一种心电图心搏识别方法、终端设备及存储介质技术

本发明专利技术涉及一种心电图心搏识别方法、终端设备及存储介质，该方法中包括：S1：采集心电图数据组成训练集；S2：构建心搏识别模型并设定模型的损失函数，对模型进行训练使得损失函数最小后，得到训练后的最终模型；构建的心搏识别模型由编码器和解码器组成；所述编码器包括一个卷积层和多个改进残差网络，改进残差网络采用多个不同尺度的卷积核路径并行编码；所述解码器包括一个带注意力机制的循环神经网络和两个全连接网络，两个全连接网络分别用于识别心搏类型和心搏位置；S3：将待识别心电图进行预处理后得到的多个子片段依次输入最终模型，得到识别结果。本发明专利技术克服手工设计算法的局限性，具有准确率高、抗干扰能力强、速度快的优点。

【技术实现步骤摘要】
一种心电图心搏识别方法、终端设备及存储介质
本专利技术涉及心电图自动识别领域，尤其涉及一种心电图心搏识别方法、终端设备及存储介质。
技术介绍
心电图对于心血管疾病的诊断具有重要的价值，它是临床最常用的无创检查手段之一。心电图数据由采集设备从人体采集得到，然后在心电图分析系统进行预处理后展示给医生进行诊断。预处理的主要工作是进行QRS波识别，QRS波是心电图上周期性出现的尖峰状信号，是心脏电活动的最主要特征。业界识别QRS波的传统方法主要有：自适应阈值法、小波变换法、模板法等。这些方法对于采集质量较高、心搏形态和节律比较常见的图可以满足要求。然而，QRS波的形态因人而异，即使同一个人也容易受高频噪声、基线漂移、运动伪迹、个体差异等的影响而造成失真，使得识别变得困难。尤其是动态心电图领域，心搏形态和节律变化非常复杂，传统方法识别的效果与医生的要求还有较大差距。医生需要手动修改大量的错误标记，或者添加很多漏检的QRS波，严重降低了工作效率。究其原因，这些方法还远远不能模拟人类大脑的工作过程，它们是基于一套人为制定的决策规则来进行模式识别，而QRS的模式很难用有限的规则去涵盖。深度学习技术利用大数据训练深度神经网络，在计算机视觉领域取得了革命性的突破。现有技术中已有一些方案把深度学习应用于心搏分类，但前提是需要传统QRS识别算法先将心搏位置定位出来，然后再将定位到的心搏片段数据送入神经网络。这样做存在两个缺陷，第一是QRS检出的准确度受传统方法限制，二是单个心搏片段提供的信息有限，无法综合心电图上下文信息，从而分类能力也很难提升。
技术实现思路
为了解决上述问题，本专利技术提出了一种心电图心搏识别方法、终端设备及存储介质。具体方案如下：一种心电图心搏识别方法，包括以下步骤：S1：采集心电图数据组成训练集；S2：构建心搏识别模型并设定模型的损失函数，对模型进行训练使得损失函数最小后，得到训练后的最终模型；构建的心搏识别模型由编码器和解码器组成；所述编码器包括一个卷积层和多个改进残差网络，改进残差网络采用多个不同尺度的卷积核路径并行编码；所述解码器包括一个带注意力机制的循环神经网络和两个全连接网络，两个全连接网络分别用于识别心搏类型和心搏位置；所述心搏识别模型的损失函数由分类损失和位置损失两部分组成；S3：将待识别心电图进行预处理后得到的多个子片段依次输入最终模型，得到最终模型输出的每个子片段对应的心搏类型和心搏位置的预测序列；将多个预测序列依次连接，组成该待识别心电图的识别结果。进一步的，步骤S1具体包括：采集多个心电图数据并将每个心电图数据截取为多个额定时间长度的子片段，对每个子片段进行心搏类型和心搏位置标记后，将每个心电图数据对应的所有子片段叠加后的数据和所有子片段标记后的数据叠加后的数据共同组成该心电图数据的训练样本，将采集的所有心电图数据的训练样本组成训练集。进一步的，采集的心电图数据需符合：对应的时间大于时间阈值且满足包含室性心搏、包含房性心搏、包含伪差心搏和诊断结论为异常这四种条件中的至少一种。进一步的，子片段的截取方法为：根据心电图数据横坐标的时间设定采样点，设定额定时间长度为m，从第1个采样点开始，截取时间长度为m的区间组成第1个子片段，从第1+m-w个采样点开始，截取时间长度为m的区间组成第2个片段，依次类推，直到某个片段达到心电图数据的结尾，其中w表示重叠的范围，且满足w<＝0.5*m。进一步的，步骤S1还包括对心电图数据进行预处理，所述预处理为以额定频率进行重新采样后再进行滤波处理。进一步的，标记包括以下步骤：S11：读取心电图数据中的心搏标记信息，提取心搏标记信息中的标签序列和位置序列；S12：构造心搏类型标记张量label_cls，将每个子片段对应时间范围内的心搏类型标记依次编码后写入心搏类型标记张量label_cls中；S13：构造心搏位置标记张量label_pos，将每个子片段对应时间范围内的心搏位置标记依次进行位置编码后写入心搏位置标记张量label_pos中。进一步的，心搏类型标记张量label_cls表示为[a，5]，其中，a表示心搏个数，5表示心搏类型编码为5位；心搏位置标记张量label_pos表示为[a，1]。进一步的，子片段中标记在t秒的QRS波对应的位置编码的计算公式为：(t-offset)/m，其中，offset表示该子片段的起始位置相对于该子片段对应的心电图数据的起始位置的偏移时间，m表示该子片段对应的时间范围。进一步的，改进残差网络结构包括三路不同尺度的ResidualBlock，输入经过三路不同尺度的ResidualBlock后的输出合并作为改进残差网络的输出，每路ResidualBlock的卷积核大小依次增加2。进一步的，解码器中带注意力机制的循环神经网络的结构表达公式为：St＝tanh(yt+1·U+St-1·V+b1)ek＝Code·SiT其中，S表示循环神经网络的内部状态张量，St-1和St分别表示循环神经网络的t-1时刻和t时刻的状态；y表示循环神经网络的输出张量，yt+1和yt分别表示循环神经网络的t+1时刻和t时刻的输出张量；U和V为参数矩阵；tanh为双曲正切函数；b1、b2、Wc和Ws均为参数张量；C表示上下文向量；上标T表示转置，αj表示t时刻对Code编码中j时间点的注意力系数；L表示Code的长度；j和k均为变量参数；ej表示t时刻的状态和Code在j时间点的注意力得分；exp表示e为底的指数函数；表示修正状态；[C,St]表示把Code和St在最后一个维度堆叠。进一步的，解码器中对应于心搏类型的全连接网络为：循环神经网络的输出经过第一个两层全连接神经网络MLP1后，再经过Softmax函数进行归一化变换得到每种心搏类型的概率。进一步的，解码器中对应于心搏位置的全连接网络为：循环神经网络的输出经过第二个两层全连接神经网络MLP2后，再经过Sigmoid函数变换得到心搏的位置。进一步的，两层全连接神经网络MLP1和MLP2的数学表达式均为：y＝(x·W1+b1)·W2+b2其中，x表示输入张量，y表示输出张量，W1、W2、b1和b2均为可学习的参数张量。进一步的，分类损失采用多分类交叉熵损失函数，位置损失采用L2损失函数。一种心电图心搏识别终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例上述的方法的步骤。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程序，其特征在于，所述计算机程序被处理器执行时实现本专利技术实施例上述的方法的步骤。本专利技术采用如上技术方案，并具有有益效果：1.克服手工设计算法的局限性，充分利用大数据的威力。随着数据量增多，模型可以本文档来自技高网...

