申请/专利权人：安徽心之声医疗科技有限公司

申请日：2019-08-27

公开（公告）日：2019-11-05

公开（公告）号：CN110403601A

主分类号：A61B5/0472(20060101)

分类号：A61B5/0472(20060101);A61B5/00(20060101)

优先权：

专利状态码：失效-发明专利申请公布后的驳回

法律状态：2022.11.04#发明专利申请公布后的驳回;2019.11.29#实质审查的生效;2019.11.05#公开

摘要：本发明提出的一种基于深度学习的心电信号QRS波群识别方法，包括：首先设置数据预处理模型：将数据采样率归一化为预设的的频率阈值，对归一化后的数据进行等长切分，获得长度为d的数据段；通过数据预处理模型对标注的样本数据进行预处理，并根据预处理后的样本数据训练获得输出为数据段中包含QRS波群的概率y的预测模型；将获得的心电信号数据根据数据预处理模型进行预处理，并将预处理获得的数据段输入预测模型，获得每一个数据段对应的概率；然后选取大于预设的概率阈值的概率对应的数据段形成QRS波群。本方法依赖于数据，在医疗信息化快速发展并积累了大量数据的今天，具有更大的使用潜力和价值。

主权项：1.一种基于深度学习的心电信号QRS波群识别方法，其特征在于，包括：S1、首先设置数据预处理模型：将数据采样率归一化为预设的的频率阈值，对归一化后的数据进行等长切分，获得长度为d的数据段；S2、通过数据预处理模型对标注的样本数据进行预处理，并根据预处理后的样本数据训练获得输出为数据段中包含QRS波群的概率y的预测模型；S3、将获得的心电信号数据根据数据预处理模型进行预处理，并将预处理获得的数据段输入预测模型，获得每一个数据段对应的概率；然后选取大于预设的概率阈值的概率对应的数据段形成QRS波群。

