基于滤波和卷积神经网络的低质量心电信号中QRS点识别制造技术

本发明专利技术公开了基于滤波和卷积神经网络的心电信号QRS点检测方法，它包括：1）原始心电信号的去噪；2）生成过检测QRS点；3）初步去除过检测类QRS点中的非QRS点以及数据集制作；4）通过卷积神经网络筛选QRS点坐标；运用现代的卷积神经网络算法对心电信号进行底层卷积，随后对底层卷积所得到的特征通过LSTM层和Dense层进一步提取特征，得到最终特征进而输入到分类器进行分类得到QRS点分类结果；此方法对心电信号QRS点的识别得到了较高的准确率。

【技术实现步骤摘要】
基于滤波和卷积神经网络的低质量心电信号中QRS点识别
本专利技术涉及医学信号处理
,更确切地说一种基于滤波技术和卷积神经网络的低质量心电图的QRS点检测方法。
技术介绍
心电信号是一种通过心电图机采集到的能够体现人类心脏特征的一维信号，是心血管疾病的检测和诊断的一种重要且常用的手段。而QRS波群则是心电信号中所含能量最高的一部分波形，也是心电信号中最容易识别的一部分。通常医生会通过QRS波群来确定心电信号的其他波形的位置。而通过便捷式可穿戴设备以及动态心电图设备采集到的心电信号往往因为各种原因导致心电信号产生严重的畸形，从而导致心电信号QRS点的识别难度增大，严重影响医生对心电信号的观测和对病人疾病的诊断。
技术实现思路
本专利技术的目的是为解决由于噪声干扰，心电信号的QRS点识别精度低的问题，而提供一种基于滤波技术和卷积神经网络的低质量心电信号的QRS点检测方法。基于滤波技术和卷积神经网络的心电信号QRS点检测方法，它包括：1）原始心电信号的去噪读取一组原始心电信号矩阵e，对原始心电信号矩阵e进行切比雪夫型带通滤波，得到去噪信号矩阵x；读取每一个原始心电信号的人工标记的QRS点矩阵ref，为下文制作标签做准备；2）生成过检测QRS点对去噪信号矩阵x进行希尔伯特变换，得到变换后信号矩阵x1，对变换后信号矩阵x1取绝对值，得到去噪信号的包络信号矩阵x2。识别包络信号矩阵x2的波峰点和波谷点，并将包络信号矩阵x2的波峰点以及波谷点的集合作为该条心电信号的过检测类QRS点的包络幅度值存入矩阵H_place1，并将包络信号矩阵x2的波峰点以及波谷点下标集合作为该条心电信号的过检测类QRS点的坐标点，存入矩阵R_place1。其中矩阵R_place1和矩阵H_place1的元素是一一对应的。过检测类QRS点即为该条信号中可能是QRS点的点。3）初步去除过检测类QRS点中的非QRS点以及数据集制作a．设整数B为不应期，其取值范围为0至300之间的任意整数，此处使用不应期去除过检测类QRS点中的非QRS点是指矩阵R_pla两相邻元素R1,R2差值小于B，且在矩阵H_pla里两个相邻元素H1,H2数值较小的元素，继而得到矩阵R_place2和H_place2。其中元素R1在矩阵R_pla的下标与元素H1在矩阵H_pla的下标相同，元素R2在矩阵R_pla的下标与元素H2在矩阵H_pla的下标相同。c.计算矩阵H_place2中最后8个元素的和与前8个元素的和的差，在乘以0.008，得到阈值thr。d.去除矩阵H_place2中小于thr的包络幅度值以及在的矩阵R_place2中对应的坐标点，分别得到矩阵R_place3和H_place3。e.在原始心电信号e中以R_place3中的元素为下标，向前截取P个点，向后截取Q个点，每个心拍截取W=P+Q个点的过检测类QRS点数据样本，作为卷积神经网络模型的输入X。将所有心电信号以上述截取方法对R_place3中的所有元素进行截取，形成数据集U,其中数据集U中的每个样本都是上述1*W维的初步筛选后的过检测类QRS点数据样本。f.每一个截取的到的过检测类QRS点数据样本的标签的确定方法是将R_place3中的与过检测类QRS点数据样本相对应的元素依次与读取到的原始心电信号的QRS点矩阵ref做对比，如果R_place3中的元素与矩阵ref中的每一个元素的差都小于37，则判断该截取的到的过检测类QRS点数据样本的标签数据标签为1，反之为0。4）通过卷积神经网络筛选QRS点坐标a.搭建卷积神经网络模型卷积神经网络的核心主要由三个依次串联的底层卷积层，一个LSTM层，四个Dense层和Activation层组成。b.训练卷积神经网络参数初始化所述卷积神经网络的参数，将采样好的数据集U随机抽取80%数目的样本当作训练集，数据集U的20%视为测试集；将训练集中的心电信号样本输入到初始化后的神经网络中，以最小化代价函数为目标进行迭代，生成所述卷积神经网络的参数并保存；在抽取训练集与测试集时，标签的元素也分别分配到相应的矩阵中，其中测试集的标签放入矩阵y_label中。c.对测试集样本的自动识别将划分测试集样本输入到卷积神经网络中并运行，获得测试集样本对应的2维预测值向量输出y_pred，然后选取2维预测向量输出的最大值的索引值作为该点是否是QRS点的预测类别，如果索引为1则测试集样本所对应矩阵R_place3的元素则判断为QRS点，反之则为非QRS点。所述卷积神经网络参数为：输入X为心电信号样本，每个心电信号样本都是1*W维,W为以每个过检测类QRS点数据样本的点数；将心电信号样本输入到底层卷积层中，其中每个底层卷积层包含一个卷积层，每个卷积层单元的输出端依次串联的一BN层，一激励单元操作和一池化层操作；第一个卷积层单元的卷积核数为64个，卷积核大小为3，卷积方式为same,BN层单元后的激励单元为elu函数，池化层单元的池化核大小为2，池化步长为2；经过第一层池化单元后的特征图维度为(W/2)*64；第二个卷积层单元的卷积核数为256个，卷积核大小为3，卷积方式为same,BN层单元后的激励单元为elu函数,池化层单元的池化核大小为2，池化步长为2；经过第二层池化单元后的特征图维度为(W/4)*256，第三个卷积层单元的卷积核数为32个，卷积核大小为3，卷积方式为same,BN层单元后的激励单元为elu函数,池化层单元的池化核大小为2，池化步长为2；经过第三层池化单元后的特征图维度为(W/8)*256，然后通过一个LSTM层，LSTM层的输出定义为64，经过LSTM层后的特征图维度为1*64，然后经过四个Dense层，得到的输出的特征图维度为1*2，最终通过激励单元为softmax的Activation层得到输出y_pred，通过对y_pred的处理得到最终的分类结果存入矩阵RE中；所述的迭代为：迭代一次更新一次训练参数，直至最后卷积神经网络的损失值和准确率稳定在某一数值附近，停止训练并保存当前网络的训练参数和模型结构信息。本专利技术提供了基于滤波技术和卷积神经网络的心电信号QRS点检测方法，它包括：1）原始心电信号的去噪；2）生成过检测QRS点；3）初步去除过检测类QRS点中的非QRS点以及数据集制作；4）通过卷积神经网络筛选QRS点坐标；运用现代的卷积神经网络算法对心电信号进行底层卷积，随后对底层卷积所得到的特征通过LSTM层和Dense层进一步提取特征，得到最终特征进而输入到分类器进行分类得到QRS点分类结果。此方法对心电信号QRS点的识别得到了较高的准确率。其混淆矩阵如下：附图说明图1卷积神经网络示意图；其中X为过检测类QRS点数据样本，c为卷积层，b为BN层，a为激励单元，p为maxpling层，l为lstm层，d为dence层，y_pred为神经网络输出。具体实施方式实施例1心电信本文档来自技高网...

