一种心电图特征点的识别方法技术

一种心电图特征点的识别方法，使用较少的点实现了较高精度的特征点计算。在标签处理的模块中，采用托盘的设计思路，提高了正样本占比，缓解了正负样本不均衡的问题提升了模型的训练效果。在特征点识别神经网络中，允许输出的结果明显短于输入的心电图数据，在特征点识别神经网络中可以进行stride卷积以及pooling等缩减尺度的计算以减轻最后的RNN模型的运行效率损耗。在解码过程中，采用了分割的思想，避免了传统的Anchor

【技术实现步骤摘要】
一种心电图特征点的识别方法


[0001]本专利技术涉及心电图
，具体涉及一种心电图特征点的识别方法。

技术介绍

[0002]心电图的特征点识别，是识别心电图中出现的P波起止点、QRS波起止点、T波起止点、U波起止点、起搏钉、F波谷点以及噪声起止点的时间位置，识别完成后可以通过后续的规则模块，设计出心电图的自动诊断、自动测量等心电人工智能辅助诊断模块，可以说，心电图的特征点识别的准确度很大程度决定了心电图自动诊断以及自动测量的准确度，而心电图的自动诊断与自动测量在临床实践中可以缩减患者的就医延迟，保障患者的生命健康。
[0003]现今，绝大多数心电图特征点识别有很多种方法：
[0004]1.采用了先寻找QRS波群，然后再通过QRS波群的定位信息，前后寻找相关的P波、T波以及U波的方法。这种方法对于非窦性，或者是P波过于矮小，或者是低电压心电图的识别适用性较差。
[0005]2.采用深度学习模型的方法。该方法先对心电图使用卷积神经网络进行形态特征层面建模，然后再使用RNN模型对心电图进行序列层面的推理建模，最后使用逐帧分类的方式进行结果输出。首先，如果卷积层面未对心电图进行了诸如调整步长或者是pooling的方法进行建模的话，模型精度能够保证与输入心电图的精度一致，但是由于波形的采样率往往较高，在RNN层面建模的时候输入的序列会较长，处理时间也相应的会很长以至于难以在实际情况中使用。而如果对心电图进行了步长调整或者是pooling的方法缩短了序列长度，则处理的精度又会降低。综上所述，如何能够设计构建一种适用性强的且能够兼顾处理精度与处理时间的方法，显得尤为重要。