【技术保护点】
1.一种心电图心搏识别方法，其特征在于，包括以下步骤：/nS1：采集心电图数据组成训练集；/nS2：构建心搏识别模型并设定模型的损失函数，对模型进行训练使得损失函数最小后，得到训练后的最终模型；/n构建的心搏识别模型由编码器和解码器组成；/n所述编码器包括一个卷积层和多个改进残差网络，改进残差网络采用多个不同尺度的卷积核路径并行编码；/n所述解码器包括一个带注意力机制的循环神经网络和两个全连接网络，两个全连接网络分别用于识别心搏类型和心搏位置；/n所述心搏识别模型的损失函数由分类损失和位置损失两部分组成；/nS3：将待识别心电图进行预处理后得到的多个子片段依次输入最终模型，得到最终模型输出的每个子片段对应的心搏类型和心搏位置的预测序列；将多个预测序列依次连接，组成该待识别心电图的识别结果。/n

【技术特征摘要】
1.一种心电图心搏识别方法，其特征在于，包括以下步骤：
S1：采集心电图数据组成训练集；
S2：构建心搏识别模型并设定模型的损失函数，对模型进行训练使得损失函数最小后，得到训练后的最终模型；
构建的心搏识别模型由编码器和解码器组成；
所述编码器包括一个卷积层和多个改进残差网络，改进残差网络采用多个不同尺度的卷积核路径并行编码；
所述解码器包括一个带注意力机制的循环神经网络和两个全连接网络，两个全连接网络分别用于识别心搏类型和心搏位置；
所述心搏识别模型的损失函数由分类损失和位置损失两部分组成；
S3：将待识别心电图进行预处理后得到的多个子片段依次输入最终模型，得到最终模型输出的每个子片段对应的心搏类型和心搏位置的预测序列；将多个预测序列依次连接，组成该待识别心电图的识别结果。


2.根据权利要求1所述的心电图心搏识别方法，其特征在于：步骤S1具体包括：采集多个心电图数据并将每个心电图数据截取为多个额定时间长度的子片段，对每个子片段进行心搏类型和心搏位置标记后，将每个心电图数据对应的所有子片段叠加后的数据和所有子片段标记后的数据叠加后的数据共同组成该心电图数据的训练样本，将采集的所有心电图数据的训练样本组成训练集。


3.根据权利要求2所述的心电图心搏识别方法，其特征在于：子片段的截取方法为：根据心电图数据横坐标的时间设定采样点，设定额定时间长度为m，从第1个采样点开始，截取时间长度为m的区间组成第1个子片段，从第1+m-w个采样点开始，截取时间长度为m的区间组成第2个片段，依次类推，直到某个片段达到心电图数据的结尾，其中w表示重叠的范围，且满足w<＝0.5*m。


4.根据权利要求2所述的心电图心搏识别方法，其特征在于：标记包括以下步骤：
S11：读取心电图数据中的心搏标记信息，提取心搏标记信息中的标签序列和位置序列；
S12：构造心搏类型标记张量label_cls，将每个子片段对应时间范围内的心搏类型标记依次编码后写入心搏类型标记张量label_cls中；
S13：构造心搏位置标记张量label_pos，将每个子片段对应时间范围内的心搏位置标记依次进行位置编码后写入心搏位置标记张量label_pos中。

【专利技术属性】
技术研发人员：李熙，徐拥军，
申请(专利权)人：厦门纳龙科技有限公司，
类型：发明
国别省市：福建;35