【技术保护点】
1.基于滤波技术和卷积神经网络的心电信号QRS点检测方法，它包括：/n1）原始心电信号的去噪/n读取一组原始心电信号矩阵e，对原始心电信号矩阵e进行切比雪夫

【技术特征摘要】
1.基于滤波技术和卷积神经网络的心电信号QRS点检测方法，它包括：
1）原始心电信号的去噪
读取一组原始心电信号矩阵e，对原始心电信号矩阵e进行切比雪夫型带通滤波，得到去噪信号矩阵x；读取每一个原始心电信号的人工标记的QRS点矩阵ref，为下文制作标签做准备；
2）生成过检测QRS点
对去噪信号矩阵x进行希尔伯特变换，得到变换后信号矩阵x1，对变换后信号矩阵x1取绝对值，得到去噪信号的包络信号矩阵x2；识别包络信号矩阵x2的波峰点和波谷点，并将包络信号矩阵x2的波峰点以及波谷点的集合作为该条心电信号的过检测类QRS点的包络幅度值存入矩阵H_place1，并将包络信号矩阵x2的波峰点以及波谷点下标集合作为该条心电信号的过检测类QRS点的坐标点，存入矩阵R_place1；其中矩阵R_place1和矩阵H_place1的元素是一一对应的；过检测类QRS点即为该条信号中可能是QRS点的点；
3）初步去除过检测类QRS点中的非QRS点以及数据集制作
a．设整数B为不应期，其取值范围为0至300之间的任意整数，此处使用不应期去除过检测类QRS点中的非QRS点是指矩阵R_pla两相邻元素R1,R2差值小于B，且在矩阵H_pla里两个相邻元素H1,H2数值较小的元素，继而得到矩阵R_place2和H_place2；其中元素R1在矩阵R_pla的下标与元素H1在矩阵H_pla的下标相同，元素R2在矩阵R_pla的下标与元素H2在矩阵H_pla的下标相同；
c.计算矩阵H_place2中最后8个元素的和与前8个元素的和的差，在乘以0.008，得到阈值thr；
d.去除矩阵H_place2中小于thr的包络幅度值以及在的矩阵R_place2中对应的坐标点，分别得到矩阵R_place3和H_place3；
e.在原始心电信号e中以R_place3中的元素为下标，向前截取P个点，向后截取Q个点，每个心拍截取W=P+Q个点的过检测类QRS点数据样本，作为卷积神经网络模型的输入X；将所有心电信号以上述截取方法对R_place3中的所有元素进行截取，形成数据集U,其中数据集U中的每个样本都是上述1*W维的初步筛选后的过检测类QRS点数据样本；
f.每一个截取的到的过检测类QRS点数据样本的标签的确定方法是将R_place3中的与过检测类QRS点数据样本相对应的元素依次与读取到的原始心电信号的QRS点矩阵ref做对比，如果R_place3中的元素与矩阵ref中的每一个元素的差都小于37，则判断该截取的到的过检测类QRS点数据样本的标签数据标签为1，反之为0；
4）通过卷积神经网络筛选QRS点坐标
a.搭建卷积神经网络模型
卷积神...

【专利技术属性】
技术研发人员：刘澳伟，刘通，臧睦君，李来国，
申请(专利权)人：鲁东大学，
类型：发明
国别省市：山东;37