为第一条通道的输出特征，/>为第二条通道的输出特征，/>为双曲正切函数，/>为激活函数，/>为可学习的权重参数，为注意力权重；
检测模型在训练过程中，通过如下公式融合第一条通道的输出特征和第二条通道的输出特征：
为融合第一条通道的输出特征和第二条通道的输出特征得到的特征。
使用计算得到的注意力权重，对两个通道的特征进行加权融合，这样得到的融合特征包含了两个通道的信息，并且权衡了它们的重要性。
参照图6，将融合后的特征输入到LSTM神经网络的后续层进行进一步处理。
步骤S340、模型的评估。
评估性能的指标，有灵敏度(Se)、阳性预测率(+P)和准确率(Acc)。包括：
其中，TP（True Positive）指正确分类的正样本数，即指正确检测到QRS波群，FP（False Positive）指被错误的标记为正样本的负样本数，即不存在QRS波群的情况下报告了QRS波群，FN（False Negative）指被错误的标记为负样本的正样本数，即QRS波群被遗漏。
步骤S350、检测模型的应用，返回识别结果。
检测模型的使用请参见上述步骤S110和S120，这里不再细述。将识别结果发送至云终端和用户端：云终端供医疗数据存档以备专家或医生查看和进一步诊断，用户端提供识别出的用户心电QRS波群结果。
以下说明本实施例的其中一种应用场景：
本方法适用于心电自动分析系统，实现对QRS波群的自动检测和分析，有助于进行下一步的心拍分割，根据各类型的心拍进行疾病预测和分类。通过对心电图中QRS波的自动检测，可以帮助进行早期的心血管疾病筛查，及时发现异常情况，为早期治疗提供依据。同时，可以作为医学辅助工具，为医生提供更全面的心电信息，辅助诊断心脏病变和异常，为治疗方案提供参考。结合便携式可穿戴医疗系统，可以将该方法嵌入平台，实现实时、远程的心电监测，使患者能够方便地进行健康管理。
本实施例采用DenseNet网络结构来有效提取心电图中QRS波的空间特征，增强对波形形态的抽象能力，创新使用双通道LSTM处理时间序列信息，帮助模型记忆QRS波的时序模式，更好地捕捉QRS波的动态变化。通过结合DenseNet和LSTM，模型能够同时考虑图像的空间特征和时间序列的时序模式，从而提高QRS波检测的准确性和鲁棒性。本实施例还引入注意力机制，加权融合双通道LSTM间的特征，提高对QRS波的敏感性，增强模型对关键信息的关注度，进一步优化QRS波检测的性能。该方法具有广泛的应用前景，包括心拍分割、心电分析、早期诊断和治疗等领域，尤其适用于便携式可穿戴医疗设备，为未来的医学研究和临床实践提供了新的可能性。
参照图7，本申请一个实施例，提供了一种心电信号的QRS波群检测装置，本装置包括数据获取单元1100和波群检测单元1200：
数据获取单元1100用于从心电图中获取心电信号的时序数据。
波群检测单元1200用于构建由DenseNet和双通道LSTM组成的检测模型，将时序数据输入至检测模型中，以根据DenseNet从时序数据中提取心电信号的空间特征，并将时序数据和空间特征分别输入至双通道LSTM的对应一条通道中，由双通道LSTM检测出心电信号的QRS波群。
需要注意的是，本实施例提供的心电信号的QRS波群检测装置与上述心电信号的QRS波群检测方法实施例是基于相同的发明构思，因此上述心电信号的QRS波群检测方法实施例的相关内容同样适用于心电信号的QRS波群检测装置实施例，此处不再细述。
如图8，本申请实施例还提供了一种电子设备，本电子设备包括：
至少一个存储器；
至少一个处理器；
至少一个程序；
程序被存储在存储器中，处理器执行至少一个程序以实现本公开实施上述的心电信号的QRS波群检测方法。
该电子设备可以为包括手机、平板电脑、个人数字助理（Personal DigitalAssistant，PDA）、车载电脑等任意智能终端。
下面对本申请实施例的电子设备进行详细介绍。
处理器1600，可以采用通用的中央处理器(Central Processing Unit，CPU)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本发明实施例所提供的技术方案；
存储器1700，可以采用只读存储器（Read Only Memory，ROM）、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器1700可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1700中，并由处理器1600来调用执行本发明实施例的心电信号的QRS波群检测方法。
输入/输出接口1800，用于实现信息输入及输出；
通信接口1900，用于实现本设备与其他设备的通信交互，可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信；
总线2000，在设备的各个组件（例如处理器1600、存储器1700、输入/输出接口1800和通信接口1900）之间传输信息；
其中处理器1600、存储器1700、输入/输出接口1800和通信接口1900通过总线2000实现彼此之间在设备内部的通信连接。
本发明实施例还提供了一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行上述的心电信号的QRS波群检测方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明描述的实施例是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本发明实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。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。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的本申请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。