全文数据：基于深度学习的心电信号QRS波群识别方法技术领域本发明涉及医学技术领域，尤其涉及一种基于深度学习的心电信号QRS波群识别方法。背景技术心电信号Electrocardiogram，ECG记录了心脏跳动的电生理信号，每一次跳动可以分为P波、QRS波群QRS-complex、T波等，分别对应了心房除极活动、心室除极心房复极活动、心室复极活动。其中，QRS波群是心脏跳动电生理信号最为明显的特征波段，它反映了心室收缩射血时的心肌活动情况，这也是心脏泵血的最重要的一步，对人体的血液循环意义重大。QRS波群的识别是心电图解读ECGInterpretation的第一步，只有正确识别出QRS波群的位置才能:1计算每一次心脏活动持续的时间，进而计算最基本的心率等指标；2通过QRS波群的位置，进一步找到P波、ST段和T波的位置，进而计算QT间期、PR间期等指标。QRS波群的识别可以被进一步用于诊断多种疾病，例如，左心室肥大的诊断标准为：V5导联的R波电压+V1导联的S波电压，女性大于3.5mV，男性大于4.0mV。无法正确识别出QRS波群的位置，就无法作出该诊断。传统的QRS波群识别采用模式识别方法，基于专家的领域知识，并使用信号处理的相关手段，增强QRS波群位置附近的信号强度，减弱其他位置的信号强度，最后采用阈值的手段筛选出QRS波群。QRS波群的形态多样，难以准确描述，模式识别方法很难考虑到所有可能出现的情况，一旦出现了未曾考虑的情况，精度就会出现严重下降。不同健康状态下，人的QRS波群表现不同。例如，正常窦性心律的QRS波群较窄，而发生了室性早博的QRS波群会明显增宽。不同人的心脏的位置、方向、活动强度也不一样，会导致QRS波群的形态在相同的导联上出现巨大差异。QRS波群的识别会受到其他特征波形态的干扰。例如，当右心房肥厚时，出现高耸的“肺型P波”；如果出现心肌缺血损伤、高血钾、及心包炎等疾病时，会出现高尖的T波。在上述情况下，采用模式识别方法很容易将P波或者T波误认为是QRS波群。容易受到噪声的干扰。采集过程中会遇到肢体移动、临近设备电干扰、肌肉电干扰等不同类型噪音，这些噪音叠加在QRS波群上就会使得形态发生改变，降低模式识别方法的精度。发明内容基于背景技术存在的技术问题，本发明提出了一种基于深度学习的心电信号QRS波群识别方法。本发明提出的一种基于深度学习的心电信号QRS波群识别方法，包括：S1、首先设置数据预处理模型：将数据采样率归一化为预设的的频率阈值，对归一化后的数据进行等长切分，获得长度为d的数据段；S2、通过数据预处理模型对标注的样本数据进行预处理，并根据预处理后的样本数据训练获得输出为数据段中包含QRS波群的概率y的预测模型；S3、将获得的心电信号数据根据数据预处理模型进行预处理，并将预处理获得的数据段输入预测模型，获得每一个数据段对应的概率；然后选取大于预设的概率阈值的概率对应的数据段形成QRS波群。优选的，步骤S1中，对归一化后的数据进行等长切分时，对于长度小于d的数据段直接舍弃。优选的，d大于或等于QRS波群宽度的两倍。优选的，频率阈值为500Hz，d＝0.25s。优选的，步骤S2中，通过数据预处理模型对标注的样本数据进行预处理的具体方式包括：S21、收集样本数据，每一条样本数据记作Xi，其中，ni是第i条数据的长度，c为导联数；标注每一条样本数据Xi中出现的所有QRS波群的位置；S22、将所有样本数据的采样率全部归一化为预设的频率阈值，并使用长度为d的滑动窗口对每一条样本数据进行切分，切分后的样本数据记作Si，mi为切分后的样本数据Si中包含的数据段数量，切分后的样本数据Si的第j个数据段记为S23、对每一个数据段Tij进行标记；如果数据段Tij中标注有QRS波群，则标记数据值lij＝1；如果数据段Tij中未标注有QRS波群，则标记数据值lij＝0；步骤S2中，根据预处理后的样本数据训练获得预测模型的具体方式包括：S24、构建深度神经网络F，其输入为数据段输出为数据段中包含QRS波群的概率概率值的取值范围为[0，1]；对深度神经网络F中的变量进行初始化；S25、定义目标函数Obj，其中，k为样本数据的数量，j为切分后的样本数据Si为包含的数据段数量，且：如果lij＝1，CrossEntropylij，yij＝-logyij；如果lij＝0，CrossEntropylij，yij＝-log1-yij；S26、通过目标函数Obj最优解求解，对深度神经网络F进行训练，获得预测模型。优选的，步骤S21中，对于智能硬件设备采集的单导联心电信号，c为1；对于医院心电科采集的标准心电信号，c为12。优选的，步骤S24中，深度神经网络F由K个一维卷积层和一个全连接层组成，全连接层包含一个输出节点，深度神经网络F的输出为全连接层的输出经归一化处理后在0到1之间取值的概率。优选的，步骤S24中，深度神经网络F中的变量通过均值为0方差为1的正态分布随机初始化。优选的，全连接层的输出通过Sigmoid激活函数进行归一化处理。优选的，目标函数Obj通过随机梯度下降法求取最优解。本发明提出的一种基于深度学习的心电信号QRS波群识别方法，建立基于人工智能的深度学习方法，依靠深度学习强大的数据学习能力和灵活的组成架构，进行QRS波群的自动识别，替代传统的基于专家领域知识的模式识别方法。本方法依赖于数据，在医疗信息化快速发展并积累了大量数据的今天，具有更大的使用潜力和价值。本发明中，通过数据等长切分，对数据段进行模型训练，有利于丰富训练样本的丰富，从而提高预测模块的训练精确度。同时，以数据段为单位进行QRS波群的概率y的预测，对于QRS波群的定位更加精确。本发明中，通过提前设置数据预处理模型，保证了样本数据的预处理与获得心电信号数据的预处理的一致，从而保证了通过预测模型对心电信号数据进行预测的准确度。且，本发明中，通过预测模型根据包含QRS波群的概率对数据段进行提取，然后拼接形成QRS波群。