一种心电信号特征点检测方法及系统技术方案

本发明专利技术公开一种心电信号特征点检测方法及系统，包括：获取连续时间内的心电信号；对连续时间内的心电信号进行分割处理后得到标准心电信号片段；对标准心电信号片段基于构建的一维编码解码深度学习模型提取心电特征，根据心电特征进行波形分类，根据得到的波形分类结果得到每类波形边界特征点的检测结果。利用深度学习方法自动提取心电信号特征，可以同时实现P波、QRS波、T波和无波段的波形分类，以及P波、QRS波群和T波边界点的检测。QRS波群和T波边界点的检测。QRS波群和T波边界点的检测。

【技术实现步骤摘要】
一种心电信号特征点检测方法及系统


[0001]本专利技术涉及人工智能数据分析
，特别是涉及一种心电信号特征点检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]心电图从体表捕捉电信号在心脏内的传播过程，通过波形或节律的变化显示心室心房的病变状态，此类设备可以进行实时的非静态心电监测，但是长时间的心电监测会产生大量的心电数据。一个正常的心动周期通常由P波、QRS波群和T波组成，对心电图的分析首先是寻找QRS波群，因为QRS波群是心电图中最显著的特征，是其余波形检测的基础。
[0004]QRS波群检测的主要方法是根据心电信号和心脏电生理活动的基本规律对心电进行QRS增强或者减弱其余波形的强度，并设置阈值来进行检测；而P波和T波检测常见的两种方法是固定窗口搜索法和QRS
‑
T消除法，但是以上传统的方法很难将所有的情况考虑在内，当出现考虑在外的心电信号时，波形检测精度严重下降，且P波和T波形态多变，可能呈现双相形态或缺失状态，这使得P波和T波检测成为一大难点。

技术实现思路

[0005]为了解决上述问题，本专利技术提出了一种心电信号特征点检测方法及系统，利用深度学习方法构建一维编码解码深度学习模型，通过自动提取心电信号特征，可以同时实现P波、QRS波、T波和无波段的波形分类，以及P波、QRS波群和T波边界点的检测。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]第一方面，本专利技术提供一种心电信号特征点检测方法，包括：
[0008]获取连续时间内的心电信号；
[0009]对连续时间内的心电信号进行分割处理后得到标准心电信号片段；
[0010]对标准心电信号片段基于构建的一维编码解码深度学习模型提取心电特征，根据心电特征进行波形分类，根据得到的波形分类结果得到每类波形边界特征点的检测结果。
[0011]作为可选择的实施方式，对心电信号进行分割处理之前，通过对连续时间内的心电信号的质量评估，判断是否需要对心电信号进行去噪处理，若需要，则对心电信号去噪后进行分割，否则直接对心电信号进行分割。
[0012]作为可选择的实施方式，所述质量评估包括：采用心电信号纯度和心电波形的样本熵进行质量评估。
[0013]作为可选择的实施方式，所述去噪处理包括：采用中值滤波器对心电信号中的基线漂移进行去除。
[0014]作为可选择的实施方式，所述分割处理包括：将心电信号重采样到预设采样频率，按照预设心电信号片段时间长度对重采样后的心电信号进行分割处理，得到标准心电信号
片段；将心电信号所对应的波形位置分别对应至标准心电信号片段对应的波形位置上，对标准心电信号片段中的波形位置进行独热编码，以完成特征数字化。
[0015]作为可选择的实施方式，所述一维编码解码深度学习模型包括编码器，所述编码器的第一层采用两层卷积及池化结构，以提取心电初级特征；第二层到第四层的每层分成两条支路，第一条支路为两个卷积操作，第二条支路为两个空洞卷积操作，且每层的最后将两路卷积所提取的特征进行通道合并后输入到池化层，第五层为两个双向长短时记忆网络以提取时间特征。
[0016]作为可选择的实施方式，所述一维编码解码深度学习模型包括解码器，所述解码器采用多次解码结构。
[0017]第二方面，本专利技术提供一种心电信号特征点检测系统，包括：
[0018]信号获取模块，被配置为获取连续时间内的心电信号；
[0019]分割处理模块，被配置为对连续时间内的心电信号进行分割处理后得到标准心电信号片段；
[0020]检测模块，被配置为对标准心电信号片段基于构建的一维编码解码深度学习模型提取心电特征，根据心电特征进行波形分类，根据得到的波形分类结果得到每类波形边界特征点的检测结果。
[0021]第三方面，本专利技术提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
[0022]第四方面，本专利技术提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
[0023]与现有技术相比，本专利技术的有益效果为：
[0024]本专利技术的心电信号特征点检测方法及系统根据对心电信号的质量评估结果选择是否进行基线漂移去除操作，且利用只经过去除基线漂移的心电信号进行模型的搭建，提高算法的鲁棒性，对含有高噪声的心电信号检测效果也较稳定。
[0025]本专利技术的心电信号特征点检测方法及系统可以同时实现P波、QRS波、T波和无波段的波形分类，以及P波、QRS波群和T波边界点的检测。
[0026]相比于传统算法中需要繁琐的特征提取及选择过程，本专利技术的心电信号特征点检测方法及系统利用深度学习算法可以自动进行特征提取，提高心电波形识别的精度。
[0027]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0028]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0029]图1为本专利技术实施例1提供的心电波形心动周期示意图；
[0030]图2为本专利技术实施例1提供的基于深度学习的心电信号特征点自动检测方法的流程图；
[0031]图3为本专利技术实施例1提供的心电片段波形位置范围示意图；
[0032]图4为本专利技术实施例1提供的双向长短时记忆网络示意图；
[0033]图5为本专利技术实施例1提供的长短时记忆网络结构图；
[0034]图6为本专利技术实施例1提供的对心电波形检测结果的示意图。
具体实施方式：
[0035]下面结合附图与实施例对本专利技术做进一步说明。
[0036]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0037]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0038]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0039]实施例1
[0040]如图1所示，一个正常的心动周期通常由P波、QRS波群和T波组成，对心电图的分析首先是寻找Q本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心电信号特征点检测方法，其特征在于，包括：获取连续时间内的心电信号；对连续时间内的心电信号进行分割处理后得到标准心电信号片段；对标准心电信号片段基于构建的一维编码解码深度学习模型提取心电特征，根据心电特征进行波形分类，根据得到的波形分类结果得到每类波形边界特征点的检测结果。2.如权利要求1所述的一种心电信号特征点检测方法，其特征在于，对心电信号进行分割处理之前，通过对连续时间内的心电信号的质量评估，判断是否需要对心电信号进行去噪处理，若需要，则对心电信号去噪后进行分割，否则直接对心电信号进行分割。3.如权利要求2所述的一种心电信号特征点检测方法，其特征在于，所述质量评估包括：采用心电信号纯度和心电波形的样本熵进行质量评估。4.如权利要求2所述的一种心电信号特征点检测方法，其特征在于，所述去噪处理包括：采用中值滤波器对心电信号中的基线漂移进行去除。5.如权利要求1所述的一种心电信号特征点检测方法，其特征在于，所述分割处理包括：将心电信号重采样到预设采样频率，按照预设心电信号片段时间长度对重采样后的心电信号进行分割处理，得到标准心电信号片段；将心电信号所对应的波形位置分别对应至标准心电信号片段对应的波形位置上，对标准心电信号片段中的波形位置进行独热编码，以完成特征数字化。6.如权利要求1所述的一种心电信号特征点检测方法，其特...

【专利技术属性】
技术研发人员：刘常春，梁晓洪，张明，王吉阔，
申请(专利权)人：济南汇医融工科技有限公司，
类型：发明
国别省市：