一种基于目标检测的心电图分析方法及装置制造方法及图纸

本发明专利技术提供了一种基于目标检测的心电图分析方法，心电图分析方法包括用获取的样本心拍数据构建目标检测模型，将待分析心电信号输入目标检测模型，获取分析结果，构建的目标检测模型包括以下步骤：将获取的样本心拍数据转换为二维图像，对二维图像进行初步特征提取，输出原始图像的特征图；对原始图像的特征图进行融合和提取，输出最终特征图；对最终特征图进行运算完成回归和分类，输出若干组QRS复合波位置、心拍类别和置信度；对输出的QRS复合波位置、心拍类别和置信度进行筛选，输出分析结果；本发明专利技术提供的方法，缓解人工提取特征以及特征受R峰检测精度影响的问题，无需人工检测QRS复合波以及提取特征也可作为模型输入并得到分析结果。到分析结果。

【技术实现步骤摘要】
一种基于目标检测的心电图分析方法及装置


[0001]本专利技术属于心电信号自动检测
，特别涉及一种基于目标检测的心电图分析方法及装置。

技术介绍

[0002]心电图作为心脏活动记录，提供了有关心脏状态的重要信息。对心电图进行分析是心脏病患者早期诊断的必要手段。一方面，医生很难在有限的时间内对记录时间长的心电图进行分析；另一方面，没有工具支持，人们也几乎无法识别心电信号的形态变化。因此需要一个有效的计算机辅助诊断系统来解决这一问题。
[0003]目前的心电图分析方法主要包括基于传统机器学习的方法和基于卷积神经网络的深度学习方法。
[0004]基于传统机器学习的方法包括数据预处理、QRS复合波检测、特征提取及分类三个步骤，其中QRS复合波检测与特征提取最为关键。通常用来提取QRS复合波的方法主要有阔值检测法(其中包含峰值检测法、差分阔值法和可变斜率阔值法三种检测方法)、滤波器法、模板匹配法、神经网络法以及数学形态法等。基于所检测的R峰位置进行后续特征如波形特性、相邻波的间隔以及每个波的振幅和周期等的提取，然后将其馈送至BP网络、支持向量机等分类器中进行类别判读。显然，最后的分类依赖于之前的QRS复合波检测和特征提取，QRS复合波的错检和漏检会导致最终心拍判读的误差，但如图1所示的基于传统机器学习的心电图分析方法流程，由于每个过程都是独立完成的，难以整体优化，且耗时耗力，不利于实时测试。另外，传统的心电图分析方法具有较强的科学理论与医生个人经验作为支撑，且即使有很好的医学领域知识，人工设计和提取特征也并非易事。
[0005]基于卷积神经网络(CNN)的深度学习方法主要包括两种模式。
[0006]一种模式如图2所示，通过QRS复合波检测器定位R峰位置以划分心拍，之后无需人工设计提取特征，直接馈送至CNN中，利用CNN作为自动特征提取器，在训练过程中数据特征会自动被网络所学习，但该模式仍然对前期的QRS复合波检测精度有所依赖。
[0007]另一种模式如图3所示，将一段持续的心电信号数据馈送至网络中无需QRS复合波检测和人工设计提取特征即可进行异常判读，但通过该模式无法从结果中得到如异常心拍发生的频率及其发生位置等更多信息，不利于可视化和进一步分析。另外，很多高准确率的方法为了获取更多特征选择使用多导联心电信号，一方面增加了网络模型的参数，提高了计算复杂度，不利于实时检测，另一方面若落地于产品，需要对用户身体多个位置进行信号采集，用户舒适度下降。

