CN111882559A - Ecg信号的获取方法及装置、存储介质、电子装置 - Google Patents
Ecg信号的获取方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN111882559A CN111882559A CN202010066235.6A CN202010066235A CN111882559A CN 111882559 A CN111882559 A CN 111882559A CN 202010066235 A CN202010066235 A CN 202010066235A CN 111882559 A CN111882559 A CN 111882559A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- ecg
- region
- binarized
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000000877 morphologic effect Effects 0.000 claims abstract description 43
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims description 125
- 230000006870 function Effects 0.000 claims description 67
- 238000012545 processing Methods 0.000 claims description 48
- 238000004088 simulation Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 description 47
- 238000002372 labelling Methods 0.000 description 16
- 239000011159 matrix material Substances 0.000 description 14
- 230000000694 effects Effects 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种ECG信号的获取方法及装置、存储介质、电子装置,上述方法包括:对二值化的ECG图像进行形态学运算获得到所述二值化的ECG图像中的目标图像区域,其中,所述二值化的ECG图像的像素值包括:两个不同的值,所述目标图像区域中包括:目标ECG信号;将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,其中,所述第一模型为使用多组数据通过机器学习训练出的用于识别目标ECG信号的模型,所述多组数据中的每组数据均包括:通过目标ECG图像仿真处理后的二值化的ECG图像和所述仿真处理的二值化的ECG图像中的ECG信号,所述目标子区域包括:所述目标ECG信号以及与所述目标ECG信号的距离在预设范围内的周围区域。
Description
技术领域
本发明涉及图像处理技术领域,具体而言,涉及一种ECG信号的获取方法及装置、存储介质、电子装置。
背景技术
在相关技术中,心电图(ElectrocardioGraph,简称为ECG)信号被ECG设备采集后,除数字化保存外,一般被记录在热敏纸上。纸质ECG数据方便医生读图,但不便于保存和处理,一般对纸质ECG数据进行扫描,将ECG信号保存成图像。经此过程后,ECG信号由多导联一维数据,被转换为二维图像。由于ECG信号本身的特殊性,在图像中ECG信号的时序变化在图像中无法直接被分析,而且ECG信号细节部分在整个图像中并不显著,因此需要将ECG信号从二维图像中提取出来转换为一维数据,再进行后续分析,此过程被称为ECG的数字化。
ECG数字化过程一般分为两步:①ECG信号图像的预处理,去除噪声,保留ECG部分;②ECG信号转换为一维数据。现有技术对ECG图像处理的方法为通过颜色或灰度值将ECG部分和其他部分分离,但是ECG图像中,特别是二值化后的ECG图像中,ECG部分的像素值和其他噪音部分像素值存在相同的情况,因而,现有的方法中无法获得从ECG图像中,特别是二值ECG图像中有效地获得ECG部分。
现有技术的技术方案无法对二值化的ECG图像进行ECG部分的提取等问题,尚未提出有效的技术方案。
发明内容
本发明实施例提供了一种ECG信号的获取方法及装置、存储介质、电子装置,以至少解决相关技术中,现有技术的技术方案无法对二值化的ECG图像进行ECG部分的提取等问题。
根据本发明的一个实施例,提供了一种ECG信号的获取方法,包括:对二值化的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域,其中,所述二值化的ECG图像的像素值包括:两个不同的值,所述目标图像区域中包括:目标ECG信号;将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,其中,所述第一模型为使用多组数据通过机器学习训练出的用于识别目标ECG信号的模型,所述多组数据中的每组数据均包括:通过目标ECG图像仿真处理后的二值化的ECG图像和所述仿真处理的二值化的ECG图像中的ECG信号,所述目标子区域包括:所述目标ECG信号以及与所述目标ECG信号的距离在预设范围内的周围区域。
可选地,对二值化的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域,包括:对二值化的ECG图像进行颜色反相处理;对颜色反相处理后的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域。
可选地,对二值化的ECG图像进行颜色反相处理,包括:确定所述二值化的ECG图像中的前景区域和背景区域,其中,所述前景区域包括:所述目标ECG信号和所述二值化的ECG图像中的表格,所述前景区域的像素值为第一值,所述背景区域的像素值为第二值;将所述前景区域的像素值设置为第二值,以及将所述背景区域的像素值设置为第一值。
可选地,将所述目标子区域输入到第一模型中,输出所述二值化的ECG图像中的目标ECG信号,包括:从目标图像区域中提取出所述目标子区域;将所述目标子区域输入到第一模型中,输出所述二值化的ECG图像中的目标ECG信号。
可选地,从目标图像区域中提取出所述目标子区域,包括:从所述目标图像区域获取多个局部图像,其中,所述多个局部图像中的任意相邻两个局部图像均存在重叠区域;将所述多个局部图像输入到第二模型中,以输出与所述多个局部图像对应的多个分割结果,其中,所述第二模型为使用多组数据通过机器学习训练出的用于识别局部图像中包含目标ECG信号的区域的模型,所述多组数据中的每组数据均包括:原始二值化的ECG图像,以及标注后的二值化的ECG图像,其中,所述原始二值化的ECG图像包括:目标ECG信号,和所述目标ECG信号的相似度小于预设阈值的ECG区域,噪声信号区域,所述标注后的二值化的ECG图像包括:所述目标ECG信号,和所述目标ECG信号的相似度小于预设阈值的ECG区域;将所述多个分割结果组合成所述目标图像区域的整体分割结果;根据所述整体分割结果确定所述目标子区域。
可选地,根据所述整体分割结果确定所述目标子区域,包括:将所述整体分割结果的像素值与所述目标图像区域的像素值按照对应位置依次相乘,以确定所述目标子区域。
可选地,将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号之前,所述方法还包括:通过以下方式获取ECG图像仿真处理的二值化的ECG图像:获取所述目标ECG图像,其中,所述目标ECG图像为RGB图像;将所述目标ECG图像中添加白噪声,以获得仿真处理后的二值化的ECG图像。
可选地,将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号之前,所述方法还包括:通过以下方式获取所述仿真处理的二值化的ECG图像中的ECG信号:获取目标ECG图像,其中,所述目标ECG图像为RGB图像;将所述RGB图像转换为灰度图像,并确定所述灰度图像中的每个像素点的均值;保留像素点的均值小于第一值的目标像素点,并将所述目标像素点的像素值设置为1,以获取所述仿真处理的二值化的ECG图像中的ECG信号。
可选地,将所述目标图像区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,包括:从所述目标图像区域获取多个局部图像,其中,所述多个局部图像中的任意相邻两个局部图像均存在重叠区域;将所述多个局部图像输入到第一模型中,以输出与所述多个局部图像对应的多个分割结果;将所述多个分割结果组合成所述目标图像区域的整体分割结果,以确定所述目标ECG信号。
可选地,将所述目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,包括:从所述目标子区域获取多个局部图像,其中,所述多个局部图像中的任意相邻两个局部图像均存在重叠区域;将所述多个局部图像输入到第一模型中,以输出与所述多个局部图像对应的多个分割结果;将所述多个分割结果组合成所述目标子区域的整体分割结果,以确定所述目标ECG信号。
可选地,通过以下方式训练所述第一模型或所述第二模型:根据目标损失函数对所述第一模型或所述第二模型的参数进行调整,其中,所述目标损失函数通过二值交叉熵和Dice损失函数确定,其中,所述目标损失函数=a×二值交叉熵+b×Dice损失函数,其中,a>0;b>0。