如此，实现了每一条心电信号数据的筛选过滤，提高了最终的QRS波群的精确度和低噪声，有利于提高心电信号的识别效率和精确度。附图说明图1为本发明提出的一种基于深度学习的心电信号QRS波群识别方法流程图；图2为本发明提出的一种基于深度学习的心电信号QRS波群识别方法流程图。具体实施方式参照图1，本发明提出的一种基于深度学习的心电信号QRS波群识别方法，包括：S1、首先设置数据预处理模型：将数据采样率归一化为预设的的频率阈值，对归一化后的数据进行等长切分，获得长度为d的数据段。具体的，本实施方式中，对于采样率不等于频率阈值的数据，可通过现有的下采样或者上采样将采样率转换为频率阈值。S2、通过数据预处理模型对标注的样本数据进行预处理，并根据预处理后的样本数据训练获得输出为数据段中包含QRS波群的概率y的预测模型。具体的，本实施方式中，通过数据等长切分，对数据段进行模型训练，有利于丰富训练样本的丰富，从而提高预测模块的训练精确度。同时，以数据段为单位进行QRS波群的概率y的预测，对于QRS波群的定位更加精确。S3、将获得的心电信号数据根据数据预处理模型进行预处理，并将预处理获得的数据段输入预测模型，获得每一个数据段对应的概率；然后选取大于预设的概率阈值的概率对应的数据段形成QRS波群。具体的，本实施方式中，概率阈值为50％。本实施方式中，通过提前设置数据预处理模型，保证了样本数据的预处理与获得心电信号数据的预处理的一致，从而保证了通过预测模型对心电信号数据进行预测的准确度。且，本实施方式中，通过预测模型根据包含QRS波群的概率对数据段进行提取，然后拼接形成QRS波群。如此，实现了每一条心电信号数据的筛选过滤，提高了最终的QRS波群的精确度和低噪声，有利于提高心电信号的识别效率和精确度。具体的，本实施方式的步骤S1中，对归一化后的数据进行等长切分时，对于长度小于d的数据段直接舍弃，以保证切分获得的数据段的长度的一致。具体的，d大于或等于QRS波群宽度的两倍，以避免QRS波群被切断，从而降低QRS波群识别精度。具体的，本实施方式中，频率阈值为500Hz，d＝0.25s。如此，切分后的数据段可包含0.25×500＝125个数据点，以保证数据段的长度，避免QRS波群丢失。本实施方式步骤S1具体为：获得数据，并将第i条数据记录为：其中，c为导联数，对于智能硬件设备采集的单导联心电信号，c为1；对于医院心电科采集的标准心电信号，c为12。ni为第i条数据的长度；将数据采样率归一化为预设的的频率阈值，然后通过长度为d的滑动窗口切分将频率归一化处理后的数据Xi，获得mi条数据段1≤j≤mi。参照图2，本实施方式的步骤S2中，通过数据预处理模型对标注的样本数据进行预处理的具体方式包括：S21、收集样本数据，每一条样本数据记作Xi，其中，ni是第i条数据的长度，c为导联数，对于智能硬件设备采集的单导联心电信号，c为1；对于医院心电科采集的标准心电信号，c为12。；标注每一条样本数据Xi中出现的所有QRS波群的位置。S22、将所有样本数据的采样率全部归一化为预设的频率阈值，并使用长度为d的滑动窗口对每一条样本数据进行切分，切分后的样本数据记作Si，mi为切分后的样本数据Si中包含的数据段数量，切分后的样本数据Si的第j个数据段记为本实施方式中，对于样本数据先标注后切分，有利于减少标注对象，提高标注效率。S23、对每一个数据段Tij进行标记；如果数据段Tij中标注有QRS波群，则标记数据值lij＝1；如果数据段Tij中未标注有QRS波群，则标记数据值lij＝0。本步骤中，实现了对于各数据段包含QRS波群的实际概率的标记。步骤S2中，根据预处理后的样本数据训练获得预测模型的具体方式包括：S24、构建深度神经网络F，其输入为数据段输出为数据段中包含QRS波群的概率概率值的取值范围为[0，1]；对深度神经网络F中的变量进行初始化。本步骤中，深度神经网络F中的变量通过均值为0方差为1的正态分布随机初始化。具体的，本实施方式中，深度神经网络F由K个一维卷积层和一个全连接层组成，全连接层包含一个输出节点，深度神经网络F的输出为全连接层的输出经归一化处理后在0到1之间取值的概率。心电信号数据是一种典型的时序数据。本实施方式中，通过一维卷积层的应用，可以有效地从心电信号数据中提取特征波段的局部特征。通过K个一维卷积层加深了神经网络的深度，能够更好地学习到不同层级的特征，从而增加QRS波群识别的精度。本实施方式中，考虑到网络的加深会使得模型的训练过程变得更加困难，故而使用线性整流函数ReLU作为一维卷积层的激活函数，以降低模型训练难度。本实施方式中，全连接层的输出层节点个数为1，并将全连接层的输出作为网络的输出，然后，将该输出值归一化为取值在0到1之间的概率，表示包含QRS波群的概率。本实施方式中，全连接层的输出通过Sigmoid激活函数进行归一化处理，S25、定义目标函数0bj，其中，k为样本数据的数量，j为切分后的样本数据Si为包含的数据段数量，且：如果lij＝1，CrossEntropylij，yij＝-logyij；如果lij＝0，CrossEntropylij，yij＝-log1-yij。本实施方式中，通过目标函数Obj，可度量真实标签li和预测概率yi之间的差异。S26、通过目标函数Obj最优解求解，对深度神经网络F进行训练，获得预测模型。本实施方式中，目标函数Obj通过随机梯度下降法求取最优解。具体的，在对深度神经网络F进行训练时，每次选取训练数据集即标注过的样本数据集合中的一批样本数据，通过前向传播和反向传播对神经网络模型F的参数进行梯度更新；针对每一次更新后的神经网络模型F，记录目标函数的变化曲线，经过多轮的迭代，当目标函数的数值不再明显下降时，停止训练过程，保存此时的网络模型参数，得到训练完毕的深度神经网络模型作为预测模型。以上所述，仅为本发明涉及的较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

