CN112971800A - 基于深度学习的心电早搏信号处理方法、模块和装置 - Google Patents
基于深度学习的心电早搏信号处理方法、模块和装置 Download PDFInfo
- Publication number
- CN112971800A CN112971800A CN202110110142.3A CN202110110142A CN112971800A CN 112971800 A CN112971800 A CN 112971800A CN 202110110142 A CN202110110142 A CN 202110110142A CN 112971800 A CN112971800 A CN 112971800A
- Authority
- CN
- China
- Prior art keywords
- sample
- signal
- premature beat
- dimensional
- beat signal
- 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
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于深度学习的心电早搏信号处理方法、模块和装置,其将样本心电信号以R波为基准点,截取心拍信号,得到多个样本心拍信号,针对各个样本心拍信号提取多个低维特征参数和一个高维特征图,根据各个样本心拍信号对应的高维特征图和各个低维特征参数确定各个样本心拍信号的加权融合数据,采用各个样本心拍信号的加权融合数据和心拍标签训练初始分类器,得到早搏信号分类器,获取待测心电信号中各个待测心拍信号分别对应的加权融合数据,得到待测融合数据,将待测融合数据输入早搏信号分类器,以判别各个待测心拍信号是否为早搏信号,实现对待测心拍信号的准确检测,即实现对待测心电信号的准确检测,有效提高了待测心电信号的检测效率。
Description
技术领域
本发明涉及心电信号处理技术领域,尤其涉及一种基于深度学习的心电早搏信号处理方法、模块和装置。
背景技术
心血管疾病是世界范围的头号健康杀手,也是全球最常见的死亡原因。心血管疾病具有极高的发病率和死亡率,每年有1730万人死于心血管疾病,占全球所有死亡的37%。心律失常是一组包括异常心电活动在内的异质性疾病的总称。早搏是一种最常见的心律失常,可作为多种心脏疾病的预测指标,如中风或心源性猝死,术后房颤和阵发性房颤等。在某些地区,频发房性早搏(简称房早)和频发室性早搏(简称室早)在动态心电图中的检出率分别达到了46.38%和32.61%,且随着年龄的增加发病率急剧上升,给医疗卫生费用和资源带来巨大挑战。因此,心血管疾病的监测和预防成为当今世界上许多卫生保健***的重要任务之一。
动态环境下采集的长程心电信号(ECG)携带更多的心脏疾病诊断信息,据此可以更加及时、准确地判断检查对象的生理、病理状态,进而实现早搏的早发现、早诊断、早治疗,可以显著降低心血管疾病的病死/病残率,极大降低社会经济损失。心电监护***作为新一代的实时动态心电采集分析***,结合移动医疗和大数据分析,将从根本上变革现有心血管疾病的预防和诊疗模式。因此,研究一种针对心电信号的早搏检测方案对提高心血管疾病检测水平和保障人类健康具有极其重要的意义。
传统心拍分类主要是依靠医生或专家结合临床经验对心电图波形进行分析来判断是否存在心律异常。这种诊断方式潜在的缺点是医生或专家的经验对诊断结果影响极大,特别是心电图波形的复杂多变特性为医生诊断增加了难度。而且对于大量的待诊断心电数据,仅仅依靠人工诊断,效率较低,存在误诊漏诊情况,同时无法实时获得检测结果。
发明内容
针对以上问题,本发明提出一种基于深度学习的心电早搏信号处理方法、模块和装置,用于实现长时程、实时、精准的早搏心拍的检测,有效的预防突发心血管疾病带来的危险。本发明通过基于规则和深度学习协同作用的特征加权方式增强早搏有效特征的权重,减小非早搏特征的权重,提高早搏检测的准确率。
为实现本发明的目的,本发明第一方面提供一种基于深度学习的心电早搏信号处理方法,包括:
S20,将样本心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号,得到多个样本心拍信号;
S30,分别针对各个样本心拍信号提取多个低维特征参数和一个高维特征图;
S40,根据各个样本心拍信号对应的高维特征图和各个低维特征参数确定各个样本心拍信号的加权融合数据;
S50,采用各个样本心拍信号的加权融合数据和心拍标签训练初始分类器,得到早搏信号分类器;
S60,获取待测心电信号中各个待测心拍信号分别对应的加权融合数据,得到待测融合数据,将待测融合数据输入所述早搏信号分类器,以判别各个待测心拍信号是否为早搏信号。
在一个实施例中,所述低维特征参数包括RR间期的差值、相关系数值、面积差和能量值;
所述RR间期的差值的计算公式包括:
dRR=RR[i]-RR[i-1],
所述相关系数值的计算公式包括:
所述面积差的计算公式包括:
所述能量值的计算公式包括:
其中,dRR表示RR间期的差值,RR[i]表示第i个样本心拍信号的R波位置与后一个样本心拍信号的R波位置之间的差值,RR[i-1]表示第i-1个样本心拍信号的R波位置与后一个样本心拍信号的R波位置之间的差值,Covr表示相关系数值,x(n)表示样本心拍信号的第n个采样点,y(n)表示参考心拍信号的第n个采样点,表示样本心拍信号中各个采样点的均值,表示参考心拍信号中各个采样点的均值,N表示样本心拍信号或者参考心拍信号中采样点的总数,ArDiff表示面积差,J表示能量值。
在一个实施例中,步骤S30中,所述针对各个样本心拍信号提取一个高维特征图包括:
分别对各个样本心拍信号进行卷积操作以提取高维特征图,采用X∈RN×W×H表示单个样本心拍信号的三维特征,所述三维特征中W表示每一层特征平面的第一边长参数,H表示每一层特征平面的第二边长参数,N是相应样本心拍信号中通道的数量。
在一个实施例中,步骤S40中,所述根据各个样本心拍信号对应的高维特征图和各个低维特征参数确定各个样本心拍信号的加权融合数据包括:
分别针对各个样本心拍信号建立高维特征图中各个通道分别与各个低维特征参数的对应关系,根据所述对应关系确定各个样本心拍信号中各个低维特征参数的权重;
对所述高维特征图中每个高维特征平面相加求和,把相加后的数值大小作为特征平面的权重,设s'ij表示所有特征平面上位置为(i,j)处的元素的和,根据s'ij确定高维特征平面上(i,j)处权重aij;
采用各个低维特征参数的权重、高维特征平面上(i,j)处权重aij对相应样本心拍信号进行加权融合,得到各个通道的通道融合数据,将各个通道的通道融合数据进行平面叠加成相应样本心拍信号的加权融合数据。
在一个实施例中,所述低维特征参数的权重为:
高维特征平面上(i,j)处权重aij为:
第k个通道的通道融合数据包括:
x'kij=aij·xkij·bk
其中,bk表示第k个低维特征参数的权重,∑表示求和符号,max()表示求最大值,yml表示第m个心拍的第l个低维特征,m的取值是[1,M],l的取值是[1,L],w的取值是[1,W],h的取值是[1,H],可以看成是矩阵的范数,α表示第一权重指数,β表示第二权重指数,s'ij表示高维特征平面上位置为(i,j)处的元素的和,s'wh表示高维特征平面上位置为(w,h)处的元素的和,xkij表示通道k的特征平面位置为(i,j)的元素。
在一个实施例中,步骤S60中,所述获取待测心电信号中各个待测心拍信号分别对应的加权融合数据包括:
将待测心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号,得到多个待测心拍信号;
分别针对各个待测心拍信号提取多个低维特征参数和一个高维特征图;
根据各个待测心拍信号对应的高维特征图和各个低维特征参数确定各个待测心拍信号的加权融合数据。
在一个实施例中,所述将样本心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号,得到多个样本心拍信号之前,还包括:
S10,对初始心电信号进行去噪处理得到样本心电信号,对所述样本心电信号进行QRS检测,以确定所述样本心电信号的R波。
具体地,所述对初始心电信号进行去噪处理得到样本心电信号包括:
采用FIR低通滤波器提取初始心电信号的基线漂移,剔除初始心电信号的基线漂移;再采用FFT带通滤波器对去除基线漂移的信号进行滤波处理,得到样本心电信号。
本发明第二方面提供一种基于深度学习的心电早搏信号处理模块,包括:
截取单元,用于将样本心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号,得到多个样本心拍信号;
提取单元,用于分别针对各个样本心拍信号提取多个低维特征参数和一个高维特征图;
确定单元,用于根据各个样本心拍信号对应的高维特征图和各个低维特征参数确定各个样本心拍信号的加权融合数据;
训练单元,用于采用各个样本心拍信号的加权融合数据和心拍标签训练初始分类器,得到早搏信号分类器;
获取单元,用于获取待测心电信号中各个待测心拍信号分别对应的加权融合数据,得到待测融合数据,将待测融合数据输入所述早搏信号分类器,以判别各个待测心拍信号是否为早搏信号。
本发明第三方面提供一种基于深度学习的心电早搏信号处理装置,包括早搏检测模块,所述早搏检测模块执行上述任一实施例所述的基于深度学习的心电早搏信号处理方法。
在一个实施例中,基于深度学习的心电早搏信号处理装置,还包括心电信号采集模块;所述心电信号采集模块用于采集用户的心电信号,将所采集的心电信号发送至所述早搏检测模块。
与现有技术相比,本发明提供的基于深度学习的心电早搏信号处理装置的有益效果包括:
(1)本发明早搏检测过程基于规则机制的低维特征提取和基于深度学习的高维特征图提取,由于基于规则机制的方法计算简单且所提取的特征可解释性强,但检测准确率受穿戴环境下的噪声影响;基于深度学习的方法鲁棒性高,但可解释性差,将两种方法相融合,提取出的特征同时兼具有可解释的、精准的、鲁棒的特点;
(2)本发明的早搏检测过程采用低维特征的通道加权和高维特征图的平面加权,分别使用基于规则的通道加权方法和基于深度学***面加权方法,增大早搏的有效特征的权重,突出兴趣区域(早搏)的特征表示,削弱无关区域的特征表示,提高心电信号早搏检测的准确率;
(3)本发明的早搏检测过程采用无监督聚类的方法自适应地提取正常心电的模板心拍。聚类算法将正常形态的心拍与PVC形态的心拍预分为不同的簇类,选择簇内心拍数量最多的簇类作为正常心电的簇类,提取簇中距离质心最近的10个心拍用于构建模板心拍,提取出的模板心拍具有病人特异性;
(4)本发明的早搏检测过程通过以规则加权的方式将专家***中阈值规则的信息分别与深度模型的提取的高维特征图融合,并行输入分类器模型(早搏信号分类器),所提出的并行融合策略增强专家***提出的低维特征的权重,增强融合特征的可解释性,提高了早搏识别的准确率。
附图说明
图1是实施例一的基于深度学习的心电早搏信号处理方法流程图。
图2是实施例一中正常心拍信号的提取过程示意图。
图3是实施例一中正常心拍信号图和室早心拍信号图。
图4是实施例三的基于深度学习的心电早搏信号处理模块框图。
图5是实施例四的基于深度学习的心电早搏信号处理装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。
实施例一:
参考图1所示,图1为本实施例一提供的基于深度学习的心电早搏信号处理方法,包括:
S20,将样本心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号,得到多个样本心拍信号。
该步骤之前可以对采集的初始心电信号进行去噪处理得到样本心电信号,将经过预处理后的样本心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号。上述设定长度可以按照心拍信号的长度特征设置,比如可以设置为一个心拍信号的长度等值。
在一种实施方式中,将样本心电信号以R波为基准点,向前截取0.1s的长度,向后截取0.3s长度,以保证截取到完整的QRS波,保留完整的T波同时避免截取到下一个心拍。
S30,分别针对各个样本心拍信号提取多个低维特征参数和一个高维特征图。
该步骤可以对截取的样本心拍信号以基于规则的方法提取低维特征参数,基于深度学习的方法提取高维特征图。上述低维特征参数可以包括RR间期的差值、相关系数值、面积差和能量值等参数;其中RR间期的差值表示相邻两个心拍之间的位置差。上述高维特征图可以包括二维特征图和三维特征图等多维特征图。
S40,根据各个样本心拍信号对应的高维特征图和各个低维特征参数确定各个样本心拍信号的加权融合数据。
该步骤对于各个样本心拍信号,可以对各个低维特征参数进行通道加权处理,对高维特征图进行平面加权处理,采用乘法融合决策规则将加权处理后的高维特征图分别与加权低维特征融合生成多通道的高维加权融合特征,以得到相应样本心拍信号的加权融合数据。在一个示例中,可以采用将专家知识提取的低维特征和深度学习提取的高维特征图进行加权融合的方法来增强早搏心拍的特征,抑制非早搏心拍的特征,以筛选出满足早搏的有效特征。
S50,采用各个样本心拍信号的加权融合数据和心拍标签训练初始分类器,得到早搏信号分类器。
上述初始分类器可以包括支持向量机等分类器。上述早搏信号分类器为早搏/非早搏信号的分类模型,将待测心拍信号的待测融合数据输入早搏信号分类器,便可以输出其为早搏心拍或者非早搏心拍的结果。
具体地,采用各个样本心拍信号的加权融合数据和心拍标签训练初始分类器的过程可以包括:以各个样本心拍信号的加权融合数据为初始分类器的输入,以各个样本心拍信号分别对应的心拍标签作为初始分类器的输出训练初始分类器,在初始分类器的各个模型参数均达到收敛状态时,依据收敛后的各个模型参数确定早搏信号分类器,以使所得到的早搏信号分类器能够对后续的待测融合数据进行准确检测。
S60,获取待测心电信号中各个待测心拍信号分别对应的加权融合数据,得到待测融合数据,将待测融合数据输入所述早搏信号分类器,以判别各个待测心拍信号是否为早搏信号。
在一种实施方式中,上述获取待测心电信号中各个待测心拍信号分别对应的加权融合数据包括:
将待测心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号,得到多个待测心拍信号;
分别针对各个待测心拍信号提取多个低维特征参数和一个高维特征图;
根据各个待测心拍信号对应的高维特征图和各个低维特征参数确定各个待测心拍信号的加权融合数据。
上述基于深度学习的心电早搏信号处理方法,将样本心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号,得到多个样本心拍信号,分别针对各个样本心拍信号提取多个低维特征参数和一个高维特征图,根据各个样本心拍信号对应的高维特征图和各个低维特征参数确定各个样本心拍信号的加权融合数据,采用各个样本心拍信号的加权融合数据和心拍标签训练初始分类器,得到早搏信号分类器,获取待测心电信号中各个待测心拍信号分别对应的加权融合数据,得到待测融合数据,将待测融合数据输入早搏信号分类器,以判别各个待测心拍信号是否为早搏信号,实现对待测心拍信号的准确检测,即实现对待测心电信号的准确检测,有效提高了待测心电信号的检测效率。
在一种实施方式中,所述低维特征参数包括RR间期的差值、相关系数值、面积差和能量值;
基于规则的低维特征包括节律特征和形态特征:心拍信号中R波位置可用于计算RR间期序列,以提取节律特征,RR间期的差值的计算公式包括:
dRR=RR[i]-RR[i-1],
其中,dRR表示RR间期的差值(两个心拍间的位置差),RR[i]表示第i个样本心拍信号的R波位置与后一个样本心拍信号的R波位置之间的差值,RR[i-1]表示第i-1个样本心拍信号的R波位置与后一个样本心拍信号的R波位置之间的差值。
具体地,本实施例方式可以采用无监督聚类方法将样本心电信号的所有样本心拍信号进行聚类,在聚类后的所有簇中选择簇内心拍数量最多的簇作为正常簇类,用于提取正常心电的模板心拍,计算模板心拍与所有心拍间的相关系数值Covr、面积差ArDiff、能量值J等心拍形态特征。其中相关系数值的计算公式包括:
上述Covr表示相关系数值,N表示样本心拍信号或者参考心拍信号中采样点的总数,即样本心拍信号或者参考心拍信号的长度,上述参考心拍信号为正常心拍信号,x(n)表示样本心拍信号的第n个采样点,y(n)表示参考心拍信号的第n个采样点,表示样本心拍信号中各个采样点的均值,表示参考心拍信号中各个采样点的均值,相关系数值的取值范围在[-1,1]之间,样本心拍信号或者参考心拍信号间相似度越大Covr越接近于1,相反Covr越接近-1,则有很大可能被识别为早搏心拍。
所述面积差的计算公式包括:
上述ArDiff表示面积差,面积差ArDiff越低,样本心拍信号或者参考心拍信号两者的波形就越相似,很大可能性被识别为正常心拍。
所述能量值的计算公式包括:
其中,J表示能量值,能量值J越大表示样本心拍信号或者参考心拍信号的能量差越大,此时样本心拍信号很有可能被识别为早搏心拍。
在一个示例中,可以采用无监督聚类方法将所有的心拍进行聚类,在聚类后的所有簇中选择簇内心拍数量最多的簇作为正常簇类,用于提取正常心电的模板心拍(正常心拍信号),以确定参考心拍信号。正常心拍信号的提取过程可以参考图2所示,提取得到的正常心拍信号可以参考图3(a)所示,室早心拍信号可以参考图3(b)所示。
在一种实施方式中,所述针对各个样本心拍信号提取一个高维特征图包括:
分别对各个样本心拍信号进行卷积操作以提取高维特征图,采用X∈RN×W×H表示单个样本心拍信号的三维特征,所述三维特征中W表示每一层特征平面的第一边长参数(如宽度),H表示每一层特征平面的第二边长参数(如高度),N是相应样本心拍信号中通道的数量。
本实施方式具体可以基于深度学***面的大小,N是通道的数量,其中W、H会随输入网络图像的大小不同而变化。
在一种实施方式中,所述根据各个样本心拍信号对应的高维特征图和各个低维特征参数确定各个样本心拍信号的加权融合数据包括:
分别针对各个样本心拍信号建立高维特征图中各个通道分别与各个低维特征参数的对应关系,根据所述对应关系确定各个样本心拍信号中各个低维特征参数的权重;
对所述高维特征图中每个高维特征平面相加求和,把相加后的数值大小作为特征平面的权重,设s'ij表示所有特征平面上位置为(i,j)处的元素的和,根据s'ij确定高维特征平面上(i,j)处权重aij;
采用各个低维特征参数的权重、高维特征平面上(i,j)处权重aij对相应样本心拍信号进行加权融合,得到各个通道的通道融合数据,将各个通道的通道融合数据进行平面叠加成相应样本心拍信号的加权融合数据。
在一种实施方式中,第k个低维特征参数的权重bk为:
上式中,bk表示第k个低维特征参数的权重,max()表示求最大值,yml表示第m个心拍的第l个低维特征,m的取值是[1,M],l的取值是[1,L],Y∈RM×L表示用规则的方法提取出的低维特征,其中M表示当前心电数据段中检测到的心拍个数,L表示特征的个数,采用表示当前心电数据段中所有心拍的第l个特征的均值,上式可理解为:对于一段心电信号中的第m个心拍,当它的第l个特征(yml)大于当前心电信号片段所有心拍的第l个特征的均值则权重为yml占当前心电数据段中所有心拍的第l个特征的总和(∑myml)的比例;否则,权重为0。
高维特征平面上(i,j)处权重aij为:
其中,∑表示求和符号,α表示第一权重指数,β表示第二权重指数,s'ij表示高维特征平面上位置为(i,j)处的元素的和,s'wh表示高维特征平面上位置为(w,h)处的元素的和,可以看成是矩阵的范数,采用X∈RN×W×H表示单个样本心拍信号的三维特征,三维特征中W表示每一层特征平面的第一边长参数,H表示每一层特征平面的第二边长参数,N是相应样本心拍信号中通道的数量,其中w的取值是[1,W],h的取值是[1,H],α和β可根据经验值设置为2,s'ij表示高维特征平面上位置为(i,j)处的元素的和,可以看成是矩阵的范数。
第k个通道的通道融合数据包括:
x'kij=aij·xkij·bk
上式中,xkij表示通道k的特征平面位置为(i,j)的元素。
具体地,第k个低维特征参数的权重bk的推导过程包括:
用Y∈RM×L表示用规则的方法提取出的低维特征(即低维特征参数),其中L表示当前心电数据段中检测到的心拍个数,M表示特征的个数,用yml表示第m个心拍在时序位置l处的元素,为筛选出有效的早搏的有效特征表示,设置筛选规则为:
其中,表示当前心电数据段中所有心拍的第l个特征的均值,上式可理解为:对于一段心电信号中的第p个心拍,当它的第q个特征(ypq)大于当前心电信号片段所有心拍的第q个特征的均值则判断该心拍为早搏心拍,否则视为非早搏心拍。因此,综合提取出早搏心拍的低维有效特征,我们将第p个心拍的第k个特征的权重bk设置为:
高维特征图的平面加权过程可以包括:
直接对每个高维特征平面相加求和,把相加后的数值大小作为特征平面的权重,设s'ij表示所有特征平面上位置为(i,j)处的元素的和:
于是可以得到特征平面上位置为(i,j)的权重aij:
x'ij=aij·xij,
采用乘法融合决策规则将上述加权处理后的高维特征图分别与加权低维特征融合生成多通道的高维加权融合特征,拟采用将专家知识提取的低维特征和深度学***面,获得加权之后高维特征第k个通道的特征平面上每个元素的值x'kij:
x'kij=aij·xkij·bk
上式中,xkij表示通道k的特征平面位置为(i,j)的元素。
实施例二:
本实施例中,上述将样本心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号,得到多个样本心拍信号之前,还包括:
S10,对初始心电信号进行去噪处理得到样本心电信号,对所述样本心电信号进行QRS检测,以确定所述样本心电信号的R波。
具体地,对初始心电信号进行去噪处理得到样本心电信号包括:
采用FIR低通滤波器提取初始心电信号的基线漂移,剔除初始心电信号的基线漂移;再采用FFT带通滤波器对去除基线漂移的信号进行滤波处理,得到样本心电信号。
在一个示例中,可以采用相关信号预处理单元中的去噪处理采用FIR低通滤波器提取基线漂移,去除原始信号中的基线漂移;再采用FFT带通滤波器对去除基线漂移的信号进行滤波处理,以得到样本心电信号。
进一步地,上述信号预处理单元还可以设置QRS检测功能,采用Pan-Tompkins方法进行QRS波检测以获取R波位置。
实施例三:
参考图4所示,本实施例提供一种基于深度学习的心电早搏信号处理模块,包括:
截取单元20,用于将样本心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号,得到多个样本心拍信号;
提取单元30,用于分别针对各个样本心拍信号提取多个低维特征参数和一个高维特征图;
确定单元40,用于根据各个样本心拍信号对应的高维特征图和各个低维特征参数确定各个样本心拍信号的加权融合数据;
训练单元50,用于采用各个样本心拍信号的加权融合数据和心拍标签训练初始分类器,得到早搏信号分类器;
获取单元60,用于获取待测心电信号中各个待测心拍信号分别对应的加权融合数据,得到待测融合数据,将待测融合数据输入所述早搏信号分类器,以判别各个待测心拍信号是否为早搏信号。
在一种实施方式中,所述低维特征参数包括RR间期的差值、相关系数值、面积差和能量值;
所述RR间期的差值的计算公式包括:
dRR=RR[i]-RR[i-1],
所述相关系数值的计算公式包括:
所述面积差的计算公式包括:
所述能量值的计算公式包括:
其中,dRR表示RR间期的差值,RR[i]表示第i个样本心拍信号的R波位置与后一个样本心拍信号的R波位置之间的差值,RR[i-1]表示第i-1个样本心拍信号的R波位置与后一个样本心拍信号的R波位置之间的差值,Covr表示相关系数值,x(n)表示样本心拍信号的第n个采样点,y(n)表示参考心拍信号的第n个采样点,表示样本心拍信号中各个采样点的均值,表示参考心拍信号中各个采样点的均值,N表示样本心拍信号或者参考心拍信号中采样点的总数,ArDiff表示面积差,J表示能量值。
在一种实施方式中,所述针对各个样本心拍信号提取一个高维特征图包括:
分别对各个样本心拍信号进行卷积操作以提取高维特征图,采用X∈RN×W×H表示单个样本心拍信号的三维特征,所述三维特征中W表示每一层特征平面的第一边长参数,H表示每一层特征平面的第二边长参数,N是相应样本心拍信号中通道的数量。
在一种实施方式中,所述根据各个样本心拍信号对应的高维特征图和各个低维特征参数确定各个样本心拍信号的加权融合数据包括:
分别针对各个样本心拍信号建立高维特征图中各个通道分别与各个低维特征参数的对应关系,根据所述对应关系确定各个样本心拍信号中各个低维特征参数的权重;
对所述高维特征图中每个高维特征平面相加求和,把相加后的数值大小作为特征平面的权重,设s'ij表示所有特征平面上位置为(i,j)处的元素的和,根据s'ij确定高维特征平面上(i,j)处权重aij;
采用各个低维特征参数的权重、高维特征平面上(i,j)处权重aij对相应样本心拍信号进行加权融合,得到各个通道的通道融合数据,将各个通道的通道融合数据进行平面叠加成相应样本心拍信号的加权融合数据。
在一种实施方式中,第k个低维特征参数的权重bk为:
高维特征平面上(i,j)处权重aij为:
第k个通道的通道融合数据包括:
x'kij=aij·xkij·bk
其中,∑表示求和符号,max()表示求最大值,yml表示第m个心拍的第l个低维特征,m的取值是[1,M],l的取值是[1,L],w的取值是[1,W],h的取值是[1,H],可以看成是矩阵的范数,α表示第一权重指数,β表示第二权重指数,s'ij表示高维特征平面上位置为(i,j)处的元素的和,s'wh表示高维特征平面上位置为(w,h)处的元素的和,xkij表示通道k的特征平面位置为(i,j)的元素。
在一种实施方式中,上述获取单元进一步用于:
将待测心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号,得到多个待测心拍信号;
分别针对各个待测心拍信号提取多个低维特征参数和一个高维特征图;
根据各个待测心拍信号对应的高维特征图和各个低维特征参数确定各个待测心拍信号的加权融合数据。
在一种实施方式中,上述基于深度学习的心电早搏信号处理模块还包括:
去噪单元,用于对初始心电信号进行去噪处理得到样本心电信号,对所述样本心电信号进行QRS检测,以确定所述样本心电信号的R波。
具体地,上述去噪单元进一步用于:
采用FIR低通滤波器提取初始心电信号的基线漂移,剔除初始心电信号的基线漂移;再采用FFT带通滤波器对去除基线漂移的信号进行滤波处理,得到样本心电信号。
关于深度学习的心电早搏检测模块的具体限定可以参见上文中对于深度学习的心电早搏检测方法的限定,在此不再赘述。上述于深度学习的心电早搏检测模块中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
实施例四:
本实施例提供一种基于深度学习的心电早搏信号处理装置,包括早搏检测模块,所述早搏检测模块执行上述任一实施例所述的基于深度学习的心电早搏信号处理方法。
本实施例提供的基于深度学习的心电早搏信号处理装置中,早搏检测模块执行上述任一实施例所述的基于深度学习的心电早搏信号处理方法,其具有上述各个实施例提供的基于深度学习的心电早搏信号处理方法所带来的所有有益效果,在此不再一一赘述。
在一种实施方式中,上述基于深度学习的心电早搏信号处理装置,还包括心电信号采集模块;所述心电信号采集模块用于采集用户的心电信号,将所采集的心电信号发送至所述早搏检测模块。
具体地,上述心电信号采集模块包括用于信号采集的干性电极单元、用于信号检测的CPU控制单元、用于信号传输的数据通信单元、界面显示单元以及数据本地存储单元;上述干性电极单元采用干性电极代替传统的Ag/AgCl湿性电极,干性电极拥有舒适性好、操作简单方便、阻抗低、长期稳定可靠、即戴即用等优点,且使用干性电极无需导电胶/膏,避免引起皮肤过敏与瘙痒。心电信号采集模块在用于信号检测的CPU控制单元中嵌入早搏检测模块,用于心拍信号的早搏检测;CPU控制单元控制用于信号传输的通信单元、界面显示单元、数据本地存储单元,可实现与其他设备进行数据通信,也可直接用于界面的实时显示或者下载数据存储到本地设备。
进一步地,上述早搏检测模块还可以设置界面显示单元,界面显示单元可用于实时显示采集到的心电信号波形图,同时也可用于对早搏心拍的识别结果的显示,为医生等用户提供参考,且医生等用户可手动矫正误检的心拍,实现精准的心电早搏检测。
在一种具体实施方式中,上述基于深度学习的心电早搏信号处理装置可以参考图5所示,包括心电信号采集模块1和早搏检测模块2。
具体地,上述心电信号采集模块1包括干性电极单元11、CPU控制单元12、数据通信单元13、界面显示单元14、数据本地存储单元15。干性电极单元11采用干性电极用于采集心电信号的传感器拥有无需导电胶/膏、操作简单方便、阻抗低、长期稳定可靠、柔性、穿戴舒适安全、即戴即用等优点。CPU控制单元12可将干性电极单元11采集到的模拟心电信号转换成数字信号,用嵌入在内部的早搏检测模块2对心电信号进行早搏识别。同时CPU控制单元12可控制心电信号通过数据通信单元13通过无线蓝牙或者WIFI的方式发送到其他设备。控制界面显示单元14实时显示采集到的心电信号的波形图,同时也可用于对心电早搏检测结果的显示,为医生等用户提供参考,且医生等用户可手动矫正误检的心拍,实现人工交互的智能早搏检测。控制数据本地存储单元15可将采集到的心电信号以及检测结果下载存储到本地设备。
上述早搏检测模块2主要包括信号预处理单元21、心拍分割单元22、特征提取单元23、特征加权单元24、加权特征融合单元25、分类器识别单元26。
所述特征提取单元23包括基于规则机制的低维特征提取和基于深度学习的高维特征图提取,用于提取拥有较强可解释性心电节律特征和心拍形态特征,以及准确率高、鲁棒性强的高维特征图。
本实施例具有如下有益效果:
1、早搏检测模块中的特征提取单元包括基于规则机制的低维特征提取和基于深度学习的高维特征图提取,由于基于规则的方法计算简单且所提取的特征可解释性强,但检测准确率受穿戴环境下的噪声影响;基于深度学习的方法提取的高维特征图鲁棒性高,但可解释性差,将两种方法相融合,提取出的特征同时兼具有可解释的、精准的、鲁棒的特点。
2、早搏检测模块中的特征加权单元包括低维特征的通道加权和高维特征图的平面加权,分别使用基于规则的通道加权方法和基于深度学***面加权方法,增大早搏的有效特征的权重,突出兴趣区域(早搏)的特征表示,削弱无关区域的特征表示,提高心电信号早搏检测的准确率。
3、早搏检测模块中的特征提取单元采用无监督聚类的方法自适应地提取正常心电的模板心拍。聚类算法将正常形态的心拍与PVC形态的心拍预分为不同的簇类,选择簇内心拍数量最多的簇类作为正常心电的簇类,提取簇中距离质心最近的10个心拍用于构建模板心拍,提取出的模板心拍具有病人特异性。
4、早搏检测模块中的加权特征融合单元,通过以规则加权的方式将专家***中阈值规则的信息分别与深度模型的提取的高维特征图融合,并行输入分类器模型。所提出的并行融合策略增强专家***提出的低维特征的权重,增强融合特征的可解释性,提高了早搏识别模型的准确率。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
需要说明的是,本发明实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本发明实施例的术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种基于深度学习的心电早搏信号处理方法,其特征在于,包括:
S20,将样本心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号,得到多个样本心拍信号;
S30,分别针对各个样本心拍信号提取多个低维特征参数和一个高维特征图;
S40,根据各个样本心拍信号对应的高维特征图和各个低维特征参数确定各个样本心拍信号的加权融合数据;
S50,采用各个样本心拍信号的加权融合数据和心拍标签训练初始分类器,得到早搏信号分类器;
S60,获取待测心电信号中各个待测心拍信号分别对应的加权融合数据,得到待测融合数据,将待测融合数据输入所述早搏信号分类器,以判别各个待测心拍信号是否为早搏信号。
2.根据权利要求1所述的基于深度学习的心电早搏信号处理方法,其特征在于,所述低维特征参数包括RR间期的差值、相关系数值、面积差和能量值;
所述RR间期的差值的计算公式包括:
dRR=RR[i]-RR[i-1],
所述相关系数值的计算公式包括:
所述面积差的计算公式包括:
所述能量值的计算公式包括:
3.根据权利要求2所述的基于深度学习的心电早搏信号处理方法,其特征在于,步骤S30中,所述针对各个样本心拍信号提取一个高维特征图包括:
分别对各个样本心拍信号进行卷积操作以提取高维特征图,采用X∈RN×W×H表示单个样本心拍信号的三维特征,所述三维特征中W表示每一层特征平面的第一边长参数,H表示每一层特征平面的第二边长参数,N是相应样本心拍信号中通道的数量。
4.根据权利要求2所述的基于深度学习的心电早搏信号处理方法,其特征在于,步骤S40中,所述根据各个样本心拍信号对应的高维特征图和各个低维特征参数确定各个样本心拍信号的加权融合数据包括:
分别针对各个样本心拍信号建立高维特征图中各个通道分别与各个低维特征参数的对应关系,根据所述对应关系确定各个样本心拍信号中各个低维特征参数的权重;
对所述高维特征图中每个高维特征平面相加求和,把相加后的数值大小作为特征平面的权重,设si'j表示所有特征平面上位置为(i,j)处的元素的和,根据si'j确定高维特征平面上(i,j)处权重aij;
采用各个低维特征参数的权重、高维特征平面上(i,j)处权重aij对相应样本心拍信号进行加权融合,得到各个通道的通道融合数据,将各个通道的通道融合数据进行平面叠加成相应样本心拍信号的加权融合数据。
5.根据权利要求2所述的基于深度学习的心电早搏信号处理方法,其特征在于,所述低维特征参数的权重为:
高维特征平面上(i,j)处权重aij为:
第k个通道的通道融合数据包括:
x'kij=aij·xkij·bk
6.根据权利要求1所述的基于深度学习的心电早搏信号处理方法,其特征在于,步骤S60中,所述获取待测心电信号中各个待测心拍信号分别对应的加权融合数据包括:
将待测心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号,得到多个待测心拍信号;
分别针对各个待测心拍信号提取多个低维特征参数和一个高维特征图;
根据各个待测心拍信号对应的高维特征图和各个低维特征参数确定各个待测心拍信号的加权融合数据。
7.根据权利要求1所述的基于深度学习的心电早搏信号处理方法,其特征在于,所述将样本心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号,得到多个样本心拍信号之前,还包括:
S10,对初始心电信号进行去噪处理得到样本心电信号,对所述样本心电信号进行QRS检测,以确定所述样本心电信号的R波。
8.根据权利要求7所述的基于深度学习的心电早搏信号处理方法,其特征在于,步骤S10中,所述对初始心电信号进行去噪处理得到样本心电信号包括:
采用FIR低通滤波器提取初始心电信号的基线漂移,剔除初始心电信号的基线漂移;再采用FFT带通滤波器对去除基线漂移的信号进行滤波处理,得到样本心电信号。
9.一种基于深度学习的心电早搏信号处理模块,其特征在于,包括:
截取单元,用于将样本心电信号以R波为基准点,分别向前向后以设定长度的窗口大小截取心拍信号,得到多个样本心拍信号;
提取单元,用于分别针对各个样本心拍信号提取多个低维特征参数和一个高维特征图;
确定单元,用于根据各个样本心拍信号对应的高维特征图和各个低维特征参数确定各个样本心拍信号的加权融合数据;
训练单元,用于采用各个样本心拍信号的加权融合数据和心拍标签训练初始分类器,得到早搏信号分类器;
获取单元,用于获取待测心电信号中各个待测心拍信号分别对应的加权融合数据,得到待测融合数据,将待测融合数据输入所述早搏信号分类器,以判别各个待测心拍信号是否为早搏信号。
10.一种基于深度学习的心电早搏信号处理装置,其特征在于,包括早搏检测模块,所述早搏检测模块执行权利要求1至8任一项所述的基于深度学习的心电早搏信号处理方法。