可选地,对二值化的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域,包括:通过指定的形态学算子对所述二值化的ECG图像进行处理;将处理后的二值化的ECG图像中像素点分布密集的区域连接起来,以获得多个具有封闭区域的图像;将所述多个具有封闭区域的图像的无像素的部分填充像素;将填充像素后面积最大的区域作为所述目标图像区域。
根据本发明的另一个实施例,还提供了一种ECG信号的获取装置,包括:处理模块,用于对二值化的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域,其中,所述二值化的ECG图像的像素值包括:两个不同的值,所述目标图像区域中包括:目标ECG信号;确定模块,用于将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,其中,所述第一模型为使用多组数据通过机器学习训练出的用于识别目标ECG信号的模型,所述多组数据中的每组数据均包括:通过目标ECG图像仿真处理后的二值化的ECG图像和所述仿真处理的二值化的ECG图像中的ECG信号,所述目标子区域包括:所述目标ECG信号以及与所述目标ECG信号的距离在预设范围内的周围区域。
可选地,所述处理模块,还用于对二值化的ECG图像进行颜色反相处理;对颜色反相处理后的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域。
可选地,所述处理模块,还用于确定所述二值化的ECG图像中的前景区域和背景区域,其中,所述前景区域包括:所述目标ECG信号和所述二值化的ECG图像中的表格,所述前景区域的像素值为第一值,所述背景区域的像素值为第二值;将所述前景区域的像素值设置为第二值,以及将所述背景区域的像素值设置为第一值。
可选地,所述确定模块,还用于从目标图像区域中提取出所述目标子区域;将所述目标子区域输入到第一模型中,输出所述二值化的ECG图像中的目标ECG信号。
可选地,所述确定模块,还用于从所述目标图像区域获取多个局部图像,其中,所述多个局部图像中的任意相邻两个局部图像均存在重叠区域;将所述多个局部图像输入到第二模型中,以输出与所述多个局部图像对应的多个分割结果,其中,所述第二模型为使用多组数据通过机器学习训练出的用于识别局部图像中包含目标ECG信号的区域的模型,所述多组数据中的每组数据均包括:原始二值化的ECG图像,以及标注后的二值化的ECG图像,其中,所述原始二值化的ECG图像包括:目标ECG信号,和所述目标ECG信号的相似度小于预设阈值的ECG区域,噪声信号区域,所述标注后的二值化的ECG图像包括:所述目标ECG信号,和所述目标ECG信号的相似度小于预设阈值的ECG区域;将所述多个分割结果组合成所述目标图像区域的整体分割结果;根据所述整体分割结果确定所述目标子区域。
可选地,所述确定模块,还用于将所述整体分割结果的像素值与所述目标图像区域的像素值按照对应位置依次相乘,以确定所述目标子区域。
可选地,所述确定模块,还用于通过以下方式获取ECG图像仿真处理的二值化的ECG图像:获取所述目标ECG图像,其中,所述目标ECG图像为RGB图像;将所述目标ECG图像中添加白噪声,以获得仿真处理后的二值化的ECG图像。
可选地,所述确定模块,还用于通过以下方式获取所述仿真处理的二值化的ECG图像中的ECG信号:获取目标ECG图像,其中,所述目标ECG图像为RGB图像;将所述RGB图像转换为灰度图像,并确定所述灰度图像中的每个像素点的均值;保留像素点的均值小于第一值的目标像素点,并将所述目标像素点的像素值设置为1,以获取所述仿真处理的二值化的ECG图像中的ECG信号。
可选地,所述确定模块,还用于从所述目标图像区域获取多个局部图像,其中,所述多个局部图像中的任意相邻两个局部图像均存在重叠区域;将所述多个局部图像输入到第一模型中,以输出与所述多个局部图像对应的多个分割结果;将所述多个分割结果组合成所述目标图像区域的整体分割结果,以确定所述目标ECG信号。
可选地,所述确定模块,还用于从所述目标子区域获取多个局部图像,其中,所述多个局部图像中的任意相邻两个局部图像均存在重叠区域;将所述多个局部图像输入到第一模型中,以输出与所述多个局部图像对应的多个分割结果;将所述多个分割结果组合成所述目标子区域的整体分割结果,以确定所述目标ECG信号。
可选地,所述确定模块,还用于根据目标损失函数对所述第一模型或所述第二模型的参数进行调整,其中,所述目标损失函数通过二值交叉熵和Dice损失函数确定,其中,所述目标损失函数=a×二值交叉熵+b×Dice损失函数,其中,a>0;b>0。
根据本发明的另一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行以上任一项ECG信号的获取方法。
根据本发明的另一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行以上任一项ECG信号的获取方法。
通过本发明的技术方案,对二值化的ECG图像进行形态学运算以得到所述二值化的ECG图像中的目标图像区域,进而将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,其中,所述目标子区域包括:所述目标ECG信号以及与所述目标ECG信号的距离在预设范围内的周围区域;采用上述技术方案解决相关技术中,现有技术的技术方案无法对二值化的ECG图像进行ECG部分的提取等问题,提供了一种能够先对二值化的ECG图像进行图像发色处理后,将得到的目标图像区域或者给予目标图像区域得到的目标子区域输入到第一模型中,以确定二值化的ECG图像中的目标ECG信号的技术方案。
进一步地,通过本申请的技术方案,可有效地从ECG图像,特别是二值ECG图像中提取ECG部分,且在提取过程中本申请的技术方案克服了采用基于深度学习训练深度学习模型中,ECG图像,特别是二值ECG图像噪声多、表示ECG信号部分的线条较细,占图像比例小、细节不清晰导致人工标注ECG部分难度大的问题,本申请的技术方案能够使用较少的人工标注,有效地完成ECG图像,特别是二值ECG图像中ECG部分的提取。
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ECG信号的获取方法的计算机终端的硬件结构框图;
图2为根据本发明实施例的ECG信号的获取方法的流程图;
图3是根据本发明可选实施例的ECG信号的获取方法的流程图;
图4是根据本发明可选实施例的预处理过程的示意图;
图5是根据本发明可选实施例的ECG信号的周围区域的示意图;
图6是根据本发明可选实施例的导出ECG图像示意图;
图7是根据本发明可选实施例的导出ECG标注的示意图;
图8是根据本发明可选实施例的仿真前后图像细节示意图;
图9是根据本发明可选实施例的ECG图像中的感兴趣区域示意图;
图10是根据本发明可选实施例的ECG图像的分割结果示意图;
图11是根据本发明实施例的ECG信号的获取装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
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。
本申请实施例所提供的方法实施例可以在计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例,图1是本发明实施例的一种ECG信号的获取方法的计算机终端的硬件结构框图。如图1所示,计算机终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,可选地,上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。在另一个实施例中,以运行在手机端上为例,包括输入设备、输出设备、处理器102、存储器104和传输设备106,其中输入设备可以为摄像头,输出设备可以为手机显示屏。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述计算机终端的结构造成限定。例如,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图1其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图1中所示更多或者更少的组件(如网络接口等),或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的ECG信号的获取方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。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。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子装置还包括:显示器110,用于显示目标ECG信号;和连接总线112,用于连接上述电子装置中的各个模块部件。
本发明实施例提供了一种可选的ECG信号的获取方法,图2为根据本发明实施例的ECG信号的获取方法的流程图,如图2所示,包括以下步骤:
步骤S202:对二值化的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域,其中,所述二值化的ECG图像的像素值包括:两个不同的值,所述目标图像区域中包括:目标ECG信号;
步骤S204:将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,其中,所述第一模型为使用多组数据通过机器学习训练出的用于识别目标ECG信号的模型,所述多组数据中的每组数据均包括:通过目标ECG图像仿真处理后的二值化的ECG图像和所述仿真处理的二值化的ECG图像中的ECG信号,所述目标子区域包括:所述目标ECG信号以及与所述目标ECG信号的距离在预设范围内的周围区域。