技术实现思路

[0008]为了解决以上技术问题，本专利技术提供了一种基于目标检测的心电图分析方法，心电图分析方法包括用获取的样本心拍数据构建目标检测模型，将待分析心电信号输入目标检测模型，获取分析结果，构建的目标检测模型包括以下步骤：
[0009]将获取的样本心拍数据转换为二维图像，对二维图像进行初步特征提取，输出原始图像的特征图；
[0010]对原始图像的特征图进行融合和提取，输出最终特征图；
[0011]对最终特征图进行运算完成回归和分类，输出若干组QRS复合波位置、心拍类别和置信度；
[0012]对输出的QRS复合波位置、心拍类别和置信度进行筛选，输出分析结果。
[0013]本专利技术提供了一种基于目标检测的深度学习模型来实现心电图分析的新方法，即将心拍数据转换为二维图像输入目标检测模型进行训练和验证，得到心拍检测模型，最后应用该模型对待分析心拍信号进行检测，得到相应的QRS复合波位置和心拍类别，从而缓解人工提取特征以及特征受R峰检测精度影响的问题，使得无需人工检测QRS复合波以及提取特征也可作为模型输入并得到分析结果，可广泛适用于常见的心拍异常检测，便于实际应用和推广。
附图说明
[0014]图1是利用传统机器学习方法进行心电图分析的流程示意图；
[0015]图2是利用基于CNN的深度学习方法进行心电图分析的流程示意图；
[0016]图3是利用基于CNN的深度学习方法进行心电图分析的流程示意图；
[0017]图4是基于目标检测的心电图分析方法的流程示意图；
[0018]图5是基于目标检测的心电图分析方法的流程图；
[0019]图6是层次树结构示意图；
[0020]图7是Yolo v4模型的结构示意图；
[0021]图8是Yolo v4模型的CSPDarknet53网络结构示意图；
[0022]图9是4大类心拍图的检测结果示意图。
[0023]其中，图6中各节点释义如下：ECG
‑
心电图、N
‑
正常、L
‑
左束支传导阻滞、R
‑
右束支传导阻滞、SVEB
‑
室上性异常、e
‑
房性逸搏、j
‑
交界性逸搏、A
‑
房性早搏、a
‑
异常房性早搏、J
‑
交界性早搏、S
‑
早搏或室上性异位心搏、VEB
‑
室性异常、V
‑
室性早搏、E
‑
室性逸搏、F
‑
融合心拍。
具体实施方式
[0024]在某些实施例中，如图4所示，展示出了基于目标检测的心电图分析方法的流程示意图，心电图分析方法包括用获取的样本心拍数据构建目标检测模型，将待分析心电信号输入目标检测模型，获取分析结果，如图5所示，展示出了基于目标检测的心电图分析方法的流程图，构建的目标检测模型包括以下步骤：
[0025]将获取的样本心拍数据转换为二维图像，对二维图像进行初步特征提取，输出原始图像的特征图；
[0026]对原始图像的特征图进行融合和提取，输出最终特征图；
[0027]对最终特征图进行运算完成回归和分类，输出若干组QRS复合波位置、心拍类别和置信度；
[0028]对输出的QRS复合波位置、心拍类别和置信度进行筛选，输出分析结果。
[0029]在某些实施例中，二维图像利用python代码通过读取一维心拍的幅值数据作为纵坐标、数据点索引作为横坐标绘制而成，并以.jpg格式保存。
[0030]其中，幅值数据即原始一维心拍实际电信号数值，数据点索引即用于存储电信号数值的数组索引。
[0031]在某些实施例中，构建目标检测模型包括以下步骤：将获取的心拍数据分为训练样本集和验证样本集，用训练样本集的心拍数据通过预训练权重初始化目标检测模型后进行训练，用验证样本集不断进行验证，保存验证集上表现最佳的目标检测模型作为检测目标检测模型。
[0032]在某些实施例中，目标检测模型可以但不限于采用Yolo v4模型，预训练权重可以但不限于采用yolov4.conv.137。
[0033]在某些实施例中，获取的样本心拍数据可以但不限于采用MIT
‑
BIH心电数据库；心拍类别标签可以但不限于包括美国医疗仪器促进协会(AAMI)建议的4大类(正常或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于目标检测的心电图分析方法，所述心电图分析方法包括用获取的样本心拍数据构建目标检测模型，将待分析心电信号输入目标检测模型，获取分析结果，其特征在于，构建的所述目标检测模型包括以下步骤：将获取的样本心拍数据转换为二维图像，对所述二维图像进行初步特征提取，输出原始图像的特征图；对原始图像的特征图进行融合和提取，输出最终特征图；对最终特征图进行运算完成回归和分类，输出若干组QRS复合波位置、心拍类别和置信度；对输出的QRS复合波位置、心拍类别和置信度进行筛选，输出分析结果。2.如权利要求1所述的心电图分析方法，其特征在于，所述二维图像以一维电信号的幅值数据作为纵坐标，以数据点索引作为横坐标。3.如权利要求1所述的心电图分析方法，其特征在于，所述分析方法还包括以下步骤：训练目标检测模型前进行对QRS复合波位置及类别进行标注作为心拍的标签，对所述QRS复合波位置的标注的方法是对所述所述QRS复合波所在区域的矩形框的位置信息进行标注，所述QRS复合波所在区域的矩形框的位置信息包括所述矩形框的中心点坐标和所述矩形框的宽高大小，所述QRS复合波所在区域的矩形框的左右边界为所述QRS复合波的波段起始点和终止点，上下边界为波段的波峰和波谷。4.如权利要求3所述的心电图分析方法，其特征在于，对心拍类别的标注是将N个心拍类别用0到N
‑
1范围内的N个整数表征，每个心拍类别对应一个整数值。5.如权利要求1所述的心电图分析方法，其特征在于，所述类别的运算方法包括以下步骤：模型训练前依据心拍类别之间的从属关系构建分支路径，每层节点对应的类别互斥；在模型的前向过程中，计算每个节点对于其所在层的相对概率；对...

【专利技术属性】
技术研发人员：田禾，任天令，
申请(专利权)人：大同千烯科技有限公司，
类型：发明
国别省市：