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。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元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存储介质中。基于这样的理解，本申请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存储介质中，包括多指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory， ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上是对本申请实施例的较佳实施进行了具体说明，但本申请实施例并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请实施例精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请实施例权利要求所限定的范围内。
Claims (10)
1.一种心电信号的QRS波群检测方法，其特征在于，所述心电信号的QRS波群检测方法包括：
从心电图中获取心电信号的时序数据；
构建由DenseNet和双通道LSTM组成的检测模型，将所述时序数据输入至所述检测模型中，以根据所述DenseNet从所述时序数据中提取所述心电信号的空间特征，并将所述时序数据和所述空间特征分别输入至所述双通道LSTM的对应一条通道中，由所述双通道LSTM检测出所述心电信号的QRS波群。
2.根据权利要求1所述的心电信号的QRS波群检测方法，其特征在于，所述将所述时序数据和所述空间特征分别输入至所述双通道LSTM的对应一条通道中，由所述双通道LSTM检测出所述心电信号的QRS波群，包括：
将所述时序数据输入至所述双通道LSTM的第一条通道中，得到所述第一条通道输出的第一特征，将所述空间特征输入至所述双通道LSTM的第二条通道中，得到所述第二条通道输出的第二特征；
采用注意力机制以对应的注意力权重融合所述第一特征和所述第二特征，得到第三特征；其中，两个通道的注意力权重之和等于1；
根据所述第三特征检测出QRS波群。
3.根据权利要求2所述的心电信号的QRS波群检测方法，其特征在于，所述检测模型是通过预处理后的训练数据训练得到；所述训练数据的预处理包括：
对所述训练数据进行归一化；
对归一化后的所述训练数据进行各类标签的样本均衡；
对样本均衡后的所述训练数据进行数据增强。
4.根据权利要求3所述的心电信号的QRS波群检测方法，其特征在于，所述对归一化后的所述训练数据进行各类标签的样本均衡，包括：
重复以下步骤，直到达到设定的数据均衡程度；所述以下步骤包括：
选择归一化后的所述训练数据中的少数类别样本；
为每一个所述少数类别样本随机选择对应一个邻居，所述邻居是每一个所述少数类别样本的若干个最近邻的样本中的其中一个样本；
通过线性插值方法在每一个所述少数类别样本与对应的所述邻居之间生成新样本。
5.根据权利要求3所述的心电信号的QRS波群检测方法，其特征在于，所述检测模型在训练过程中，通过如下公式得到所述注意力权重：
；
其中，为第一条通道的输出特征，/>为第二条通道的输出特征，/>为双曲正切函数，/>为激活函数，/>为可学习的权重参数，/>为注意力权重；
所述检测模型在训练过程中，通过如下公式融合第一条通道的输出特征和第二条通道的输出特征：
；
其中，为融合第一条通道的输出特征和第二条通道的输出特征得到的特征。
6.根据权利要求3所述的心电信号的QRS波群检测方法，其特征在于，所述检测模型在训练过程中的损失函数为：
；
；
；
其中，表示检测模型的损失函数，/>表示分类损失，/>表示回归损失，/>为预设的权值参数，/>表示检测模型检测的QRS波，/>表示真实的类别标签，/>表示检测模型检测的QRS波的位置，/>表示真实的位置标签。
7.根据权利要求3所述的心电信号的QRS波群检测方法，其特征在于，所述训练数据通过如下方式得到：
使用可穿戴式心电数据采集设备采集用户的原始心电信号；
使用高通滤波器对所述原始心电信号进行滤波；
对滤波后的所述原始心电信号进行降采样，得到训练数据。
8.一种心电信号的QRS波群检测装置，其特征在于，所述心电信号的QRS波群检测装置包括：
数据获取单元，用于从心电图中获取心电信号的时序数据；
波群检测单元，用于构建由DenseNet和双通道LSTM组成的检测模型，将所述时序数据输入至所述检测模型中，以根据所述DenseNet从所述时序数据中提取所述心电信号的空间特征，并将所述时序数据和所述空间特征分别输入至所述双通道LSTM的对应一条通道中，由所述双通道LSTM检测出所述心电信号的QRS波群。
9.一种电子设备，其特征在于，包括：至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行权利要求1至7任一项所述的一种心电信号的QRS波群检测方法。
10.一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存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行权利要求1至7任一项所述的一种心电信号的QRS波群检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410096841.0A CN117598711B (zh) | 2024-01-24 | 2024-01-24 | 一种心电信号的qrs波群检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410096841.0A CN117598711B (zh) | 2024-01-24 | 2024-01-24 | 一种心电信号的qrs波群检测方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117598711A true CN117598711A (zh) | 2024-02-27 |
| CN117598711B CN117598711B (zh) | 2024-04-26 |