通过本发明的技术方案,对二值化的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域;将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,所述目标子区域包括:所述目标ECG信号以及与所述目标ECG信号的距离在预设范围内的周围区域;采用上述技术方案解决相关技术中,现有技术的技术方案无法对二值化的ECG图像进行ECG部分的提取等问题,提供了一种能够对二值化的ECG图像进行形态学运算后,将得到的目标图像区域或者给予目标图像区域得到的目标子区域输入到第一模型中,以确定二值化的ECG图像中的目标ECG信号的技术方案。
本申请所述形态学运算包括形态学开运算和形态学闭运算,本申请一个优选的实施方式中,采用形态学闭运算,即先膨胀,再腐蚀,以获得目标图像区域。
进一步地,通过本申请的技术方案,可有效地从ECG图像,特别是二值ECG图像中提取ECG部分,且在提取过程中本申请的技术方案克服了采用基于深度学习训练深度学习模型中,ECG图像,特别是二值ECG图像噪声多、表示ECG信号部分的线条较细,占图像比例小、细节不清晰导致人工标注ECG部分难度大的问题,本申请的技术方案能够使用较少的人工标注,有效地完成ECG图像,特别是二值ECG图像中ECG部分的提取。
需要说明的是,在一个具体实施例中,在进行二值化的ECG图像进行图像颜色反相处理之前,为保护ECG图像中的敏感信息,还需要对进行提取的ECG图像进行其他处理,将图像中包含敏感信息的区域进行隐去,例如,敏感信息可以为用户的姓名性别等身份信息,可以通过将敏感信息用特定形状盖住的方式在ECG图像中替换。在其他优选的实施例中,也可以让机器学习获得的第一模型能够过滤掉敏感信息,比如,将目标图像区域或目标子区域输入到第一模型中,输出二值化的ECG图像中的目标ECG信号中不包括任何的敏感信息。在一个具体实施例中,目标ECG图像文档原格式为PDF,在进行相应的敏感信息移除后,文档格式由将PDF转为PNG,进行后续从二值化的ECG图像中提取出ECG部分。
上述步骤S202有多种实现方式,可选地,可以通过以下方式实现:对二值化的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域,包括:对二值化的ECG图像进行颜色反相处理;对颜色反相处理后的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域,而本发明实施例中的颜色反相处理过程可以包括以下步骤:确定二值化的ECG图像中的前景区域和背景区域,其中,前景区域包括:目标ECG信号和二值化的ECG图像中的表格,前景区域的像素值为第一值,背景区域的像素值为第二值;将前景区域的像素值设置为第二值,以及将背景区域的像素值设置为第一值,例如,第一值可以为255,第二值可以为0,本发明实施例对此不作限定。
在本发明实施例中,在原始二值化的ECG图像中,前景区域中的目标ECG信号和二值化的ECG图像中的表格均为黑色,前景区域中的黑色对应第一值像素,相应的值为设置0;背景区域中的白色对应第二值像素,相应的值设置为255,通过将背景区域的第二值像素值反相为第一值像素值,将前景区域中的第一值像素值反相为第二值像素值,在颜色反相后,前景区域的像素由0变为255,由于有效图像区域的前景像素点分布的很密集,进而通过形态学闭操作将大部分像素点分布密集的区域连接起来,本发明实施可以使用的是形态学算子为11×11的结构元素(即11×11的矩阵,矩阵元素均为1),在其他实施例中,矩阵元素为1时,矩阵优选为(9-21)×(9-21),具体在此不做限定;而在形态学闭操作后,大部分有效图像区域内的前景区域内的点都被来接起来围合形成若干个有较多孔洞的图像区域,使用孔洞填充将此图像区域填充为一个完整的图像区域;填充后,有效图像区域应为图像中的面积最大图像区域,因此,移除掉除面积最大图像区域以外的其他图像;从原始的二值化的ECG图像中,提取出面积最大图像区域的外接矩形图像,从而得到包含目标ECG信号的有效ECG图像,即为上述实施例的目标图像区域。在另一个优选实施中,二值化的ECG图像的前景区域的像素值为255,背景区域的像素值为0,再将该二值化的ECG图像进行形态学闭操作获得包含目标ECG信号的有效ECG图像。可选的,在执行步骤S204之前,需要从目标图像区域中提取出目标子区域;进而将提取出来的目标子区域输入到第一模型中,输出二值化的ECG图像中的目标ECG信号。
也就是说,将ECG图像中包含目标ECG信号以及与目标ECG信号的距离在预设范围内的周围区域的感兴趣区域输入到第一模型中,通过训练完成的第一模型处理获取二值化的ECG图像中的目标ECG信号。
具体地,从目标图像区域中提取出目标子区域,可以通过以下技术方案实现:从目标图像区域获取多个局部图像,其中,多个局部图像中的任意两个相邻的局部图像均存在重叠区域;将多个局部图像输入到第二模型中,以输出与多个局部图像对应的多个分割结果,其中,第二模型为使用多组数据通过机器学习训练出的用于识别局部图像中包含目标ECG信号的区域的模型,多组数据中的每组数据均包括:原始二值化的ECG图像,以及标注后的二值化的ECG图像,其中,原始二值化的ECG图像包括:目标ECG信号,和目标ECG信号的相似度小于预设阈值的ECG区域,噪声信号区域,标注后的二值化的ECG图像包括:目标ECG信号,和目标ECG信号的相似度小于预设阈值的ECG区域;将多个分割结果组合成目标图像区域的整体分割结果;根据整个分割结果直接确定为目标子区域,也可以将整体分割结果的像素值与目标图像区域的像素值按照对应位置依次相乘,以确定目标子区域。
一个优选的实施例中,多个分割结果组合成整体分割结果,在整体分割结果中,每个点的像素值为一个概率,即这个点是否是ECG区域中的点,像素概率范围从0到1。本实施例中,设置阈值0.5,即将整体分割结果中像素值大于0.5的像素点设置为1,小于等于0.5的像素点设置为0。在其他实施例中,阈值也可以设置为0.4、0.55、0.6、0.65、0.8等,具体在此不做限定。这样,整体分割结果是一个二值化图像。将二值化的整体分割结果与目标区域图像区域相乘,获得分割结果。相乘后,整体分割结果中像素值为0的点在相乘所得图像中像素值为0,整体分割结果中像素值为1的点在相乘所得图像中像素值为目标区域图像对应像素的像素值,可以理解为,二值化的整体分割结果即为分割结果,与目标区域图像相乘是为了保留原始的像素值。
需要说明的是,上述第二模型的输入也可以是整个目标图像区域,本发明实施例对此不作限定。
在一个可选实施例中,在第一模型对目标图像区域或目标子区域进行分析之前,还可以执行以下技术方案:通过以下方式获取通过目标ECG图像仿真处理的二值化的ECG图像:获取目标ECG图像。一个具体的实施例中,目标ECG图像为RGB图像;仿真处理为在ECG图像中添加白噪声,以获得仿真处理的二值化ECG图像,需要说明的是,目标ECG图像可以是通过心电图测量***导出的,也可以是通过其他技术方案比如摄像头拍照、信号接收器接收、网络中下载获取到的,本发明实施例对此不作限定。
在另一个可选实施例中,在第一模型对目标图像区域或目标子区域进行分析之前,还可以执行以下技术方案:通过以下方式获取仿真处理的二值化的ECG图像中的ECG信号:获取目标ECG图像,其中,ECG图像为RGB图像;将RGB图像转换为灰度图像,并确定灰度图像中的每个像素点的均值;保留像素点的均值小于第一值的目标像素点,并将目标像素点的像素值设置为1,以获取仿真处理的二值化的ECG图像中的ECG信号。
进一步地,上述第一模型对目标图像区域的分析过程,可以通过以下技术方案实现:从目标图像区域获取多个局部图像,其中,多个局部图像中的任意相邻两个局部图像均存在重叠区域;将多个局部图像输入到第一模型中,以输出与多个局部图像对应的多个分割结果;将多个分割结果组合成目标图像区域的整体分割结果;将整体分割结果的像素值与目标图像区域的像素值按照对应位置依次相乘,以确定目标ECG信号,可选地,本发明实施例也可以直接将整体分割结果直接确定为目标ECG信号。
进一步地,上述第一模型对目标子区域的分析过程,可以通过以下技术方案实现:从目标子区域获取多个局部图像,其中,多个局部图像中的任意两个相邻的局部图像均存在重叠区域;将多个局部图像输入到第一模型中,以输出与多个局部图像对应的多个分割结果;将多个分割结果组合成目标子区域的整体分割结果;将整体分割结果的像素值与目标子区域的像素值按照对应位置依次相乘,以确定目标ECG信号。
可见,第一模型对目标图像区域和目标子区域的分析过程都是先对多个局部图像进行分析,然后对应输出多个分割结果,将多个分割结果进行整合后得到整体分割结果。
需要说明的是,上述第一模型的输入也可以是整个目标图像区域或这个目标子区域,本发明实施例对此不作限定。
可选地,通过以下方式训练所述第一模型或所述第二模型:根据目标损失函数对所述第一模型或所述第二模型的参数进行调整,其中,所述目标损失函数通过二值交叉熵和Dice损失函数确定,例如,目标损失函数等于a×二值交叉熵+b×Dice损失函数,a和b分别为对应项系数,a>0,b>0,具体地,[a=1,b=1]是优选实施方式,其他a与b的取值也可以采用,例如[a=0.5,b=1],[a=1,b=0.5],[a=2,b=1],[a=1,b=2]等,本发明实施例对此不作限定。
在本发明实施例中,对二值化的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域,包括:通过指定的形态学算子对所述二值化的ECG图像进行处理;将处理后的二值化的ECG图像中像素点分布密集的区域连接起来,以获得多个具有封闭区域的图像;将所述多个具有封闭区域的图像的无像素的部分填充像素;将填充像素后面积最大的区域作为所述目标图像区域。
