一种基于MaskR-CNN网络及心电图的参数获取方法技术

一种基于Mask R

【技术实现步骤摘要】
一种基于Mask R
‑
CNN网络及心电图的参数获取方法


[0001]本专利技术涉及心电图
，特别涉及一种基于Mask R
‑
CNN网络及心电图的参数获取方法。

技术介绍

[0002]心电图(Electrocardiogram,ECG)是获取心脏活动的时间序列信号，由于ECG信号是间接获取心脏活动的数据，非常容易受到各种不同信号的干扰，往往需要先忽略干扰信号后再对心电波波形进行判断。
[0003]虽然心电图检测容易受到信号干扰，但是心电图检测具备无创和费用较小的优点，使其成为临床最为常用的检测手段之一。心电图自动参数获取方法可以实现心电图信号的识别和分类，是计算机辅助心电图分析不可或缺的技术手段，也是心电图领域的研究热点之一。
[0004]目前ECG自动参数获取可以归结为两种：第一种为基于数理特征的传统参数获取方法。常见的数理特征可以是小波特征、各种高阶统计指标、功率谱等。通过这些特征量，结合时域特征指标以及一些传统的分析方法，比如主成分分析、独立主成分分析等手段进行ECG的参数获取方法。以上这些传统分类参数获取方法首先要克服ECG干扰信号的影响，而且对噪声信号的适应性比较差，并且以上数理特征的特征量与ECG信号的异常特征之间并不存在直接的映射关系，所以数理特征并不能充分挖掘出ECG的异常特征。传统的时间序列参数获取方法高度依赖于提取的特征，但是很难提取捕获时间序列数据的内在属性中正确和关键的信息。所以该类方法步骤繁琐、实用性较差。
[0005]第二种为是基于人工智能的ECG自动参数获取方法。人工智能识别步骤相对简单且准确度较高，能够提高处理效率。深度神经网络的最近应用之一是时间序列分类，专门处理大量数据的时间序列分类问题，从而被广泛用于医疗保健系统、自然语言处理、生物信息学等各种应用中。例如，Feng等(FENG Y R,CHEN W,CAI G Y.Biometric Extraction and Recognition based on ECG Signals[J].Computer&Digital Engineering,2016,46(6):1099
‑
1103)提出将ECG信号使用多重小波算法进行滤波之后，再采用SVM分类器进行参数获取方法。Venkatesan等(VenkatesanC,Karthigaikumar P,Varatharajan R.A novel LMS algorithm for ECG signal preprocessing and KNN classifier based abnormality detection[J].Multimedia Tools&Applications,2018.)提出基于K最邻近分类算法完成心律失常参数获取方法，实现ECG信号的参数获取方法。Zhang等(ZHANG K,LI X,XIE X J,et al.Study on Arrhythmia Detection Algorithm based on Deep Learning[J].Chinese Medical Equipment Journal,2008,39(12):6
‑
9+31)采用卷积神经网络(Convolutional Neural Networks,CNN)和长短时记忆神经网络(Long Short
‑
Term Memory,LSTM)复合算法，对5种不同心拍进行自动参数获取方法。Rajpurkar等(Rajpurkar P,Hannun A Y,Haghpanahi M,et al.Cardiologist
‑
Level Arrhythmia Detection with Convolutional Neural Networks[J].2017.)和Hannun等(Hannun A Y,Rajpurkar P,
Haghpanahi M,et al.Cardiologist
‑
level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network[J].Nature medicine,2019,25(1):65
‑
69.)采用34层卷积神经网络，利用来自超过5万位对像的91232条记录组成的大型数据集，将心电信号分为包括窦性心律在内的11种心律。基于人工智能的ECG参数获取方法对ECG信号的检测一般分为三个步骤:信号预处理，特征学习和ECG分类。经过训练后的网络架构，能够快速检测到心电信号参数。以上基于人工智能的ECG参数获取方法的最大问题是把ECG信号分类作为时间序列分类问题对待缺乏模拟人眼识别心电波图像的行为能力，从而适应性较差。
[0006]因此，针对现有技术不足，提供一种基于Mask R
‑
CNN网络及心电图的参数获取方法以解决现有技术不足甚为必要。

