一种心电图伪差确认方法、终端设备及存储介质技术

本发明专利技术涉及一种心电图伪差确认方法、终端设备及存储介质，该方法中包括：采集具有QRS标注的心电图构建训练集；构建QRS置信度计算模型，通过训练集对模型进行训练；通过训练后的模型计算待识别心电图中各心博在各导联下的QRS置信度和对应的可靠性分数，将可靠性分数大于分数阈值且最高时的导联作为该心博的特征导联，否则，设定该心博不存在特征导联；将不存在特征导联和QRS置信度小于置信度阈值的心博设定为伪差，其他心博设定为待分析心博；将待分析心博按照对应的特征导联和特征导联下的QRS置信度划分为多个子集；按照子集对待分析心博进行是否为伪差的判断。本发明专利技术提高了心电图中伪差的判断效率。电图中伪差的判断效率。电图中伪差的判断效率。

【技术实现步骤摘要】
一种心电图伪差确认方法、终端设备及存储介质


[0001]本专利技术涉及心电图分析领域，尤其涉及一种心电图伪差确认方法、终端设备及存储介质。

技术介绍

[0002]动态心电图是用于分析心律失常的重要手段，患者佩戴多通道心电记录仪采集不短于24小时的心电图，然后把数据交给医生分析。由于数据量巨大(一般24小时包含10万左右心搏)，医生分析动态心电依赖计算机辅助分析软件来提高效率。这类软件大部分都包括了以下功能模块：心搏识别、模板管理、散点图。心搏识别算法将心电信号中的候选QRS波位置进行标记并提取一些特征(R波幅值，宽度，P
‑
R间期等等)，模板管理模块将候选QRS按照一定的聚类原则归在不同集合里以突出它们的共性，散点图则提供一个二维坐标系将每个心搏的某两个特征值进行散点绘制，以提供用户可分辨的统计模式。图1展现了一个典型的软件操作界面，包含了模板管理、模板详情和散点图。
[0003]动态心电信号极易受到干扰，并且干扰信号可能和QRS有部分相似特征但是专业人员可以判定它不是QRS，这类信号称之为伪差。在处理伪差时经常出现两种错误：误检和漏检。图2展示了图1伪差模板中一个误检错误，该心搏标记在所有导联上受到了干扰，但并不是QRS。图3则展示了一个典型的漏检错误，选中的心搏在V3导联可见清楚QRS，其它导联信号很弱，这由于是干扰作用在不同导联上，但为了效率一般只分析2至3个导联或者使用合成的综合导联，那些没有受干扰导联的QRS信息就被忽视了。
[0004]如果要纠正上述误检和漏检的错误，最直接方法就是在模板详情页遍历浏览所有的心搏，将伪差和QRS区分开来，如果真实心搏数量较大，则还可以通过“叠加反混淆”(一种通过将集合中的心搏进行叠加从而发现异常心博的可视化方法，如图4所示)来减少操作。然而这两种方法都有很大的局限性，当模板包含的心搏数量大时，进行确认工作是非常耗费人力的。
[0005](1)目前市售软件的模板详情页面会统一设置心搏片段绘制哪些导联，这就意味着在详情页面确认一个伪差，需要把所有导联切换一遍。而确认一个心搏，需要切换导联直到那个恰好能分辨的导联出现为止。以图3所示为例，假设伪差模板中存在X个干扰(伪差)和N个心搏(QRS)，且心搏只能在V3导联上看到。考虑到显示区域的有限性，实践详情页面一般最多显示两个导联，那么切到V3导联需要的次数为5(按照I，II，III,avR,avL,avF,V1,V2,V3的顺序)，医生筛选出QRS需要遍历心搏的次数为(X+N)*5次，然后为了确认剩下的伪差，需要再遍历X*1次(从V3、V4切换一次到V5和V6)，总计6X+5N次。
[0006](2)反混淆则更受限制，因为反混淆一次只能在同一个导联上工作。还是以图3所示为例，在同一个导联上有X个伪差和N个心搏叠在一起，且一般来说X和N的数量级相差不多，那么要在视觉上区分开来非常困难。图5和图6分别展示了图1的伪差模板中按照II导联和V3导联进行反混淆的结果，可以看出都很难分解。即便X很小，还是要切换8次(I
‑
>II
‑
>III
‑
>avL
‑
>avR
‑
>avF
‑
>V1
‑
>V2
‑
>V3)导联直到V3上出现叠加清晰的线条才能确认这N个心
搏。这样在理想情况下，也需要6N(6N是因为一个详情小框框可以展示2个导联，那么通过遍历法要把伪差全部遍历一边，12个导联全部覆盖就是6*心搏数)次遍历心搏+8次反混淆操作才能完成。