为了更好的理解上述ECG信号的获取过程,以下结合一可选实施例对上述流程进行说明,但不用于限定本发明实施例的技术方案,图3是根据本发明可选实施例的ECG信号的获取方法的流程图,包括以下步骤:
步骤S302,预处理二值化的ECG扫描图,进而从心电图测量***导出的ECG文档图像中提取出有效图像分;
在二值化的ECG扫描图像中,除有效图像部分,即上述实施例的目标图像区域外,有可能存在大量的空白区域,这些空白区域不包含信息,不需要处理,需将这些空白区域移除,从而提取出有效图像部分用于后续的处理,预处理过程包含两步:1)图像颜色反相,在原始的二值ECG扫描图像中,前景区域(包括ECG信号和表格)为黑色,像素值为0;背景区域为白色,像素值为255,将上述前景区域和背景区域的颜色反相,即将前景区域的像素值设置为255,背景区域的像素值设置为0。2)有效图像区域提取在颜色反相后,前景像素至为255,由于有效图像区域的前景像素点分布的很密集,首先通过形态学闭操作将大部分像素点分布密集的区域连接起来,使用的形态学算子,在矩阵元素为1,矩阵优选为(9-21)×(9-21)的结构元素,更优选的,矩阵为11×11的结构元素;闭操作后,大部分有效图像区域内的前景点都被连接起来形成一个有较多孔洞的图像区域,使用孔洞填充将此物体填充为一个完整的图像区域;填充后,有效图像区域应为图像中的面积最大图像区域,因此,移除掉除面积最大图像区域以外的其他图像区域;从原始的二值ECG扫描图像中,提取出面积最大图像区域的外接矩形图像,此图像用于后续处理。
上述预处理过程的输入和输出如图4中所示,左侧为原始的二值ECG扫描图,右侧为提取后的有效图像部分,以下简称“ECG图像”。本发明实施例中,采用1834张二值ECG扫描图数据,当需要使用包含1834张二值ECG扫描图数据集时,需对每一张图像进行预处理,从而获得1834张ECG图像,用于进行模型训练,需要说明的是,1834张图像是可选的,可以采用其他数值的ECG图像进行模型训练。
步骤S304,人工标注部分二值ECG扫描图的感兴趣区域(即上述实施例的目标子区域,其中包含ECG信号及ECG信号的周围区域),训练UNet1(即上述实施例的第二模型)用于感兴趣区域(Region Of Interest,简称为ROI)提取;其中,ECG信号的周围区域,如下图5所示。
在本发明实施例中,感兴趣区域是指ECG信号区域及ECG信号的周围区域,当然,在感兴趣区域中包含完整的ECG信号,还包含一些噪声信号,感兴趣区域中的噪声要远远少于完整二值化的ECG图像中的噪声。为了从ECG图像中提取感兴趣区域,可选地,随机选取10张ECG图像进行人工标注,人工标注包含以下内容:完整的ECG区域;人工标注需包含疑似的ECG区域;人工标注中不包含可以确定是噪声的区域,在实际标注过程中,上述人工标注包括的内容可以根据标注者的指示进行确定,也可以通过其他实现方式。使用这10张ECG图像作为输入,10张ECG图像的标注作为分割标签,训练UNet1用于感兴趣区域提取,需要说明的是,UNet1广泛用于医学图像分割,这里不限于使用UNet,可使用任何以分割为目的网络,其他网络还包括FCN,Faster R-CNN,Mask R-CNN,deeplab等。
步骤S306,使用***导出的ECG文档仿真处理生成二值ECG扫描图,用仿真处理生成的仿真ECG图片训练UNet2(即上述实施例的第一模型)进行ECG信号部分的提取。
在本发明实施例的一可选实施例中,通过目标ECG图像249张,所有图像均为RGB图像,其中,背景点为白色,RGB值为(255,255,255),ECG曲线像素为(0,0,0),主干网格点像素值为(255,128,128),非主干网格点像素值为(255,179,179),将RGB图像转为灰度图像,具体方法为计算每个像素点的均值,进而保留灰度图像中像素值小于255的点,即可将背景去除,将这些点的像素值设置为1,记为“导出ECG图像”,如图6所示,去除背景,保留“导出ECG图像,此图像用于生成对真实ECG图像的仿真图像;保留灰度图像中像素等于0的点,即保留ECG区域,将这些点的像素值设置为1,记为“导出ECG标注”,如图7所示,保留“导出ECG标注”用于训练模型,此标注用于后续UNet2(即为上述实施例的第一模型)的训练。
需要说明的是,在使用真实ECG图像进行仿真时,因为导出ECG图像中已存在网格噪声,因此仅需仿真处理其他噪声即可进行仿真,本发明可选实施例在导出ECG图像中添加白噪声,优选地,添加的白噪声比例的范围可以考虑范围是5%至20%,例如,如5%、8%、10%、12.5%、18%、20%、25%等,具体在此不作限定,需要说明的是,百分比是指添加的白噪声点的个数占导出ECG图像像素点总数的比例。添加的白噪声会出现两种情况:1)若添加的噪声点位于导出ECG图像的背景区域处(像素值为0处),仅添加噪声点,无其他操作;2)若添加的噪声点位于导出ECG图像的前景区域处(像素值为1处,表格或ECG区域),则移除掉前景像素点,这样做可以造成部分区域的缺失,使仿真处理出的二值化的ECG图像更真实,进而仿真过程的输出记为“仿真ECG图像”,仿真前后图像细节如图8所示。仿真ECG图像与导出ECG标注共同用于接下来的模型训练。
本发明实施例中,图3的步骤S304中训练UNet1进行感兴趣区域的提取具体包含以下步骤;
步骤A,可选地,可以采用10张ECG图像做了标注,随机使用6张ECG图像及标注作为训练集,剩余图像中随机使用2张ECG图像及标注作为验证集,剩余2张ECG图像及标注作为测试集,训练集,验证集以及测试集的数量可以是其他数值,本发明实施例对此不作限定。
步骤B,在每一个训练迭代开始前,首先从6张训练集图像中随机提取出64,这个数字表示一次训练迭代使用的样本量,可选值为32,64,128,256等张像素大小为256像素×256像素的局部图像;从每张验证集图像中提取出64张大小为256像素×256像素的局部图像;
可选地,上述实施例中输入模型的图像的大小,ECG图像的尺寸是不固定的,此外,由于图像尺寸较大,可以考虑不输入整张图像,可选地,可以输入128像素×128像素,224像素×224像素。
步骤C,在每一个训练迭代中,使用训练集的局部图像训练UNet,根据损失函数调整UNet参数;
需要说明的是,使用的损失函数为二值交叉熵和Dice损失函数的和;二值交叉熵与Dice损失函数的和是常用的用于训练分割模型的损失函数。二值交叉熵描述了模型预测结果与真实标注结果中像素的差异,而Dice损失函数描述的是模型预测结果与真实标注结果中分割区域的重合情况。损失函数为Focal损失函数与Dice损失函数的和,因为ECG区域在整副图像中占比较小,因此要增加ECG区域的权重。Focal损失函数可以处理不均衡的分类问题,在这个任务中,大量的像素为背景区域,少量的像素为前景区域。Dice损失函数仅考虑标签中的前景区域及分割结果中的前景区域,因此大部分背景区域被忽略。通过将Focal损失函数和Dice损失函数结合起来得到的损失函数值,这时获得的Focal损失函数比单独使用Focal损失函数时要低,同时Dice损失函数也比单独使用Dice损失函数时要低,二者结合可有效提升模型的分割效果。
进行训练集的局部图像训练UNet需要注意,当需要分割的目标对象的物体呈块状、且纹理、形态等特征明显,如器官、肿瘤、病变区域等,一般使用完整图像作为模型输入,但本发明实施例中需分割的ECG部分呈细长条状,没有纹理特征,形态特征较弱,且ECG区域占完整图像比例小,因此ECG区域在完整图像尺度上特征不明显,不适合将完整图像输入模型。因此将局部图像输入模型,因为局部图像的背景区域面积小,ECG区域特征更明显。并且使用局部图像有助于对真实ECG区域的仿真,在一张小图像上的仿真总比在完整图像上做仿真容易。
步骤D,在每一个训练迭代后,使用训练的UNet对验证集的局部图像的图像进行分割,使用此分割结果与验证集局部图像的标注计算损失函数。损失函数无上限,下限为0;损失函数是分割效果的表现,并不能影响分割效果;如果分割结果与标注结果完全相同,那么损失函数为0;分割效果越好,损失函数越接近于0;分割效果越差,损失函数越大。
步骤E,判断是否停止训练,若停止,则模型训练完毕;若不停止,则重复过程B到D;当达到设定的训练迭代次数,本发明实施例的设置次数范围可为100至200,当连续N次(5≤N≤20)损失函数未下降,本发明实施例中,设定N的取值为10,满足此上述两个停止条件,可停止训练。
本发明实施例中,图3中的步骤S306的训练UNet进行ECG区域的提取还可以通过以下方案实现;
步骤1,选取249张仿真ECG数据及其标注,随机60%仿真ECG图像及标注作为训练集,剩余图像中随机使用20%仿真ECG图像及标注作为验证集,剩余20%仿真ECG图像及标注作为测试集。
步骤2,在每一个训练迭代开始前,首先从6张训练集图像中随机提取出64(这个数字表示一次训练迭代使用的样本量,可选值为32,64,128,256等)张大小为256×256的局部图像(输入模型图像的大小,ECG图像的尺寸不固定,且图像尺寸较大,因此不输入整张图像,也可输入128×128,224×224);从每张验证集图像中提取出64张大小为256×256的局部图像;
步骤3,在每一个训练迭代中,使用训练集的局部图像训练UNet,在一个可选实施例中,为了调整UNet的参数,可以考虑根据损失函数来调整UNet参数,其中,上述损失函数无上限,下限为0;损失函数是分割效果的表现,并不影响分割效果;当分割结果与标注结果完全相同,那么损失函数为0;分割效果越好,损失函数越接近于0;分割效果越差,损失函数越大。训练一个神经网络,一般包含两种参数:一是网络本身的参数,或者叫权值,这部分参数存在于网络的隐层中,用于从输入中计算输出,获得新的特征;二是超参数,这部分参数控制的是神经网络学习的过程,如学习速率及迭代次数等。本发明可选实施例中指的是调整UNet本身的参数即第一种参数,使用的损失函数为二值交叉熵和Dice损失函数的和;