权利要求：1.一种基于深度学习的心电信号QRS波群识别方法，其特征在于，包括：S1、首先设置数据预处理模型：将数据采样率归一化为预设的的频率阈值，对归一化后的数据进行等长切分，获得长度为d的数据段；S2、通过数据预处理模型对标注的样本数据进行预处理，并根据预处理后的样本数据训练获得输出为数据段中包含QRS波群的概率y的预测模型；S3、将获得的心电信号数据根据数据预处理模型进行预处理，并将预处理获得的数据段输入预测模型，获得每一个数据段对应的概率；然后选取大于预设的概率阈值的概率对应的数据段形成QRS波群。2.如权利要求1所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，步骤S1中，对归一化后的数据进行等长切分时，对于长度小于d的数据段直接舍弃。3.如权利要求1所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，d大于或等于QRS波群宽度的两倍。4.如权利要求3所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，频率阈值为500Hz，d＝0.25s。5.如权利要求1至4任一项所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，步骤S2中，通过数据预处理模型对标注的样本数据进行预处理的具体方式包括：S21、收集样本数据，每一条样本数据记作Xi，其中，ni是第i条数据的长度，c为导联数；标注每一条样本数据Xi中出现的所有QRS波群的位置；S22、将所有样本数据的采样率全部归一化为预设的频率阈值，并使用长度为d的滑动窗口对每一条样本数据进行切分，切分后的样本数据记作Si，mi为切分后的样本数据Si中包含的数据段数量，切分后的样本数据Si的第j个数据段记为S23、对每一个数据段Tij进行标记；如果数据段Tij中标注有QRS波群，则标记数据值lij＝1；如果数据段Tij中未标注有QRS波群，则标记数据值lij＝0；步骤S2中，根据预处理后的样本数据训练获得预测模型的具体方式包括：S24、构建深度神经网络F，其输入为数据段输出为数据段中包含QRS波群的概率概率值的取值范围为[0,1]；对深度神经网络F中的变量进行初始化；S25、定义目标函数Obj，其中，k为样本数据的数量，j为切分后的样本数据Si为包含的数据段数量，且：如果lij＝1，CrossEntropylij，yij＝-logyij；如果lij＝0，CrossEntropylij，yij＝-log1-yij；S26、通过目标函数Obj最优解求解，对深度神经网络F进行训练，获得预测模型。6.如权利要求5所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，步骤S21中，对于智能硬件设备采集的单导联心电信号，c为1；对于医院心电科采集的标准心电信号，c为12。7.如权利要求5所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，步骤S24中，深度神经网络F由K个一维卷积层和一个全连接层组成，全连接层包含一个输出节点，深度神经网络F的输出为全连接层的输出经归一化处理后在0到1之间取值的概率。8.如权利要求7所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，步骤S24中，深度神经网络F中的变量通过均值为0方差为1的正态分布随机初始化。9.如权利要求5所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，全连接层的输出通过Sigmoid激活函数进行归一化处理。10.如权利要求5所述的基于深度学习的心电信号QRS波群识别方法，其特征在于，目标函数Obj通过随机梯度下降法求取最优解。

百度查询： 安徽心之声医疗科技有限公司 基于深度学习的心电信号QRS波群识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD