一种心电信号QRS特征波的识别方法、训练方法及系统技术方案

本发明专利技术提供了一种心电信号QRS特征波的识别方法、神经网络模型的训练方法、心电信号QRS特征波的识别系统、神经网络模型的训练装置、计算机设备以及计算机可读存储介质，涉及生物医学技术领域。其中，心电信号QRS特征波的识别方法包括：获取待识别的心电信号；将所述心电信号进行预处理，得到信号片段；基于残差网络构造神经网络模型并对所述神经网络模型进行训练；基于所述神经网络模型对所述信号片段进行识别，得到所述心电信号中的QRS特征波。本发明专利技术由于在模型训练过程中有效避免了梯度消失的问题，因此具有执行效率较高的特点，在整个算法流程中有效减少了特征工程的步骤。

A Recognition Method, Training Method and System of QRS Characteristic Wave of ECG Signal

【技术实现步骤摘要】
一种心电信号QRS特征波的识别方法、训练方法及系统
本专利技术关于生物医学
，特别是关于生物医学中信号的处理技术，具体的讲是一种心电信号QRS特征波的识别方法、神经网络模型的训练方法、心电信号QRS特征波的识别系统、神经网络模型的训练装置、计算机设备以及计算机可读存储介质。
技术介绍
本部分旨在为权利要求书中陈述的本专利技术的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。心电图反映了心脏的肌电活动，QRS特征波是心电信号中反映心室收缩最明显的复合波。QRS特征波具有特殊的形状，是心电信号中特征最为突出的波形之一，它为心跳的自动检测提供了最重要的信息，检测QRS特征波也成为了研究已久的重要课题。因此，提高自动心跳检测的质量对于从准确的心跳定位中获益良多的功能非常重要，准确获取心率和心率变异性具有重要的临床意义。以卷积神经网络为代表的深度学习技术发展迅速，利用深度学习技术对医疗影像中的潜在疾病进行识别和睡眠分期等领域基于神经网络的深度学习算法都取得了比较大的成功，有一些甚至超过了人类专家医生的诊疗结果。所以基于神经网络的深度学习算法对生物医疗信号的处理具有很大的潜力。残差网络是在2015年被提出，曾经在多个国际知名分类比赛任务上夺冠，因为它“简单与实用”并存，所以在图像分类、目标检测中得到了广泛的应用。残差网络有效解决了在神经网络模型训练过程中的梯度消失问题，能够有效提高模型准确率。现阶段在检测QRS特征波方面主要是利用数字信号处理的相关知识，结合了滤波、小波变换和动态阈值等方法。根据QRS特征波的形态特征，对信号做一阶差分得到其导数信息，之后对一阶差分后的信号平方，对平方后的一阶差分信号做滑动窗积分；然后通过设置动态阈值找到QRS特征波。此过程有很多特征工程的步骤。因此，如何提供一种新的心电信号的识别方案，其能够简化特征工程的步骤，实现端到端的心电特征波检测是本领域亟待解决的技术难题。
技术实现思路
有鉴于此，本专利技术实施例提供了一种心电信号QRS特征波的识别方法、神经网络模型的训练方法、心电信号QRS特征波的识别系统、神经网络模型的训练装置、计算机设备以及计算机可读存储介质，基于残差网络构造了神经网络模型，通过对心电信号进行样本分类以及切片处理后对神经网络模型进行训练，之后应用训练后的神经网络模型对待识别的心电信号进行识别，对神经网络模型的输出结果进行聚类即可识别出心电信号中的QRS特征波，由于在模型训练过程中有效避免了梯度消失的问题，因此本专利技术具有执行效率较高的特点，在整个算法流程中有效减少了特征工程的步骤。本专利技术的目的之一是，提供一种心电信号QRS特征波的识别方法，包括：获取待识别的心电信号；将所述心电信号进行预处理，得到信号片段；基于残差网络构造神经网络模型并对所述神经网络模型进行训练；基于所述神经网络模型对所述信号片段进行识别，得到所述心电信号中的QRS特征波。本专利技术的目的之一是，提供一种神经网络模型的训练方法，包括：获取心电信号；将所述心电信号进行预处理，得到训练阶段的信号片段；基于残差网络构造神经网络模型；根据所述信号片段对所述神经网络模型进行训练。本专利技术的目的之一是，提供一种心电信号QRS特征波的识别系统，包括：心电信号获取装置，用于获取待识别的心电信号；心电信号预处理装置，用于将所述心电信号进行预处理，得到信号片段；网络模型训练装置，用于基于残差网络构造神经网络模型并对所述神经网络模型进行训练；信号片段识别装置，用于基于神经网络模型对所述信号片段进行识别，得到所述心电信号中的QRS特征波。本专利技术的目的之一是，提供一种神经网络模型的训练装置，所述训练装置包括：心电信号获取模块，用于获取心电信号；心电信号预处理模块，用于将所述心电信号进行预处理，得到训练阶段的信号片段；网络模型构造模块，用于基于残差网络构造神经网络模型；网络模型训练模块，用于根据所述信号片段对所述神经网络模型进行训练。本专利技术的目的之一是，提供一种计算机设备，包括：适于实现各指令的处理器以及存储设备，所述存储设备存储有多条指令，所述指令适于由处理器加载并执行一种心电信号QRS特征波的识别方法或如一种神经网络模型的训练方法。本专利技术的目的之一是，提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于执行一种心电信号QRS特征波的识别方法或一种神经网络模型的训练方法。本专利技术的有益效果在于，本专利技术实施例提供了一种心电信号QRS特征波的识别方法、神经网络模型的训练方法、心电信号QRS特征波的识别系统、神经网络模型的训练装置、计算机设备以及计算机可读存储介质，基于残差网络构造了神经网络模型，通过对心电信号进行样本分类以及切片处理后对神经网络模型进行训练，之后应用训练后的神经网络模型对待识别的心电信号进行识别，对神经网络模型的输出结果进行聚类即可识别出心电信号中的QRS特征波，由于在模型训练过程中有效避免了梯度消失的问题，因此本专利技术具有执行效率较高的特点，在整个算法流程中有效减少了特征工程的步骤。为让本专利技术的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种心电信号QRS特征波的识别系统的结构示意图；图2为本专利技术实施例提供的一种心电信号QRS特征波的识别系统中心电信号预处理装置的结构示意图；图3为本专利技术实施例提供的一种心电信号QRS特征波的识别系统中滤波去燥处理装置的结构示意图；图4为本专利技术实施例提供的一种心电信号QRS特征波的识别系统中归一化处理装置的结构示意图；图5为本专利技术实施例提供的一种心电信号QRS特征波的识别系统中上下界确定单元的结构示意图；图6为本专利技术实施例提供的一种心电信号QRS特征波的识别系统中切片处理装置的结构示意图；图7为本专利技术实施例提供的一种心电信号QRS特征波的识别系统中信号片段识别装置的结构示意图；图8为本专利技术实施例提供的一种神经网络模型的训练装置的结构示意图；图9为本专利技术实施例提供的一种神经网络模型的训练装置中心电信号预处理模块的实施方式一的结构示意图；图10为本专利技术实施例提供的一种神经网络模型的训练装置中样本分类模块的结构示意图；图11为本专利技术实施例提供的一种神经网络模型的训练装置中心电信号预处理模块的实施方式二的结构示意图；图12为本专利技术实施例提供的一种神经网络模型的训练装置中样本平衡处理模块的结构示意图；图13为本专利技术实施例提供的一种神经网络模型的训练装置中样本切片模块的结构示意图；图14为本专利技术实施例提供的一种神经网络模型的训练装置中网络模型构造模块的结构示意图；图15为本专利技术实施例提供的一种心电信号QRS特征波的识别方法的流程示意图；图16为图15中的步骤S102的具体流程示意图；图17为图16中的步骤S201的具体流程示意图；图18为图16中的步骤S202的具体流程示意图；图19为图18中的步骤S401的具体流程示意图；图20为本文档来自技高网...