技术实现思路

[0007]本专利技术的目的在于避免现有技术的不足之处而提供一种基于Mask R
‑
CNN网络及心电图的参数获取方法。该基于Mask R
‑
CNN网络及心电图的参数获取方法具有处理简单、实用性高的优点。
[0008]本专利技术的上述目的通过以下技术措施实现：
[0009]提供一种基于Mask R
‑
CNN网络及心电图的参数获取方法,包括：
[0010]步骤一、获取心电图数据的数据集，每个心电图数据具有多个心电信号，将数据集划分为训练集和测试集；
[0011]步骤二、针对训练集中的所有心电数据，从每个心电数据中分别选取任意一个心电信号，得到训练集的心电信号组；针对测试集中的所有心电数据，从每个心电数据中分别选取任意一个心电信号，得到测试集的心电信号组；
[0012]步骤三、分别根据训练集的心电信号组、测试集的心电信号组对应得到训练集的心电信号曲线单元组、测试集的心电信号曲线单元组；
[0013]然后，对训练集的心电信号曲线单元组中的每个心电信号曲线单元进行分类，对应得到训练集的分类类型组；
[0014]步骤四、分别根据步骤三得到的训练集的心电信号曲线单元组和测试集的心电信号曲线单元组，对应得到训练集的心电信号图形单元组和测试集的心电信号图形单元组；
[0015]步骤五、分别根据训练集的心电信号图形单元组和测试集的心电信号图形单元组，对应得到训练集的心电信号曲线图形单元组和测试集的心电信号曲线图形单元组；其中心电信号曲线图形单元组和测试集的心电信号曲线图形单元组中的心电信号曲线图形单均为二维黑白图形；
[0016]步骤六、将测试集的心电信号曲线单元组、训练集的心电信号曲线单元组、训练集的心电信号曲线图形单元组和测试集的心电信号曲线图形单元本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Mask R
‑
CNN网络及心电图的参数获取方法,其特征在于，包括：步骤一、获取心电图数据的数据集，每个心电图数据具有多个心电信号，将数据集划分为训练集和测试集；步骤二、针对训练集中的所有心电数据，从每个心电数据中分别选取任意一个心电信号，得到训练集的心电信号组；针对测试集中的所有心电数据，从每个心电数据中分别选取任意一个心电信号，得到测试集的心电信号组；步骤三、分别根据训练集的心电信号组、测试集的心电信号组对应得到训练集的心电信号曲线单元组、测试集的心电信号曲线单元组；然后，对训练集的心电信号曲线单元组中的每个心电信号曲线单元进行分类，对应得到训练集的分类类型组；步骤四、分别根据步骤三得到的训练集的心电信号曲线单元组和测试集的心电信号曲线单元组，对应得到训练集的心电信号图形单元组和测试集的心电信号图形单元组；步骤五、分别根据训练集的心电信号图形单元组和测试集的心电信号图形单元组，对应得到训练集的心电信号曲线图形单元组和测试集的心电信号曲线图形单元组；其中心电信号曲线图形单元组和测试集的心电信号曲线图形单元组中的心电信号曲线图形单均为二维黑白图形；步骤六、将测试集的心电信号曲线单元组、训练集的心电信号曲线单元组、训练集的心电信号曲线图形单元组和测试集的心电信号曲线图形单元组，同时以训练集的分类类型组作为标签数据，输入Mask
‑
RCNN网络进行训练，得到经训练Mask
‑
RCNN网络；步骤七、将测试集的心电信号曲线单元组、训练集的心电信号曲线单元组、训练集的心电信号曲线图形单元组和测试集的心电信号曲线图形单元组输入步骤六得到的经训练Mask
‑
RCNN网络，得到总预测损失函数和掩膜图像。2.根据权利要求1所述的基于Mask R
‑
CNN网络及心电图的参数获取方法,其特征在于,所述步骤三具体分为：步骤3.1、对训练集和测试集设置常数H作为阈值，以常数H阈值为起点，当心电信号符合先上升到最高点后下降至阈值H，即将最高点的值定义为QRS波的R波峰值，其中H值的范围为0.7～0.9；步骤3.2、对训练集的心电信号组中的每一个心电信号，均以三个相邻的R波波峰宽度划分为一个电信号曲线单元，对应得到训练集的心电信号曲线单元组；对测试集的心电信号组中的每一个心电信号，均以三个相邻的R波波峰宽度划分为一个电信号曲线单元，对应得到测试集的心电信号曲线单元组；步骤3.3、将训练集的心电信号曲线单元组中的每个心电信号曲线单元进行分类，对应得到训练集的分类类型组。3.根据权利要求2所述的基于Mask R
‑
CNN网络及心电图的参数获取方法,其特征在于，所述步骤四具体为：步骤4.1、统计步骤三得到的训练集的心电信号曲线单元组和测试集的心电信号曲线单元组中的每个心电信号曲线单元中的R波波峰间的平均采样点数，以R波波峰间的平均采样点数的n倍为总采样长度，存在n大于1，当采样长度超出心电信号图像单元内的长度，则使采样点的y值为0；
...

【专利技术属性】
技术研发人员：罗华丽，徐圆，康静，杨华才，
申请(专利权)人：南方医科大学，
类型：发明
国别省市：