技术实现思路

[0006]本专利技术为了克服以上技术的不足，提供了一种使用较少的点实现较高精度特征点计算的心电图特征点的识别方法。
[0007]本专利技术克服其技术问题所采用的技术方案是：
[0008]一种心电图特征点的识别方法，包括：
[0009]a)获取完整的标准的12导联心电图数据，将12导联心电图数据进行预处理后将其表示为张量D，张量D的维度为(12,l)，其中l为12导联心电图数据的长度，12为依照导联顺序进行排序的12个导联；
[0010]b)将张量D输入到特征点识别神经网路中，特征点识别神经网络的输出结果表示为张量V，张量V的维度为(24,m)，其中m为特征点识别神经网络输出的长度，24为输出的通道个数；
[0011]c)获取心电图数据对应的标签数据，表示为集合P{(i1,t1),(i2,t2),...,(i
x
,t
x
),...,(i
k
,t
k
)}，(i
x
,t
x
)为集合中的第x个标记特征点，i
x
为第x个特征点的编号，t
x
为第x
个特征点在12导联心电图数据中的相对时间位置，x∈{1,2,...,k}，k为集合中标记特征点的个数；
[0012]d)将集合P{(i1,t1),(i2,t2),...,(i
x
,t
x
),...,(i
k
,t
k
)}、特征点识别神经网络输出的长度m以及12导联心电图数据的长度l输入标签处理模块，得到标签处理模块的输出结果，并将其表示为张量L，张量L的维度为(24,n)，其中n为心电图标签数据的长度，n的长度与m的长度相等；
[0013]e)将张量V、张量L输入到损失计算模块，得到损失数值loss；
[0014]f)使用优化算法，根据损失数值loss优化特征点识别神经网络中的参数；
[0015]g)重复执行步骤a)至步骤f)，直到损失数值loss达到early
‑
stop，将此时的训练后的特征点识别神经网络作为最终的心电图特征点识别模型；
[0016]h)获取需要进行特征点识别的标准的12导联心电图数据，通过预处理后将其表示为张量D
′
，张量D
′
的维度为(12,l
′
)，l
′
为获取需要进行特征点识别的标准的12导联心电图数据的长度；
[0017]i)将张量D
′
输入到步骤g)中的最终的心电图特征点识别模型中，得到心电图特征点识别模型的输出结果，将其表示为张量V
′
，张量V
′
的维度为(24,m
′
)，m
′
为最终的心电图特征点识别模型的输出的长度，将张量V
′
、数值l
′
及数值m
′
输入到特征点解码模块，得到特征点解码模块的输出结果，将其表示为集合P
′
，将集合P
′
输出给用户。
[0018]优选的，步骤a)及步骤h)中12导联的预处理依次为滤波处理、采样率归一化处理及波形归一化处理。
[0019]优选的，步骤b)中特征点识别神经网络由CNN模型及LSTM模型构成，张量D先输入CNN模型中，CNN模型的输出再输入到LSTM模型中得到张量V，张量V中的奇数行通过sigmoid激活函数输出，张量V中的偶数行通过sigmoid激活函数输出。
[0020]优选的，步骤c)中特征点编号1的定义为P波起点；特征点编号2的定义为P波终点；特征点编号3的定义为QRS波群起点；特征点编号4的定义为QRS波群终点；特征点编号5的定义为T波起点；特征点编号6的定义为T波终点；特征点编号7的定义为U波起点；特征点编号8的定义为U波终点；特征点编号9的定义为F波谷点；特征点编号10的定义为噪声起点；特征点编号11的定义为噪声终点；特征点编号12的定义为起搏钉。
[0021]进一步的，步骤d)包括如下步骤：
[0022]d
‑
1)获取集合P{(i1,t1),(i2,t2),...,(i
x
,t
x
),...,(i
k
,t
k
)}、特征点识别神经网络输出的长度m以及12导联心电图数据的长度l；
[0023]d
‑
2)建立大小为(24,n)的张量L，使用0值初始化张量L；
[0024]d
‑
3)建立超参数s，s为大于1的正整数；
[0025]d
‑
4)获取集合P{(i1,t1),(i2,t2),...,(i
x
,t
x
),...,(i
k
,t
k
)}中标记特征点个数k；
[0026]d
‑
5)建立变量a，使用1值初始化变量a；
[0027]d
‑
6)去除集合中的第a个标记特征点，表示为(i
a
,t
a
)；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心电图特征点的识别方法，其特征在于，包括：a)获取完整的标准的12导联心电图数据，将12导联心电图数据进行预处理后将其表示为张量D，张量D的维度为(12,l)，其中l为12导联心电图数据的长度，12为依照导联顺序进行排序的12个导联；b)将张量D输入到特征点识别神经网路中，特征点识别神经网络的输出结果表示为张量V，张量V的维度为(24,m)，其中m为特征点识别神经网络输出的长度，24为输出的通道个数；c)获取心电图数据对应的标签数据，表示为集合P{(i1,t1),(i2,t2),...,(i