步骤4,在每一个训练迭代后,使用训练的UNet对验证集的局部图像的图像进行分割,使用此分割结果与验证集局部图像的标注计算损失函数,判断是否停止训练,若停止,则模型训练完毕;若不停止训练过程,则继续重复上述步骤1到步骤4,当达到设定的训练迭代次数,且连续N次(5≤N≤20)损失函数未下降的情况下,满足此上述两个停止条件,可停止训练,本发明实施人为例中设定的设定N的取值为10,上述训练迭代次数范围可为100至200。
进一步地,当上述技术方案中使用UNet模型用于感兴趣区域提取时,通过以下步骤进行:
步骤1,从测试集的2张图像中均匀的提取局部图像(其中,每两张局部图像存在128的重叠区域),若局部图像长宽为256个像素,重叠的像素为128个,那么左右或上下两幅局部图像的重叠区域为单个局部图像的0.5,对角的两幅局部图像的重叠区域为单个局部图像的0.25。重叠的范围为0至255。重叠为0时,即所有局部图像没有重叠;重叠为255时,即从图像中每个像素周围取出长宽为256的正方形。重叠越小,计算量越小,但分割效果会降低,因为像素被重复预测的次数较少;重叠与大,计算量越大,但分割效果越好。将所有局部图像输入UNet进行预测,获得分割结果(局部图像的分割结果是256×256的矩阵,矩阵中每个元素为0到1,表示此点是ECG感兴趣区域点的概率),再将所有分割结果组合成完整的分割结果。这其中有部分区域被多次预测,这些区域的分割结果以多次预测的平均值填充。以0.5为阈值,将完成的分割结果转化为二值图像(小于等于0.5的像素值为0,大于0.5的像素值为1)。将此分割结果与测试集图像的标注进行比较Dice系数,比较结果Dice系数为0.97。Dice系数值范围为[0,1],本发明实施例可接受0.9以上的Dice系数。
公式:衡量两个样本的重叠部分,该指标范围从0到1,其中“1”表示完整的重叠。,其中|A∩B|表示集合A、B之间的共同元素,|A|和|B|分别表示A和B中的元素个数,分子中的系数2,是因为分母中存在重复计算A和B之间共同元素的原因。
在本发明实施例中,上述公式中的A可以解释为真实标注图像,B为模型分割结果,|A|表示真实标注图像中物体像素点的个数,|B|表示模型分割结果中物体像素点的个数,|A∩B|表示真实标注图像与模型分割结果重合部分的像素点的个数。
步骤2,将剩余的未标注的1824张(由于上述实施例中以1834张ECG图像为总数量,以及选择出10张进行标注,剩下1824张ECG图像)图像按照步骤1中的方式进行分割,获得分割结果。ECG图像与其分割结果相乘,在分割结果中,ECG区域像素值为1,背景区域像素值为0,当使用UNet模型用于感兴趣区域提取时需要从原始的ECG图像中提取出ECG的部分,最简单的方法就是将ECG图像与分割结果这两个矩阵的对应位置相乘,这样就可以保留ECG部分,如下所示:
原始ECG图像与分割结果对应位置相乘,结果获得原始图像中的ECG区域即为ECG图像中的感兴趣区域,如图9所示,需要注意的是图9中的模型实际输入并非为完整图像,输出也并未为完整图像尺寸,仅是对相应过程进行处理方式示意。通过上述步骤后,ECG图像中大部分噪声被去除,有利于接下来的ECG信号分割。
进一步地,在附图3的步骤S306中的当使用UNet模型用于ECG区域提取时,通过以下步骤进行:
步骤1,从测试集的仿真ECG图像中均匀的提取局部图像(每两张局部图像存在128的重叠区域),将所有局部图像输入UNet进行预测,获得分割结果(局部图像的分割结果是256×256的矩阵,矩阵中每个元素为0到1,表示此点是ECG感兴趣区域点的概率),再将所有分割结果组合成完整的分割结果。这其中有部分区域被多次预测,这些区域的分割结果以多次预测的平均值填充。以0.5为阈值,将完成的分割结果转化为二值图像(小于等于0.5的像素值为0,大于0.5的像素值为1)。将此分割结果与测试集图像的标注进行比较,Dice系数。Dice系数值范围为[0,1],本发明实施例可接受0.9以上的Dice系数。需要说明的是,对于本发明实施例来说Dice系数越高越好。
步骤2,将未标注的1834张真实ECG图像的感兴趣区域图像按照步骤一中的方式进行分割,获得分割结果,如图10所示(注:模型实际输入并非为完整图像,输出也并非为完整图像尺寸)。这一步骤后,完成ECG区域分割,进而获取到目标ECG信号。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
在本实施例中还提供了一种ECG信号的获取装置,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”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。
图11是根据本发明实施例的ECG信号的获取装置的结构框图,如图11所示,该装置包括:
(1)处理模块52,对二值化的ECG图像进行形态学运算获得到所述二值化的ECG图像中的目标图像区域,其中,所述二值化的ECG图像的像素值包括:两个不同的值,所述目标图像区域中包括:目标ECG信号;
(2)确定模块54,将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,其中,所述第一模型为使用多组数据通过机器学习训练出的用于识别目标ECG信号的模型,所述多组数据中的每组数据均包括:通过目标ECG图像仿真处理的二值化的ECG图像和所述仿真处理的二值化的ECG图像中的ECG信号,所述目标子区域包括:所述目标ECG信号以及与所述目标ECG信号的距离在预设范围内的周围区域;
通过上述技术方案,对二值化的ECG图像进行形态学运算得到所述二值化的ECG图像中的目标图像区域;将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,所述目标子区域包括:所述目标ECG信号以及与所述目标ECG信号的距离在预设范围内的周围区域;采用上述技术方案解决相关技术中,现有技术的技术方案无法对二值化的ECG图像进行ECG部分的提取等问题,提供了一种能够先对二值化的ECG图像进行图像发色处理后,将得到的目标图像区域或者给予目标图像区域得到的目标子区域输入到第一模型中,以确定二值化的ECG图像中的目标ECG信号的技术方案。
本申请所述形态学运算包括形态学开运算和形态学闭运算,本申请一个优选的实施方式中,采用形态学闭运算,即先膨胀,再腐蚀,以获得目标图像区域。
进一步地,通过本申请的技术方案,可有效地从ECG图像,特别是二值ECG图像中提取ECG部分,且在提取过程中本申请的技术方案克服了采用基于深度学习训练深度学习模型中,ECG图像,特别是二值ECG图像噪声多、代表ECG信号部分的线条较细,占图像比例小、细节不清晰导致人工标注ECG部分难度大的问题,本申请的技术方案能够使用较少的人工标注,有效地完成ECG图像,特别是二值ECG图像中ECG部分的提取。
需要说明的是,在进行二值化的ECG图像进行图像颜色反相处理之前,为保护ECG图像中的敏感信息,还需要对进行提取的ECG图像进行其他处理,将图像中包含敏感信息的区域进行隐去,例如,敏感信息可以为用户的姓名性别等身份信息,可以通过将敏感信息用特定形状盖住的方式在ECG图像中替换,需要说明的是,目标ECG图像文档原格式为PDF,在进行相应的敏感信息移除后,文档格式由将PDF转为PNG,进行后续从二值化的ECG图像中提取出ECG部分。
可选的,处理模块还用于确定二值化的ECG图像中的前景区域和背景区域,其中,前景区域包括:目标ECG信号和二值化的ECG图像中的表格,前景区域的像素值为第一值,背景区域的像素值为第二值的;
将前景区域的像素值设置为第二值的,以及将背景区域的像素值设置为第一值,以得到目标图像区域。
在本发明实施例中,在原始二值化的ECG图像中,前景区域中的目标ECG信号和二值化的ECG图像中的表格均为黑色,前景区域中的黑色对应第一值像素,相应的值为设置0;背景区域中的白色对应第二值像素,相应的值设置为255,通过将背景区域的第二值像素值反相为第一值像素值,将前景区域中的第一值像素值反相为第二值像素值,在颜色反相后,前景区域的像素由0变为255,由于有效图像区域的前景像素点分布的很密集,进而通过形态学闭操作将大部分像素点分布密集的区域连接起来,本发明实施可以使用的是形态学算子为11×11的结构元素(即11×11的矩阵,矩阵元素均为1,相应的矩阵可选范围为9至21);而在形态学闭操作后,大部分有效图像区域内的前景区域内的点都被来接起来形成一个有较多孔洞的物体,使用孔洞填充将此物体填充为一个完整的物体;填充后,有效图像区域应为图像中的面积最大物体,因此,移除掉除面积最大物体以外的其他物体;从原始的二值化的ECG图像中,提取出面积最大物体的外接矩形图像,从而得到包含目标ECG信号的有效ECG图像(即为上述实施例的目标图像区域)。
可选的,确定模块还用于从目标图像区域中提取出目标子区域;将目标子区域输入到第一模型中,输出二值化的ECG图像中的目标ECG信号。
可选的,确定模块还用于从目标图像区域获取多个局部图像,其中,多个局部图像中的任意相邻两个局部图像均存在重叠区域;将多个局部图像输入到第二模型中,以输出与多个局部图像对应的多个分割结果,其中,第二模型为使用多组数据通过机器学习训练出的用于识别局部图像中包含目标ECG信号的区域的模型,多组数据中的每组数据均包括:原始二值化的ECG图像,以及标注后的二值化的ECG图像,其中,原始二值化的ECG图像包括:目标ECG信号,和目标ECG信号的相似度小于预设阈值的ECG区域,噪声信号区域,标注后的二值化的ECG图像包括:目标ECG信号,和目标ECG信号的相似度小于预设阈值的ECG区域;将多个分割结果组合成目标图像区域的整体分割结果;将整体分割结果的像素值与目标图像区域的像素值按照对应位置依次相乘,以确定目标子区域。