11.根据权利要求10所述的基于深度学习的心电早搏信号处理装置,其特征在于,还包括心电信号采集模块;所述心电信号采集模块用于采集用户的心电信号,将所采集的心电信号发送至所述早搏检测模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110110142.3A CN112971800B (zh) | 2021-01-27 | 2021-01-27 | 基于深度学习的心电早搏信号处理方法、模块和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110110142.3A CN112971800B (zh) | 2021-01-27 | 2021-01-27 | 基于深度学习的心电早搏信号处理方法、模块和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112971800A true CN112971800A (zh) | 2021-06-18 |
CN112971800B CN112971800B (zh) | 2023-01-03 |
Family
ID=76345607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110110142.3A Active CN112971800B (zh) | 2021-01-27 | 2021-01-27 | 基于深度学习的心电早搏信号处理方法、模块和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112971800B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113598759A (zh) * | 2021-09-13 | 2021-11-05 | 曲阜师范大学 | 一种基于肌电特征优化的下肢动作识别方法及*** |
CN113647959A (zh) * | 2021-07-27 | 2021-11-16 | 东软集团股份有限公司 | 一种心电波形信号的波形识别方法、装置及设备 |
CN114469127A (zh) * | 2022-03-28 | 2022-05-13 | 电子科技大学 | 一种基于心拍差分编码的心电信号人工智能处理电路 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102835954A (zh) * | 2012-09-07 | 2012-12-26 | 深圳市邦健电子有限公司 | 一种心拍波形模板生成、室性早搏检测处理方法及装置 |
CN109645980A (zh) * | 2018-11-14 | 2019-04-19 | 天津大学 | 一种基于深度迁移学习的心律异常分类方法 |
CN110226921A (zh) * | 2019-06-27 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号检测分类方法、装置、电子设备和存储介质 |
CN110236543A (zh) * | 2019-05-23 | 2019-09-17 | 东华大学 | 基于深度学习的阿尔茨海默病多分类诊断*** |
CN110269625A (zh) * | 2019-05-31 | 2019-09-24 | 杭州电子科技大学 | 一种新型的多特征融合的心电认证方法及*** |
CN110664395A (zh) * | 2019-09-29 | 2020-01-10 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置以及存储介质 |
CN110840402A (zh) * | 2019-11-19 | 2020-02-28 | 山东大学 | 一种基于机器学习的房颤信号识别方法及*** |
CN111291614A (zh) * | 2020-01-12 | 2020-06-16 | 杭州电子科技大学 | 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法 |
CN111436926A (zh) * | 2020-04-03 | 2020-07-24 | 山东省人工智能研究院 | 基于统计特征和卷积循环神经网络的房颤信号检测方法 |
-
2021
- 2021-01-27 CN CN202110110142.3A patent/CN112971800B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102835954A (zh) * | 2012-09-07 | 2012-12-26 | 深圳市邦健电子有限公司 | 一种心拍波形模板生成、室性早搏检测处理方法及装置 |
CN109645980A (zh) * | 2018-11-14 | 2019-04-19 | 天津大学 | 一种基于深度迁移学习的心律异常分类方法 |
CN110236543A (zh) * | 2019-05-23 | 2019-09-17 | 东华大学 | 基于深度学习的阿尔茨海默病多分类诊断*** |
CN110269625A (zh) * | 2019-05-31 | 2019-09-24 | 杭州电子科技大学 | 一种新型的多特征融合的心电认证方法及*** |
CN110226921A (zh) * | 2019-06-27 | 2019-09-13 | 广州视源电子科技股份有限公司 | 心电信号检测分类方法、装置、电子设备和存储介质 |
CN110664395A (zh) * | 2019-09-29 | 2020-01-10 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理装置以及存储介质 |
CN110840402A (zh) * | 2019-11-19 | 2020-02-28 | 山东大学 | 一种基于机器学习的房颤信号识别方法及*** |
