本发明专利技术公开了一种基于深度学习分割网络的ECG信号的R峰检测方法及系统，属于医学信号检测领域，解决现有技术在复杂多变的场景下，ECG信号常常被噪声干扰，从而造成R峰的检测的准确性差，鲁棒和自适应性效果差的问题。本发明专利技术包括获取ECG信号数据集进行预处理；根据R峰标注制作一维信号响应图；搭建多分支多尺度特征融合的神经网络模型的结构；确定神经网络模型对应的损失函数并训练神经网络模型；基于训练好的神经网络模型对待检测的ECG信号进行预测。本发明专利技术用于ECG信号的R峰检测。本发明专利技术用于ECG信号的R峰检测。本发明专利技术用于ECG信号的R峰检测。
【技术实现步骤摘要】
基于深度学习分割网络的ECG信号的R峰检测方法及系统
[0001]一种基于深度学习分割网络的ECG信号的R峰检测方法及系统，用于ECG信号的R峰检测，属于医学信号检测领域。
技术介绍
[0002]心电图(ECG)是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形的技术。心电图信号(ECG信号)的R峰的准确检测对于心脏监测至关重要。最早期的R峰检测只是使用简单的数字滤波器组合。从那时起，已经有众多的尝试来提高R峰检测算法的准确性和计算效率。其中包括小波变换、经验模态分解(EMD)、时序神经网络和相关混合方法。大多数上述方法评估其算法都是基于常用的公开数据集进行检测，如基于MITBIH心律失常数据库等。然而，与常用公开数据集的数据不同，真实的临床场景更加的复杂多变，信号常常被噪声包裹，上述方法在充满噪声的数据集上表现往往差强人意。目前，准确高效鲁棒且自适应性强的R峰检测仍然是具有挑战性的任务。
[0003]综上所述，现有技术存在如下技术问题：
[0004]1.在复杂多变的场景下，ECG信号常常被噪声干扰，从而造成R峰的检测的准确性差；
[0005]2.在不同的数据来源下，ECG信号的采集设备，采集质量都有差异，由单个数据集训练的模型在其他数据集上准确性较差，模型的鲁棒性不强；
[0006]3.现有技术对终端设备有一定的内存要求，一般的硬件设备无法满足参数量巨大的深度学习模型。
技术实现思路
[0007]针对上述研究的问题，本专利技术的目的在于提供一种基于深度学习分割网络的ECG信号的R峰检测方法及系统，解决现有技术在复杂多变的场景下，ECG信号常常被噪声干扰，从而造成R峰的检测的准确性差，鲁棒和自适应性效果差的问题。
[0008]为了达到上述目的，本专利技术采用如下技术方案：
[0009]一种基于深度学习分割网络的ECG信号的R峰检测方法，包括下述步骤：
[0010]步骤1.获取ECG信号数据集进行预处理；
[0011]步骤2.根据R峰标注制作一维信号响应图；
[0012]步骤3.搭建多分支多尺度特征融合的神经网络模型的结构；
[0013]步骤4.确定神经网络模型的损失函数，并基于一维信号响应图和预处理后的ECG信号训练神经网络模型，得到训练好的神经网络模型；
[0014]步骤5.基于训练好的神经网络模型对待检测的ECG信号进行预测，得到待检测的ECG信号的R峰。
[0015]进一步，所述步骤1的具体步骤为：
[0016]采集一定数量的ECG信号，得到ECG信号数据集，其中，一定数量为20至50个用户不
同时间段的ECG信号；
[0017]将ECG信号数据集中的ECG信号进行指定频率对齐；
[0018]指定频率对齐后，对ECG信号进行平滑处理，平滑处理后得到去除异常值的ECG信号；
[0019]使用均值和方差对平滑处理得到的ECG信号进行标准化处理；
[0020]标准化处理后，对得到的所有ECG信号进行等时间段分割。
[0021]进一步，所述步骤2是根据ECG信号人为的R峰标注以及R峰位置前后75ms的区间，标注R峰的标注区间，标注后得到一维信号响应图。
[0022]进一步，所述步骤3中的神经网络模型的结构在分割网络Unet的基础上，将分割网络Unet中的每一个卷积层修改为由多分支多尺度卷积核构成，即得到基于R峰分割的1D
‑
Unet，其中，多分支多尺度卷积核包含平行的一个身份分支和三个不同卷积核尺寸的分支，四个分支各自经过标准层后，依次通过通道拼接运算和注意力机制融合运算进行融合。
[0023]进一步，步骤4中的损失函数的表达式如下：
[0024][0025]其中，y
i
表示当前采样点i的标签，属于R峰的位置为1，不属于为0,pi表示当前采样点i预测为R峰的概率，L表示神经网络模型的损失函数，N表示训练过程中神经网络模型一轮训练进行梯度下降的单一批次的样本数；
[0026]在定义损失函数后，根据损失函数的误差值对神经网络模型进行反向传播来修改参数；
[0027]参数修改后，基于一维信号响应图和预处理后的ECG信号对神经网络模型进行训练；
[0028]若达到要求，即得到训练好的神经网络模型，否则，再次根据损失函数的误差值对神经网络模型进行反向传播来修改参数后进行训练。
[0029]进一步，所述步骤5的具体步骤为：
[0030]将预处理后的待检测的ECG信号输入训练好的神经网络模型进行预测，得出预测的一维信号响应图；