Family
ID=89946610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410096841.0A Active CN117598711B (zh) | 2024-01-24 | 2024-01-24 | 一种心电信号的qrs波群检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117598711B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633683A (zh) * | 2019-09-19 | 2019-12-31 | 华侨大学 | 结合DenseNet和resBi-LSTM的中文句子级唇语识别方法 |
| CN111184508A (zh) * | 2020-01-19 | 2020-05-22 | 武汉大学 | 一种基于联合神经网络的心电信号检测装置及分析方法 |
| 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 |
| CN112244873A (zh) * | 2020-09-29 | 2021-01-22 | 陕西科技大学 | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 |
| GB202105029D0 (en) * | 2021-04-08 | 2021-05-26 | Daimler Ag | A method for predicting at least one motion of at least one object in the surroundings of a motor vehicle as well as a corresponding detection system |
| CN113822139A (zh) * | 2021-07-27 | 2021-12-21 | 河北工业大学 | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 |
| CN115281688A (zh) * | 2022-07-05 | 2022-11-04 | 华中科技大学 | 一种基于多模态深度学习的心脏肥大多标签检测系统 |
| CN115607164A (zh) * | 2022-09-28 | 2023-01-17 | 郑州大学 | 心电特征波分割方法、系统、装置及可读存储介质 |
| US20230058548A1 (en) * | 2021-08-18 | 2023-02-23 | University Of Houston System | System and method for predicting blood-glucose concentration |
| KR20230095751A (ko) * | 2021-12-22 | 2023-06-29 | 경북대학교 산학협력단 | 딥러닝을 이용한 카메라 센서 고장 예측 장치 및 그 방법 |
| CN116432699A (zh) * | 2023-03-27 | 2023-07-14 | 浙江大学 | 基于时序图卷积网络的高炉铁水硅含量预测方法 |
| CN116863939A (zh) * | 2023-07-07 | 2023-10-10 | 江苏五正信息科技有限公司 | 一种基于全局注意力机制的DenseNet-LSTM-ED的声纹识别方法 |
| CN116942172A (zh) * | 2023-07-07 | 2023-10-27 | 中山大学 | 一种基于编解码结构的小波双通道单导联心电去噪方法 |
-
2024
- 2024-01-24 CN CN202410096841.0A patent/CN117598711B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633683A (zh) * | 2019-09-19 | 2019-12-31 | 华侨大学 | 结合DenseNet和resBi-LSTM的中文句子级唇语识别方法 |
| CN111184508A (zh) * | 2020-01-19 | 2020-05-22 | 武汉大学 | 一种基于联合神经网络的心电信号检测装置及分析方法 |
| 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 |
| CN112244873A (zh) * | 2020-09-29 | 2021-01-22 | 陕西科技大学 | 一种基于混合神经网络的脑电时空特征学习与情感分类方法 |
| GB202105029D0 (en) * | 2021-04-08 | 2021-05-26 | Daimler Ag | A method for predicting at least one motion of at least one object in the surroundings of a motor vehicle as well as a corresponding detection system |
| CN113822139A (zh) * | 2021-07-27 | 2021-12-21 | 河北工业大学 | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 |
| US20230058548A1 (en) * | 2021-08-18 | 2023-02-23 | University Of Houston System | System and method for predicting blood-glucose concentration |
| KR20230095751A (ko) * | 2021-12-22 | 2023-06-29 | 경북대학교 산학협력단 | 딥러닝을 이용한 카메라 센서 고장 예측 장치 및 그 방법 |
| CN115281688A (zh) * | 2022-07-05 | 2022-11-04 | 华中科技大学 | 一种基于多模态深度学习的心脏肥大多标签检测系统 |
| CN115607164A (zh) * | 2022-09-28 | 2023-01-17 | 郑州大学 | 心电特征波分割方法、系统、装置及可读存储介质 |
| CN116432699A (zh) * | 2023-03-27 | 2023-07-14 | 浙江大学 | 基于时序图卷积网络的高炉铁水硅含量预测方法 |
| CN116863939A (zh) * | 2023-07-07 | 2023-10-10 | 江苏五正信息科技有限公司 | 一种基于全局注意力机制的DenseNet-LSTM-ED的声纹识别方法 |
| CN116942172A (zh) * | 2023-07-07 | 2023-10-27 | 中山大学 | 一种基于编解码结构的小波双通道单导联心电去噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| CABRERA, DIEGO: "Bayesian approach and time series dimensionality reduction to LSTM-based model-building for fault diagnosis of a reciprocating compressor", NEUROCOMPUTING, vol. 380, 30 January 2020 (2020-01-30), pages 51 - 56 * |
| 王建强: "基于深度学习的BCI系统脑电波识别研究与实现", 信息科技, 1 June 2023 (2023-06-01), pages 1 - 63 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117598711B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | A study on arrhythmia via ECG signal classification using the convolutional neural network | |
| Li et al. | Patient-specific ECG classification by deeper CNN from generic to dedicated | |
| Li et al. | Inter-patient arrhythmia classification with improved deep residual convolutional neural network | |
| CN110226921B (zh) | 心电信号检测分类方法、装置、电子设备和存储介质 | |
| US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| 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 | |
| CN111488793B (zh) | 心电信号分类方法、装置、电子设备和存储介质 | |
| CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
| CN104398254B (zh) | 一种心电图分析系统、分析设备及预测模型采集设备 | |
| CN113440149B (zh) | 一种基于十二导联心电数据二维化的多输入残差神经网络的ecg信号分类方法 | |
| CN113095302B (zh) | 用于心律失常分类的深度模型、利用该模型的方法及装置 | |
| CN110558975B (zh) | 一种心电信号分类方法及系统 | |
| CN113855038B (zh) | 基于多模型集成的心电信号危急值的预测方法及装置 | |
| CN109907753B (zh) | 一种多维度ecg信号智能诊断系统 | |
| Xia et al. | Generative adversarial network with transformer generator for boosting ECG classification | |
| CN109124620A (zh) | 一种房颤检测方法、装置及设备 | |
| CN113349793A (zh) | 一种基于分层注意力模型的心律失常分类方法 | |
| CN113995419A (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 | |
| Chen et al. | Edge2Analysis: a novel AIoT platform for atrial fibrillation recognition and detection | |
| EP4041073A1 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| Raeiatibanadkooki et al. | Real time processing and transferring ECG signal by a mobile phone | |
| CN117598711B (zh) | 一种心电信号的qrs波群检测方法、装置、设备及介质 | |
| CN114098754A (zh) | 一种房颤信号预处理方法、检测系统、设备及存储介质 | |
| CN111345815B (zh) | 一种心电信号中qrs波的检测方法、装置、设备和存储介质 | |
| He et al. | Automatic classification of arrhythmias by residual network and BiGRU with attention mechanism |
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 |