可选的,确定模块还用于从目标图像区域获取多个局部图像,其中,多个局部图像中的任意相邻两个局部图像均存在重叠区域;将多个局部图像输入到第一模型中,以输出与多个局部图像对应的多个分割结果;将多个分割结果组合成目标图像区域的整体分割结果;将整体分割结果的像素值与目标图像区域的像素值按照对应位置依次相乘,以确定目标ECG信号,在本发明实施例中,也可以直接将整体分割结果确定为上述目标ECG信号。
需要说明的是,上述第二模型的输入也可以是整个目标图像区域,本发明实施例对此不作限定。
可选的,确定模块还用于从目标子区域获取多个局部图像,其中,多个局部图像中的任意相邻两个局部图像均存在重叠区域;将多个局部图像输入到第一模型中,以输出与多个局部图像对应的多个分割结果;将多个分割结果组合成目标子区域的整体分割结果;将整体分割结果的像素值与目标子区域的像素值按照对应位置依次相乘,以确定目标ECG信号,在本发明实施例中,也可以直接将整体分割结果确定为上述目标ECG信号。
可选地,处理模块,还用于通过以下方式获取通过目标ECG图像仿真处理的二值化的ECG图像:获取所述目标ECG图像,其中,所述目标ECG图像为RGB图像;将所述目标ECG图像中添加白噪声,以仿真处理所述二值化的ECG图像。
可选地,处理模块,还用于将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号之前,所述方法还包括:通过以下方式获取所述仿真处理的二值化的ECG图像中的ECG信号:获取所述目标ECG图像,其中,所述ECG图像为RGB图像;将所述RGB图像转换为灰度图像,并确定所述灰度图像中的每个像素点的均值;保留像素点的均值小于第一值的目标像素点,并将所述目标像素点的像素值设置为1,以获取所述仿真处理的二值化的ECG图像中的ECG信号。
所述确定模块,还用于根据目标损失函数对所述第一模型或所述第二模型的参数进行调整,其中,所述目标损失函数通过二值交叉熵和Dice损失函数确定。
需要说明的是,以上技术方案可以结合使用,上述各个模块可以位于同一处理器中,也可以位于不同处理器中,本发明实施例对此不作限定。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,对二值化的ECG图像进行形态学运算得到所述二值化的ECG图像中的目标图像区域,其中,所述二值化的ECG图像的像素值包括:两个不同的值,所述目标图像区域中包括:目标ECG信号;
S2,将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,其中,所述第一模型为使用多组数据通过机器学习训练出的用于识别目标ECG信号的模型,所述多组数据中的每组数据均包括:通过目标ECG图像仿真处理的二值化的ECG图像和所述仿真处理的二值化的ECG图像中的ECG信号,所述目标子区域包括:所述目标ECG信号以及与所述目标ECG信号的距离在预设范围内的周围区域。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,对二值化的ECG图像进行图像反色处理,以得到所述二值化的ECG图像中的目标图像区域,其中,所述二值化的ECG图像的像素值包括:两个不同的值,所述目标图像区域中包括:目标ECG信号;
S2,将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,其中,所述第一模型为使用多组数据通过机器学习训练出的用于识别目标ECG信号的模型,所述多组数据中的每组数据均包括:通过心电图测量***导出的ECG图像所模拟的二值化的ECG图像和所述模拟的二值化的ECG图像中的ECG信号,所述目标子区域包括:所述目标ECG信号以及与所述目标ECG信号的距离在预设范围内的周围区域。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (23)
1.一种ECG信号的获取方法,其特征在于,包括:
对二值化的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域,其中,所述二值化的ECG图像的像素值包括:两个不同的值,所述目标图像区域中包括:目标ECG信号;
将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,其中,所述第一模型为使用多组数据通过机器学习训练出的用于识别目标ECG信号的模型,所述多组数据中的每组数据均包括:通过目标ECG图像仿真处理后的二值化的ECG图像和所述仿真处理的二值化的ECG图像中的ECG信号,所述目标子区域包括:所述目标ECG信号以及与所述目标ECG信号的距离在预设范围内的周围区域。
2.根据权利要求1所述的方法,其特征在于,对二值化的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域,包括:
对二值化的ECG图像进行颜色反相处理;
对颜色反相处理后的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域。
3.根据权利要求2所述的方法,其特征在于,对二值化的ECG图像进行颜色反相处理,包括:
确定所述二值化的ECG图像中的前景区域和背景区域,其中,所述前景区域包括:所述目标ECG信号和所述二值化的ECG图像中的表格,所述前景区域的像素值为第一值,所述背景区域的像素值为第二值;
将所述前景区域的像素值设置为第二值,以及将所述背景区域的像素值设置为第一值。
4.根据权利要求1所述的方法,其特征在于,将所述目标子区域输入到第一模型中,输出所述二值化的ECG图像中的目标ECG信号,包括:
从目标图像区域中提取出所述目标子区域;
将所述目标子区域输入到第一模型中,输出所述二值化的ECG图像中的目标ECG信号。
5.根据权利要求4所述的方法,其特征在于,从目标图像区域中提取出所述目标子区域,包括:
从所述目标图像区域获取多个局部图像,其中,所述多个局部图像中的任意相邻两个局部图像均存在重叠区域;
将所述多个局部图像输入到第二模型中,以输出与所述多个局部图像对应的多个分割结果,其中,所述第二模型为使用多组数据通过机器学习训练出的用于识别局部图像中包含目标ECG信号的区域的模型,所述多组数据中的每组数据均包括:原始二值化的ECG图像,以及标注后的二值化的ECG图像,其中,所述原始二值化的ECG图像包括:目标ECG信号,和所述目标ECG信号的相似度小于预设阈值的ECG区域,噪声信号区域,所述标注后的二值化的ECG图像包括:所述目标ECG信号,和所述目标ECG信号的相似度小于预设阈值的ECG区域;
将所述多个分割结果组合成所述目标图像区域的整体分割结果;
根据所述整体分割结果确定所述目标子区域。
6.根据权利要求5所述的方法,其特征在于,根据所述整体分割结果确定所述目标子区域,包括:
将所述整体分割结果的像素值与所述目标图像区域的像素值按照对应位置依次相乘,以确定所述目标子区域。
7.根据权利要求1所述的方法,其特征在于,将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号之前,所述方法还包括:
通过以下方式获取ECG图像仿真处理的二值化的ECG图像:
获取所述目标ECG图像,其中,所述目标ECG图像为RGB图像;
将所述目标ECG图像中添加白噪声,以获得仿真处理后的二值化的ECG图像。
8.根据权利要求1所述的方法,其特征在于,将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号之前,所述方法还包括:
通过以下方式获取所述仿真处理的二值化的ECG图像中的ECG信号:
获取目标ECG图像,其中,所述目标ECG图像为RGB图像;
将所述RGB图像转换为灰度图像,并确定所述灰度图像中的每个像素点的均值;
保留像素点的均值小于第一值的目标像素点,并将所述目标像素点的像素值设置为1,以获取所述仿真处理的二值化的ECG图像中的ECG信号。
9.根据权利要求1所述的方法,其特征在于,将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,包括:
从所述目标图像区域获取多个局部图像,其中,所述多个局部图像中的任意相邻两个局部图像均存在重叠区域;
将所述多个局部图像输入到第一模型中,以输出与所述多个局部图像对应的多个分割结果;
将所述多个分割结果组合成所述目标图像区域的整体分割结果,以确定所述目标ECG信号;或
从所述目标子区域获取多个局部图像,其中,所述多个局部图像中的任意相邻两个局部图像均存在重叠区域;
将所述多个局部图像输入到第一模型中,以输出与所述多个局部图像对应的多个分割结果;
将所述多个分割结果组合成所述目标子区域的整体分割结果,以确定所述目标ECG信号。
10.根据权利要求5所述的方法,其特征在于,通过以下方式训练所述第一模型或所述第二模型:
根据目标损失函数对所述第一模型或所述第二模型的参数进行调整,其中,所述目标损失函数通过二值交叉熵和Dice损失函数确定;其中,
所述目标损失函数=a×二值交叉熵+b×Dice损失函数,其中,a>0;b>0。
11.根据权利要求1所述的方法,其特征在于,对二值化的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域,包括:
通过指定的形态学算子对所述二值化的ECG图像进行处理;
将处理后的二值化的ECG图像中像素点分布密集的区域连接起来,以获得多个具有封闭区域的图像;
将所述多个具有封闭区域的图像的无像素的部分填充像素;
将填充像素后面积最大的区域作为所述目标图像区域。
12.一种ECG信号的获取装置,其特征在于,包括:
处理模块,用于对二值化的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域,其中,所述二值化的ECG图像的像素值包括:两个不同的值,所述目标图像区域中包括:目标ECG信号;