[0031]按照给定的阈值判定一维信号响应图中的各位置是否满足要求，若满足，将相邻的R峰位置取中值进行合并，合并后得到R峰的最终预测位置，若不满足，则不处理。
[0032]一种基于深度学习分割网络的ECG信号的R峰检测系统，包括：
[0033]采集模块：获取ECG信号数据集进行预处理；
[0034]响应图制作模块：根据R峰标注制作一维信号响应图；
[0035]搭建模块：搭建多分支多尺度特征融合的神经网络模型的结构；
[0036]训练模块：确定神经网络模型的损失函数，并基于一维信号响应图和预处理后的ECG信号训练神经网络模型，得到训练好的神经网络模型；
[0037]检测模块：基于训练好的神经网络模型对待检测的ECG信号进行预测，得到待检测的ECG信号的R峰。
[0038]进一步，所述采集模块的具体步骤为：
[0039]采集一定数量的ECG信号，得到ECG信号数据集，其中，一定数量为20至50个用户不
同时间段的ECG信号；
[0040]将ECG信号数据集中的ECG信号进行指定频率对齐；
[0041]指定频率对齐后，对ECG信号进行平滑处理，平滑处理后得到去除异常值的ECG信号；
[0042]使用均值和方差对平滑处理得到的ECG信号进行标准化处理；
[0043]标准化处理后，对得到的所有ECG信号进行等时间段分割。
[0044]进一步，所述响应图制作模块是根据ECG信号人为的R峰标注以及R峰位置前后75ms的区间，标注R峰的标注区间，标注后得到一维信号响应图。
[0045]进一步，所述搭建模块中的神经网络模型的结构在分割网络Unet的基础上，将分割网络Unet中的每一个卷积层修改为由多分支多尺度卷积核构成，即得到基于R峰分割的1D
‑
Unet，其中，多分支多尺度卷积核包含平行的一个身份分支和三个不同卷积核尺寸的分支，四个分支各自经过标准层后，依次通过通道拼接运算和注意力机制融合运算进行融合；
[0046]训练模块中确定的神经网络模型的损失函数的表达式如下：
[0047][0048]其中，y
i
表示当前采样点i的标签，属于R峰的位置为1，不属于为0,p
i
表示当前采样点i预测为R峰的概本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习分割网络的ECG信号的R峰检测方法，其特征在于，包括下述步骤：步骤1.获取ECG信号数据集进行预处理；步骤2.根据R峰标注制作一维信号响应图；步骤3.搭建多分支多尺度特征融合的神经网络模型的结构；步骤4.确定神经网络模型的损失函数，并基于一维信号响应图和预处理后的ECG信号训练神经网络模型，得到训练好的神经网络模型；步骤5.基于训练好的神经网络模型对待检测的ECG信号进行预测，得到待检测的ECG信号的R峰。2.根据权利要求1所述的一种基于深度学习分割网络的ECG信号的R峰检测方法，其特征在于，所述步骤1的具体步骤为：采集一定数量的ECG信号，得到ECG信号数据集，其中，一定数量为20至50个用户不同时间段的ECG信号；将ECG信号数据集中的ECG信号进行指定频率对齐；指定频率对齐后，对ECG信号进行平滑处理，平滑处理后得到去除异常值的ECG信号；使用均值和方差对平滑处理得到的ECG信号进行标准化处理；标准化处理后，对得到的所有ECG信号进行等时间段分割。3.根据权利要求2所述的一种基于深度学习分割网络的ECG信号的R峰检测方法，其特征在于，所述步骤2是根据ECG信号人为的R峰标注以及R峰位置前后75ms的区间，标注R峰的标注区间，标注后得到一维信号响应图。4.根据权利要求3所述的一种基于深度学习分割网络的ECG信号的R峰检测方法，其特征在于，所述步骤3中的神经网络模型的结构在分割网络Unet的基础上，将分割网络Unet中的每一个卷积层修改为由多分支多尺度卷积核构成，即得到基于R峰分割的1D
‑
Unet，其中，多分支多尺度卷积核包含平行的一个身份分支和三个不同卷积核尺寸的分支，四个分支各自经过标准层后，依次通过通道拼接运算和注意力机制融合运算进行融合。5.根据权利要求4所述的一种基于深度学习分割网络的ECG信号的R峰检测方法，其特征在于，步骤4中的损失函数的表达式如下：其中，y
i
表示当前采样点i的标签，属于R峰的位置为1，不属于为0,p
i
表示当前采样点i预测为R峰的概率，L表示神经网络模型的损失函数，N表示训练过程中神经网络模型一轮训练进行梯度下降的单一批次的样本数；在定义损失函数后，根据损失函数的误差值对神经网络模型进行反向传播来修改参数；参数修改后，基于一维信号响应图和预处理后的ECG信号对神经网络模型进行训练；若达到要求，即得到训练好的神经网络模型，否则，再次根据损失函数的误差值对神经网络模型进行反向传播来修改参数后进行训练。6.根据权利要求1所述的一种基于深度学习分割网络的ECG信号的R峰检测方法，其特征在于，所述步骤5的具体步骤为：
将预处理后的待检测的ECG信号输入训练好的神经网络模型进行预测，得出预测的一维信号响应图；按照给定的阈值判定一维信号响应图中的各位置是否满足要求，若满足，将相邻的R峰位置取中...
【专利技术属性】
技术研发人员：魏骁勇，陆琪，张栩禄，杨震群，
申请(专利权)人：四川大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。