x
,t
x
),...,(i
k
,t
k
)}，(i
x
,t
x
)为集合中的第x个标记特征点，i
x
为第x个特征点的编号，t
x
为第x个特征点在12导联心电图数据中的相对时间位置，x∈{1,2,...,k}，k为集合中标记特征点的个数；d)将集合P{(i1,t1),(i2,t2),...,(i
x
,t
x
),...,(i
k
,t
k
)}、特征点识别神经网络输出的长度m以及12导联心电图数据的长度l输入标签处理模块，得到标签处理模块的输出结果，并将其表示为张量L，张量L的维度为(24,n)，其中n为心电图标签数据的长度，n的长度与m的长度相等；e)将张量V、张量L输入到损失计算模块，得到损失数值loss；f)使用优化算法，根据损失数值loss优化特征点识别神经网络中的参数；g)重复执行步骤a)至步骤f)，直到损失数值loss达到early
‑
stop，将此时的训练后的特征点识别神经网络作为最终的心电图特征点识别模型；h)获取需要进行特征点识别的标准的12导联心电图数据，通过预处理后将其表示为张量D
′
，张量D
′
的维度为(12,l
′
)，l
′
为获取需要进行特征点识别的标准的12导联心电图数据的长度；i)将张量D
′
输入到步骤g)中的最终的心电图特征点识别模型中，得到心电图特征点识别模型的输出结果，将其表示为张量V
′
，张量V
′
的维度为(24,m
′
)，m
′
为最终的心电图特征点识别模型的输出的长度，将张量V
′
、数值l
′
及数值m
′
输入到特征点解码模块，得到特征点解码模块的输出结果，将其表示为集合P
′
，将集合P
′
输出给用户。2.根据权利要求1所述的心电图特征点的识别方法，其特征在于：步骤a)及步骤h)中12导联的预处理依次为滤波处理、采样率归一化处理及波形归一化处理。3.根据权利要求1所述的心电图特征点的识别方法，其特征在于：步骤b)中特征点识别神经网络由CNN模型及LSTM模型构成，张量D先输入CNN模型中，CNN模型的输出再输入到LSTM模型中得到张量V，张量V中的奇数行通过sigmoid激活函数输出，张量V中的偶数行通过sigmoid激活函数输出。4.根据权利要求1所述的心电图特征点的识别方法，其特征在于：步骤c)中特征点编号1的定义为P波起点；特征点编号2的定义为P波终点；特征点编号3的定义为QRS波群起点；特征点编号4的定义为QRS波群终点；特征点编号5的定义为T波起点；特征点编号6的定义为T波终点；特征点编号7的定义为U波起点；特征点编号8的定义为U波终点；特征点编号9的定义为F波谷点；特征点编号10的定义为噪声起点；特征点编号11的定义为噪声终点；特征点编号12的定义为起搏钉。5.根据权利要求1所述的心电图特征点的识别方法，其特征在于，步骤d)包括如下步骤：
d
‑
1)获取集合P{(i1,t1),(i2,t2),...,(i
x
,t
x
),...,(i
k
,t
k
)}、特征点识别神经网络输出的长度m以及12导联心电图数据的长度l；d
‑
2)建立大小为(24,n)的张量L，使用0值初始化张量L；d
‑
3)建立超参数s，s为大于1的正整数；d
‑
4)获取集合P{(i1,t1),(i2,t2),...,(i
x
,t
x
),...,(i
k
,t
k
)}中标记特征点个数k；d
‑
5)建立变量a，使用1值初始化变量a；d
‑
6)去除集合中的第a个标记特征点，表示为(i
a
,t
a
)；d
‑
7)通过公式计算得到开始值start，通过公式计算得到结束值end，式中floor()为向下取整运算；d
‑
8)通过逻辑取反计算的方法修改张量L中第i
a
×2‑
1行、第start列到end列的数据；d
‑
9)建立变量j，使用0值初始化变量j；d
‑
10)通过公式的计算结果修改张量L中第i
a
×
2行、第start+j列的数值，为张量L的第i
a
×2‑
1行第start+j列的值；d
‑
11)使用公式j＝j+1修改变量j的值；d
‑
12)如果修改后的变量j的值大于等于end
‑
start则执行步骤d
‑
13)，如果修改后的变量j的值小于end
‑
start则返回执行步骤d
‑
10)；d
‑
13)使用...

【专利技术属性】
技术研发人员：张伯政，鞠海涛，樊昭磊，张述睿，苏腾，张宁宁，
申请(专利权)人：山东众阳健康科技集团有限公司，
类型：发明
国别省市：