确定模块,用于将所述目标图像区域或目标子区域输入到第一模型中,以输出所述二值化的ECG图像中的目标ECG信号,其中,所述第一模型为使用多组数据通过机器学习训练出的用于识别目标ECG信号的模型,所述多组数据中的每组数据均包括:通过目标ECG图像仿真处理后的二值化的ECG图像和所述仿真处理的二值化的ECG图像中的ECG信号,所述目标子区域包括:所述目标ECG信号以及与所述目标ECG信号的距离在预设范围内的周围区域。
13.根据权利要求12所述的装置,其特征在于,所述处理模块,还用于对二值化的ECG图像进行颜色反相处理;对颜色反相处理后的ECG图像进行形态学运算获得所述二值化的ECG图像中的目标图像区域。
14.根据权利要求12所述的装置,其特征在于,所述处理模块,还用于确定所述二值化的ECG图像中的前景区域和背景区域,其中,所述前景区域包括:所述目标ECG信号和所述二值化的ECG图像中的表格,所述前景区域的像素值为第一值,所述背景区域的像素值为第二值;将所述前景区域的像素值设置为第二值,以及将所述背景区域的像素值设置为第一值。
15.根据权利要求12所述的装置,其特征在于,所述确定模块,还用于从目标图像区域中提取出所述目标子区域;将所述目标子区域输入到第一模型中,输出所述二值化的ECG图像中的目标ECG信号。
16.根据权利要求15所述的装置,其特征在于,所述确定模块,还用于从所述目标图像区域获取多个局部图像,其中,所述多个局部图像中的任意相邻两个局部图像均存在重叠区域;
将所述多个局部图像输入到第二模型中,以输出与所述多个局部图像对应的多个分割结果,其中,所述第二模型为使用多组数据通过机器学习训练出的用于识别分割局部图像中包含目标ECG信号的区域的模型,所述多组数据中的每组数据均包括:原始二值化的ECG图像,以及标注后的二值化的ECG图像,其中,所述原始二值化的ECG图像包括:目标ECG信号,和所述目标ECG信号的相似度小于预设阈值的ECG区域,噪声信号区域,所述标注后的二值化的ECG图像包括:所述目标ECG信号,和所述目标ECG信号的相似度小于预设阈值的ECG区域;将所述多个分割结果组合成所述目标图像区域的整体分割结果;根据所述整体分割结果确定所述目标子区域。
17.根据权利要求16所述的装置,其特征在于,所述确定模块,还用于将所述整体分割结果的像素值与所述目标图像区域的像素值按照对应位置依次相乘,以确定所述目标子区域。
18.根据权利要求12所述的装置,其特征在于,所述确定模块,还用于通过以下方式获取ECG图像仿真处理的二值化的ECG图像:
获取所述目标ECG图像,其中,所述目标ECG图像为RGB图像;将所述目标ECG图像中添加白噪声,以获得仿真处理后的二值化的ECG图像。
19.根据权利要求12所述的装置,其特征在于,所述确定模块,还用于通过以下方式获取所述仿真处理的二值化的ECG图像中的ECG信号:获取目标ECG图像,其中,所述目标ECG图像为RGB图像;将所述RGB图像转换为灰度图像,并确定所述灰度图像中的每个像素点的均值;保留像素点的均值小于第一值的目标像素点,并将所述目标像素点的像素值设置为1,以获取所述仿真处理的二值化的ECG图像中的ECG信号。
20.根据权利要求13所述的装置,其特征在于,
所述确定模块,还用于从所述目标图像区域获取多个局部图像,其中,所述多个局部图像中的任意相邻两个局部图像均存在重叠区域;将所述多个局部图像输入到第一模型中,以输出与所述多个局部图像对应的多个分割结果;将所述多个分割结果组合成所述目标图像区域的整体分割结果,以确定所述目标ECG信号;或,
所述确定模块,还用于从所述目标子区域获取多个局部图像,其中,所述多个局部图像中的任意相邻两个局部图像均存在重叠区域;将所述多个局部图像输入到第一模型中,以输出与所述多个局部图像对应的多个分割结果;将所述多个分割结果组合成所述目标子区域的整体分割结果,以确定所述目标ECG信号。
21.根据权利要求16所述的装置,其特征在于,所述确定模块,还用于根据目标损失函数对所述第一模型或所述第二模型的参数进行调整,其中,所述目标损失函数通过二值交叉熵和Dice损失函数确定,其中,
所述目标损失函数=a×二值交叉熵+b×Dice损失函数,其中,a>0;b>0。
22.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至11任一项中所述的方法。
23.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至11任一项中所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010066235.6A CN111882559B (zh) | 2020-01-20 | 2020-01-20 | Ecg信号的获取方法及装置、存储介质、电子装置 |
PCT/CN2021/072748 WO2021147866A1 (zh) | 2020-01-20 | 2021-01-19 | Ecg信号的获取方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010066235.6A CN111882559B (zh) | 2020-01-20 | 2020-01-20 | Ecg信号的获取方法及装置、存储介质、电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111882559A true CN111882559A (zh) | 2020-11-03 |
CN111882559B CN111882559B (zh) | 2023-10-17 |
Family
ID=73153907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010066235.6A Active CN111882559B (zh) | 2020-01-20 | 2020-01-20 | Ecg信号的获取方法及装置、存储介质、电子装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111882559B (zh) |
WO (1) | WO2021147866A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508976A (zh) * | 2020-12-22 | 2021-03-16 | 大连民族大学 | 基于u型卷积神经网络的满文历史文档图像二值化方法 |
WO2021147866A1 (zh) * | 2020-01-20 | 2021-07-29 | 深圳数字生命研究院 | Ecg信号的获取方法及装置、存储介质、电子装置 |
CN114366116A (zh) * | 2022-01-28 | 2022-04-19 | 南方医科大学 | 一种基于Mask R-CNN网络及心电图的参数获取方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103648375A (zh) * | 2011-04-12 | 2014-03-19 | 麦德托尼克消融前沿有限公司 | 电生理学信号处理和利用 |
CN103917166A (zh) * | 2011-08-17 | 2014-07-09 | Vp诊断公司 | 一种表征颈动脉斑块的方法和*** |
CN104282036A (zh) * | 2013-07-09 | 2015-01-14 | 韦伯斯特生物官能(以色列)有限公司 | 由稀疏样本对心脏进行的基于模型的重构 |
US9289150B1 (en) * | 2012-08-17 | 2016-03-22 | Analytics For Life | Non-invasive method and system for characterizing cardiovascular systems |
CN106485046A (zh) * | 2015-08-24 | 2017-03-08 | 西门子医疗有限公司 | 用于确定触发信号的方法和*** |
CN108968951A (zh) * | 2018-08-15 | 2018-12-11 | 武汉中旗生物医疗电子有限公司 | 心电图检测方法、装置及*** |
CN109741346A (zh) * | 2018-12-30 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
CN109907753A (zh) * | 2019-04-23 | 2019-06-21 | 杭州电子科技大学 | 一种多维度ecg信号智能诊断*** |
CN109937002A (zh) * | 2016-11-14 | 2019-06-25 | 纽洛斯公司 | 用于基于相机的心率跟踪的***和方法 |
CN109978890A (zh) * | 2019-02-25 | 2019-07-05 | 平安科技(深圳)有限公司 | 基于图像处理的目标提取方法、装置及终端设备 |
WO2019208933A1 (ko) * | 2018-04-24 | 2019-10-31 | 조선대학교산학협력단 | 사용자 인증을 위한 장치 및 방법 |
CN110400626A (zh) * | 2019-07-08 | 2019-11-01 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN110432894A (zh) * | 2019-08-09 | 2019-11-12 | 上海鹰瞳医疗科技有限公司 | 心电图关键点标注方法及电子设备 |