CN111291614A (zh) * | 2020-01-12 | 2020-06-16 | 杭州电子科技大学 | 基于迁移学习多模型决策融合的儿童癫痫综合症分类方法 |
CN111436926A (zh) * | 2020-04-03 | 2020-07-24 | 山东省人工智能研究院 | 基于统计特征和卷积循环神经网络的房颤信号检测方法 |
Non-Patent Citations (1)
Title |
---|
蔡志鹏: "穿戴式心电监测中的关键问题研究", 《东南大学 博士论文》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113647959A (zh) * | 2021-07-27 | 2021-11-16 | 东软集团股份有限公司 | 一种心电波形信号的波形识别方法、装置及设备 |
CN113647959B (zh) * | 2021-07-27 | 2024-01-12 | 东软集团股份有限公司 | 一种心电波形信号的波形识别方法、装置及设备 |
CN113598759A (zh) * | 2021-09-13 | 2021-11-05 | 曲阜师范大学 | 一种基于肌电特征优化的下肢动作识别方法及*** |
CN113598759B (zh) * | 2021-09-13 | 2023-09-22 | 曲阜师范大学 | 一种基于肌电特征优化的下肢动作识别方法及*** |
CN114469127A (zh) * | 2022-03-28 | 2022-05-13 | 电子科技大学 | 一种基于心拍差分编码的心电信号人工智能处理电路 |
CN114469127B (zh) * | 2022-03-28 | 2022-07-29 | 电子科技大学 | 一种基于心拍差分编码的心电信号人工智能处理电路 |
Also Published As
Publication number | Publication date |
---|---|
CN112971800B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112971800B (zh) | 基于深度学习的心电早搏信号处理方法、模块和装置 | |
CN109171712B (zh) | 心房颤动识别方法、装置、设备及计算机可读存储介质 | |
EP3698707B1 (en) | Electrocardiogram information dynamic monitoring system, computer program and computer readable storage medium | |
EP3692904A1 (en) | Method and device for self-learning dynamic electrocardiography analysis employing artificial intelligence | |
US9724007B2 (en) | System and method for detecting a characteristic in an ECG waveform | |
CN109411041B (zh) | 心电信息处理方法和心电工作站*** | |
US11617528B2 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN109411042B (zh) | 心电信息处理方法和心电工作站 | |
CN106214145A (zh) | 一种基于深度学习算法的心电图分类方法 | |
EP2170155A2 (en) | Diagnostic and predictive system and methodology using multiple parameter electrocardiography superscores | |
CN106166065B (zh) | 一种基于社交网络的可穿戴心电健康交互平台及其实现方法 | |
CN104840186A (zh) | 一种充血性心力衰竭患者自主神经功能的评估方法 | |
CN109288515B (zh) | 基于穿戴式心电信号中早搏信号的周期性监测方法及装置 | |
CN111358459A (zh) | 一种心律失常识别方法、装置、设备和存储介质 | |
CN111000551A (zh) | 一种基于深度卷积神经网络模型的心脏病发风险诊断方法 | |
WO2021071646A1 (en) | Systems and methods for electrocardiogram diagnosis using deep neural networks and rule-based systems | |
CN106974644A (zh) | 一种心电图r波检测方法以及*** | |
CN113349791B (zh) | 异常心电信号的检测方法、装置、设备及介质 | |
De Marco et al. | Identification of morphological patterns for the detection of premature ventricular contractions | |
CN111612042B (zh) | 左前分支传导阻滞的检测装置、存储介质及终端 | |
CN114098754A (zh) | 一种房颤信号预处理方法、检测***、设备及存储介质 | |
CN113647954A (zh) | 双通道混合网络模型的心血管疾病识别方法、装置及介质 | |
CN115067967A (zh) | 心拍信号基准点确定方法、心拍类型识别方法及装置 | |
CN111265194B (zh) | 心室肥大的检测方法、装置、存储介质和处理器 | |
CN111685754B (zh) | 针对可穿戴ecg采集设备的心率计算方法及*** |
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 |