技术实现思路

[0007]为了解决上述问题，本专利技术提出了一种心电图伪差确认方法、终端设备及存储介质。
[0008]具体方案如下：
[0009]一种心电图伪差确认方法，包括以下步骤：
[0010]S1：采集具有QRS波标注的心电图数据，并基于心电图数据中固定长度的单导联心电图数据构建训练集；
[0011]S2：构建有QRS置信度计算模型，通过训练集对模型进行训练，模型的输入为固定长度的单导联心电图数据，输出为输入的单导联心电图数据中每个采样点存在有QRS的有QRS置信度；
[0012]S3：通过训练后的模型计算待识别心电图数据中各心博在各导联下存在有QRS的有QRS置信度，并根据有QRS置信度计算对应的可靠性分数，将可靠性分数大于分数阈值且最高时的导联作为该心博的特征导联，否则，设定该心博不存在特征导联；
[0013]S4：将不存在特征导联和特征导联下的有QRS置信度小于置信度阈值的心博设定为伪差，将特征导联下的有QRS置信度大于或等于置信度阈值的心博设定为待分析心博；
[0014]S5：将待分析心博按照对应的特征导联和特征导联下的有QRS置信度划分为多个子集，满足每个子集中的所有心博对应的特征导联相同，且特征导联下的有QRS置信度的最大值和最小值的差值小于差值阈值；
[0015]S6：按照子集对待分析心博进行是否为伪差的判断。
[0016]进一步的，训练集中各训练数据对应的标签为一与固定长度的心电图数据等长的二值序列，二值序列中每个元素对应心电图数据中的一个采样点，将心电图数据中QRS波的标注点的前后60毫秒的范围内的采样点对应的元素的值设为1，其他采样点对应的元素的值设为0。
[0017]进一步的，模型训练时的损失函数采用L1损失。
[0018]进一步的，可靠性分数的计算公式为：
[0019]I1＝{i|y
i
≥thres2}
[0020][0021]I2＝{i|thres1<y
i
<thres2}
[0022][0023]I3＝{i|(y
i
‑
thres1)*(y
i+1
‑
thres1)<0}
[0024][0025]其中，score表示可靠性分数，y
i
和y
i+1
均表示有QRS置信度计算模型的输出，i表示采样点的序号；thres1、thres2分别表示第一阈值和第二阈值，且thres1<thres2；I1表示所有概率大于或等于thres2的点的集合；I2表示所有大于thres1但小于thres2的点的集合；a
+
和a
‑
分别表示对I1和I2的非线性加权求模，b表示中心位置b；σ表示经验常数；I3表示脉冲的上升沿和下降沿点集。
[0026]进一步的，按照子集对待分析心博进行是否为伪差的判断的方法为：根据子集中心博的数量采用单独心博依次判断或叠加反混淆方式与单独心博依次判断相结合的方式进行判断。
[0027]进一步的，在步骤S4和S5的实现过程中，采用以特征导联为横坐标、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心电图伪差确认方法，其特征在于，包括以下步骤：S1：采集具有QRS波标注的心电图数据，并基于心电图数据中固定长度的单导联心电图数据构建训练集；S2：构建QRS置信度计算模型，通过训练集对模型进行训练，模型的输入为固定长度的单导联心电图数据，输出为输入的单导联心电图数据中每个采样点存在有QRS的QRS置信度；S3：通过训练后的模型计算待识别心电图数据中各心博在各导联下存在有QRS的QRS置信度，并根据QRS置信度计算对应的可靠性分数，将可靠性分数大于分数阈值且最高时的导联作为该心博的特征导联，否则，设定该心博不存在特征导联；S4：将不存在特征导联和特征导联下的QRS置信度小于置信度阈值的心博设定为伪差，将特征导联下的QRS置信度大于或等于置信度阈值的心博设定为待分析心博；S5：将待分析心博按照对应的特征导联和特征导联下的QRS置信度划分为多个子集，满足每个子集中的所有心博对应的特征导联相同，且特征导联下的QRS置信度的最大值和最小值的差值小于差值阈值；S6：按照子集对待分析心博进行是否为伪差的判断。2.根据权利要求1所述的心电图伪差确认方法，其特征在于：训练集中各训练数据对应的标签为一与固定长度的心电图数据等长的二值序列，二值序列中每个元素对应心电图数据中的一个采样点，将心电图数据中QRS波的标注点的前后60毫秒的范围内的采样点对应的元素的值设为1，其他采样点对应的元素的值设为0。3.根据权利要求1所述的心电图伪差确认方法，其特征在于：模型训练时的损失函数采用L1损失。4.根据权利要求1所述的心电图伪差确认方法，其特征在于：可靠性分数的计算公式为：I1＝{i|y
i
≥thres2}I2＝{i|thres1＜y
i
＜thres2}I3＝{i|(y
i
‑

【专利技术属性】
技术研发人员：李熙，徐拥军，钟玉秋，
申请(专利权)人：厦门纳龙健康科技股份有限公司，
类型：发明
国别省市：