CN110490073A (zh) * | 2019-07-15 | 2019-11-22 | 浙江省北大信息技术高等研究院 | 目标检测方法、装置、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004096052A1 (en) * | 2003-04-24 | 2004-11-11 | A.M.P.S. L.L.C | Method and system for converting paper ecg printouts to digital ecg files |
CN101051351A (zh) * | 2007-05-23 | 2007-10-10 | 重庆医科大学 | 一种图像带参二值化方法及采用该方法的装置 |
CN107174232B (zh) * | 2017-04-26 | 2020-03-03 | 天津大学 | 一种心电图波形提取方法 |
CN109620211A (zh) * | 2018-11-01 | 2019-04-16 | 吉林大学珠海学院 | 一种基于深度学习的智能化异常心电辅助诊断方法 |
CN111882559B (zh) * | 2020-01-20 | 2023-10-17 | 深圳数字生命研究院 | Ecg信号的获取方法及装置、存储介质、电子装置 |
-
2020
- 2020-01-20 CN CN202010066235.6A patent/CN111882559B/zh active Active
-
2021
- 2021-01-19 WO PCT/CN2021/072748 patent/WO2021147866A1/zh active Application Filing
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103648375A (zh) * | 2011-04-12 | 2014-03-19 | 麦德托尼克消融前沿有限公司 | 电生理学信号处理和利用 |
CN103917166A (zh) * | 2011-08-17 | 2014-07-09 | Vp诊断公司 | 一种表征颈动脉斑块的方法和*** |
US9289150B1 (en) * | 2012-08-17 | 2016-03-22 | Analytics For Life | Non-invasive method and system for characterizing cardiovascular systems |
CN104282036A (zh) * | 2013-07-09 | 2015-01-14 | 韦伯斯特生物官能(以色列)有限公司 | 由稀疏样本对心脏进行的基于模型的重构 |
CN106485046A (zh) * | 2015-08-24 | 2017-03-08 | 西门子医疗有限公司 | 用于确定触发信号的方法和*** |
CN109937002A (zh) * | 2016-11-14 | 2019-06-25 | 纽洛斯公司 | 用于基于相机的心率跟踪的***和方法 |
WO2019208933A1 (ko) * | 2018-04-24 | 2019-10-31 | 조선대학교산학협력단 | 사용자 인증을 위한 장치 및 방법 |
CN108968951A (zh) * | 2018-08-15 | 2018-12-11 | 武汉中旗生物医疗电子有限公司 | 心电图检测方法、装置及*** |
CN109741346A (zh) * | 2018-12-30 | 2019-05-10 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
CN109978890A (zh) * | 2019-02-25 | 2019-07-05 | 平安科技(深圳)有限公司 | 基于图像处理的目标提取方法、装置及终端设备 |
CN109907753A (zh) * | 2019-04-23 | 2019-06-21 | 杭州电子科技大学 | 一种多维度ecg信号智能诊断*** |
CN110400626A (zh) * | 2019-07-08 | 2019-11-01 | 上海联影智能医疗科技有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN110490073A (zh) * | 2019-07-15 | 2019-11-22 | 浙江省北大信息技术高等研究院 | 目标检测方法、装置、设备及存储介质 |
CN110432894A (zh) * | 2019-08-09 | 2019-11-12 | 上海鹰瞳医疗科技有限公司 | 心电图关键点标注方法及电子设备 |
Non-Patent Citations (2)
Title |
---|
AYKUT DIKER等: "A Novel Application based on Spectrogram and Convolutional Neural Network for ECG Classification", 《2019 1ST INTERNATIONAL INFORMATICS AND SOFTWARE ENGINEERING CONFERENCE (UBMYK)》 * |
田娟秀等: "医学图像分析深度学习方法研究与挑战", 《自动化学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021147866A1 (zh) * | 2020-01-20 | 2021-07-29 | 深圳数字生命研究院 | Ecg信号的获取方法及装置、存储介质、电子装置 |
CN112508976A (zh) * | 2020-12-22 | 2021-03-16 | 大连民族大学 | 基于u型卷积神经网络的满文历史文档图像二值化方法 |
CN114366116A (zh) * | 2022-01-28 | 2022-04-19 | 南方医科大学 | 一种基于Mask R-CNN网络及心电图的参数获取方法 |
CN114366116B (zh) * | 2022-01-28 | 2023-08-25 | 南方医科大学 | 一种基于Mask R-CNN网络及心电图的参数获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111882559B (zh) | 2023-10-17 |
WO2021147866A1 (zh) | 2021-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3961484A1 (en) | Medical image segmentation method and device, electronic device and storage medium | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN111882559B (zh) | Ecg信号的获取方法及装置、存储介质、电子装置 | |
CN110009656B (zh) | 目标对象的确定方法、装置、存储介质及电子装置 | |
CN111160114B (zh) | 手势识别方法、装置、设备及计算机可读存储介质 | |
CN110197474B (zh) | 图像处理方法和装置及神经网络模型的训练方法 | |
CN113313680B (zh) | 一种结直肠癌病理图像预后辅助预测方法及*** | |
US11636695B2 (en) | Method for synthesizing image based on conditional generative adversarial network and related device | |
CN110880177A (zh) | 一种图像识别方法及装置 | |
CN112419295A (zh) | 医学图像处理方法、装置、计算机设备和存储介质 | |
CN114399480A (zh) | 蔬菜叶片病害严重程度检测方法及装置 | |
CN111986785A (zh) | 医学影像标注方法和装置、设备及存储介质 | |
CN103841410A (zh) | 基于图像特征信息的半参考视频QoE客观评估方法 | |
CN112801940B (zh) | 模型评测方法、装置、设备及介质 | |
CN115661810A (zh) | 安检ct目标物识别方法和装置 | |
CN117274278A (zh) | 基于模拟感受野的视网膜图像病灶部位分割方法及*** | |
CN108109125A (zh) | 基于遥感图像的信息提取方法和装置 | |
CN111325282A (zh) | 适应多机型的乳腺x射线影像识别方法和装置 | |
CN115984179A (zh) | 鼻骨骨折的识别方法、装置、终端及存储介质 | |
CN111626313A (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
CN113963427A (zh) | 一种快速活体检测的方法与*** | |
CN115131361A (zh) | 目标分割模型的训练、病灶分割方法及装置 | |
CN111612755B (zh) | 肺部病灶分析方法、装置、电子设备和存储介质 | |
CN113705587A (zh) | 图像质量评分方法、装置、存储介质以及电子设备 | |
CN112132000A (zh) | 一种活体检测方法、装置、计算机可读介质及电子设备 |
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 |