【技术保护点】
1.一种心电信号QRS特征波的识别方法，其特征在于，所述方法包括：获取待识别的心电信号；将所述心电信号进行预处理，得到信号片段；基于残差网络构造神经网络模型并对所述神经网络模型进行训练；基于所述神经网络模型对所述信号片段进行识别，得到所述心电信号中的QRS特征波。

【技术特征摘要】
1.一种心电信号QRS特征波的识别方法，其特征在于，所述方法包括：获取待识别的心电信号；将所述心电信号进行预处理，得到信号片段；基于残差网络构造神经网络模型并对所述神经网络模型进行训练；基于所述神经网络模型对所述信号片段进行识别，得到所述心电信号中的QRS特征波。2.根据权利要求1所述的方法，其特征在于，将所述心电信号进行预处理，得到信号片段包括：将所述心电信号进行滤波去噪处理；将滤波去燥处理后的心电信号进行归一化处理；将归一化处理后的心电信号进行切片处理，得到信号片段。3.根据权利要求2所述的方法，其特征在于，将所述心电信号进行滤波去噪处理包括：将所述心电信号进行滤波，得到第一信号；将所述第一信号进行逆转，得到第二信号；将所述第二信号进行滤波，得到第三信号；将所述第三信号进行逆转后输出，即得到滤波去噪处理之后的心电信号。4.根据权利要求2所述的方法，其特征在于，对滤波去燥处理后的心电信号进行归一化处理包括：确定归一化上界以及归一化下界；根据所述归一化上界以及归一化下界对所述滤波去噪处理后的心电信号进行归一化处理。5.根据权利要求4所述的方法，其特征在于，所述确定归一化上界以及归一化下界包括：将滤波去噪处理后的心电信号按照采样点的幅值从小到大进行排序，确定出上界索引以及下界索引；根据所述上界索引确定归一化上界；根据所述下界索引确定所述归一化下界。6.根据权利要求2所述的方法，其特征在于，对归一化处理后的心电信号进行切片处理包括：将归一化处理后的心电信号的采样点作为第一基准；获取预先设定的第一时间阈值以及第二时间阈值；将所述第一基准前第一时间阈值时间和后第二时间阈值时间内的采样点作为一信号片段，所述信号片段开始的采样点和结束的采样点通过零填充的方式补充。7.根据权利要求1所述的方法，其特征在于，基于神经网络模型对所述信号片段进行识别，得到所述心电信号对应的QRS特征波包括：将所述信号片段输入至所述神经网络模型，得到正负标签序列；通过滑动窗口对所述正负标签序列进行聚类，识别出所述心电信号中的QRS特征波。8.一种神经网络模型的训练方法，其特征在于，所述方法包括：获取心电信号；将所述心电信号进行预处理，得到训练阶段的信号片段；基于残差网络构造神经网络模型；根据所述信号片段对所述神经网络模型进行训练。9.根据权利要求8所述的方法，其特征在于，将所述心电信号进行预处理，得到训练阶段的信号片段包括：将所述心电信号进行滤波去噪处理；将滤波去燥处理后的心电信号进行归一化处理；将归一化处理后的心电信号进行样本分类，得到正类样本以及负类样本；将所述正类样本以及负类样本进行切片处理，得到训练阶段的信号片段。10.根据权利要求9所述的方法，其特征在于，将归一化处理后的心电信号进行样本分类包括：获取预先设定的第三时间阈值；将QRS复合波中R波波峰设为第二基准；将所述第二基准前后的所述第三时间阈值时间内的采样点确定为正类样本；将所述正类样本以外的采样点确定为负类样本。11.根据权利要求10所述的方法，其特征在于，将所述心电信号进行预处理还包括：确定所述正类样本的数量以及负类样本的数量；根据所述正类样本的数量以及负类样本的数量进行样本平衡处理。12.根据权利要求11所述的方法，其特征在于，根据所述正类样本的数量以及负类样本的数量进行样本平衡处理包括：判断所述正类样本的数量是否小于所述负类样本的数量；当判断为是时，在所述正类样本中加入低振幅噪声，得到修正后的正类样本。13.根据权利要求10或12所述的方法，其特征在于，将所述正类样本以及负类样本进行切片处理包括：将所述正类样本以及负类样本的采样点作为第一基准；获取预先设定的第一时间阈值以及第二时间阈值；将所述第一基准前第一时间阈值时间和后第二时间阈值时间内的采样点作为一信号片段，所述信号片段开始的采样点和结束的采样点通过零填充的方式补充。14.根据权利要求8所述的方法，其特征在于，所述基于残差网络构造神经网络模型包括：构建并行的第一卷积神经网络以及第二卷积神经网络；设置所述第一卷积神经网络的卷积核，称为第一卷积核；设置所述第二卷积神经网络的卷积核，称为第二卷积核，所述第一卷积核的尺寸大于所述第二卷机核的尺寸；使用所述第一卷积神经网络学习所述心电信号的粗糙特征；使用所述第二卷积神经网络学习所述心电信号的精细特征。15.一种心电信号QRS特征波的识别系统，其特征在于，所述系统包括：心电信号获取装置，用于获取待识别的心电信号；心电信号预处理装置，用于将所述心电信号进行预处理，得到信号片段；网络模型训练装置，用于基于残差网络构造神经网络模型并对所述神经网络模型进行训练；信号片段识别装置，用于基于神经网络模型对所述信号片段进行识别，得到所述心电信号中的QRS特征波。16.根据权利要求15所述的系统，其特征在于，所述心电信号预处理装置包括：滤波去燥处理装置，用于将心电信号进行滤波去噪处理；归一化处理装置，用于将滤波去燥处理后的心电信号进行归一化处理；切片处理装置，用于将归一化处理后的心电信号进行切片处...

【专利技术属性】
技术研发人员：王兴军，邹庆言，徐子尧，冯发润，黄海平，李庆，
申请(专利权)人：清华大学深圳研究生院，东莞见达信息技术有限公司，
类型：发明
国别省市：广东,44