一种心电信号特征波形检测方法、装置及存储介质制造方法及图纸

本发明专利技术提出了一种基于卷积神经网络和Transformer的心电信号特征波形检测方法，利用卷积神经网络提取信号的空间信息，并利用Transformer基于自注意力机制捕获时序特征，Transformer中采用多头注意力机制，不同的自注意力模块之间互不干扰，没有依赖关系。可以分别对各个模块计算之后将计算结果整合得到最终输出，这种方式称为并行计算，在实际运算过程中，并行计算的速度比串行计算的速度快，使得心电信号特征波形检测更为高效；为了更加精确的定位，选用跳层连接结构，将卷积神经网络特征提取器的中间结果与相应的解码器特征图在通道维度上拼接，将浅层位置信息和深层语义信息相结合,使得心电信号特征波形检测更为精确。精确。精确。

【技术实现步骤摘要】
一种心电信号特征波形检测方法、装置及存储介质


[0001]本专利技术涉及心电信号检测
，尤其是指一种心电信号特征波形检测方法、设备、装置及计算机存储介质。

技术介绍

[0002]现有的技术中，心电图(Electrocardiogram,ECG)是心肌细胞的电活动过程的综合反映，包含许多心脏相关信息。在一个正常的心动周期中，心电图信号主要由一个P波，一个QRS波，一个T波，以及在部分导联中可能会出现的U波构成。其中，P波代表心房的除极过程、QRS波代表心室的除极过程、T波对应心室的复极过程。这些主要波形同时形成了不同的波段，例如PR段定义为P波终点位置到QRS波起点位置，它代表心电信号由心房传导至心室的过程；ST段定位为QRS波终点位置到T波起点位置；QT间期定义为Q波起点位置到T波终点位置。其示意图如图1所示(参考国标YY0782
‑
2010/IEC 60601
‑2‑
51：2003)。心电图通常通过在人体体表的固定位置放置电极，并通过导联线和心电图机相连对电信号进行采集。目前临床上通常采用标准十二导联系统，包括双极肢体导联(I、II、III导联)，加压单极肢体导联(aVR、aVL、aVF导联)，胸导联(V1、V2、V3、V4、V5、V6导联)。
[0003]心血管疾病目前已经成为威胁人们生命健康安全的主要因素。心电图信号以其无创、方便的特点成为心脏疾病诊断的主要工具。不同心脏疾病通常心电图上表现为不同波形或波段的畸变，因此对心电信号特征波形的检测是提取心电信号信息以及对心电信号进行辅助诊断的关键。随着信息技术的发展和心电信号采集设备的普及，大量ECG数据涌现，这些数据的分析是一个巨大的挑战，使用计算机对心电信号进行辅助诊断成为目前的一个流行的趋势。
[0004]近年来，已有一些心电信号波形检测方法被提出，主要分为传统方法和深度学习方法两大类。传统方法通常基于相量变换、混合高斯函数、经验模态分解、小波变换、支持向量机等方法。这些方法主要是基于固定的模型和规则，并根据心脏生理学得到的经验参数提取波形相关特征进行检测，其准确度在很大程度上依赖于超参数选择及其特征分析的准确性。因此这类方法通常泛化能力和鲁棒性较差，对于变异程度大或受噪声影响的信号，难以选择准确的模型和超参数。
[0005]基于深度学习的波形检测算法，其基础模型通常包含卷积神经网络、循环神经网络、自编码器几类，基于神经网络的波形检测算法相较于需要人工提取特征、确定参数的传统方法具有自适应性强、鲁棒性强、准确度高的特点。但不同的基础网络模型通常由于其自身结构特点具有一定的局限性，例如卷积神经网络通常专注于空间局部信息，循环神经网络主要提取信号的时序信息。心电信号作为一种随时间改变的序列信号，结合时序信息和空间信息能够更全面的获取心电信号特征，因此将卷积神经网络和循环神经网络相结合的算法应用广泛，但循环神经网络中，后一个神经元的计算依赖于前一个神经元的输出，因此只能在前一个神经元计算完成后，将该结果传入后一个神经元，再进行后一个神经元的计算，以此类推，直到得到最终结果，这种依次方式是串行计算，需要消耗昂贵的计算资源。因
此提出一种准确度高且高效的波形检测算法具有十分重要的意义。

技术实现思路

[0006]为此，本专利技术所要解决的技术问题在于克服现有技术中心电信号特征波形检测效率低、准确度低的问题。
[0007]为解决上述技术问题，本专利技术提供了一种心电信号特征波形检测方法，包括：
[0008]将预处理后的待测信号输入多级卷积神经网络模块中，经过一个残差块和多级带下采样层的残差块进行特征提取，得到多级空间特征；
[0009]将最后一级空间特征和该信号的位置编码信息相加后输入多个Transformer编码器模块中，提取时序特征，得到编码特征；
[0010]将所述编码特征输入解码器中，利用跳层连接并经过多级带上采样层的残差块得到多级解码特征，其中，每一级带上采样层的残差块的输入均为上一级输出和与其对应尺度的空间特征在通道维度上拼接后的特征；
[0011]将最后一级解码特征经过一个残差块处理后，使用卷积层降低通道数，并经过Softmax函数处理得到最终的心电信号特征波形检测结果。
[0012]优选地，所述预处理为将待测信号进行标准化。
[0013]优选地，所述残差块包括两组子模块，所述两组子模块包含卷积层、批量归一化层和ReLU激活层，并且两组子模块中卷积层的卷积核大小相同，输入输出维度保持不变；
[0014]所述第二组子模块中添加了跳层结构，以便将第一组子模块的输出与第二组子模块的输出进行相加，得到残差块最终的输出。
[0015]优选地，所述将预处理后的待测信号输入多级卷积神经网络模块前包括：
[0016]构建心电信号特征波形检测模型，所述心电信号特征波形检测模型包括编码器和所述解码器，所述编码器包括所述多级卷积神经网络模块和所述多个Transformer编码器模块；
[0017]获取每一条数据均来自不同病人的数据集进行标注，并以预设比例划分训练集和测试集；
[0018]利用所述训练集训练所述心电信号特征波形检测模型直至损失函数收敛，得到训练好的心电信号特征波形检测模型。
[0019]优选地，所述将最后一级空间特征和该信号的位置编码信息相加后输入多个Transformer编码器模块中，提取时序特征，得到编码特征包括：
[0020]当Transformer编码器模块数量设置为1时，将最后一级空间特征和该信号的位置编码信息相加后得到的第一编码特征输入一个多头自注意力模块中，将其得到的输出与所述第一编码特征相加后进行归一化操作，得到第二编码特征；
[0021]将所述第二编码特征输入一个具有单个隐藏层的前馈网络中，将其得到的输出与所述第二编码特征相加后进行归一化操作，得到所述编码特征。
[0022]优选地，所述将最后一级空间特征和该信号的位置编码信息相加后得到的第一编码特征输入一个多头自注意力模块中包括：
[0023]将所述第一编码特征映射h次，得到h组特征向量(Q，K，V)，其中Q代表要查询的信息，K代表被查询信息的键，V代表被查询信息值；
[0024]将所述h组特征向量输入缩放点积注意力模块生成h个缩放点积特征图；
[0025]将所述h个缩放点积特征图串联得到多头自注意力模块的输出。
[0026]优选地，所述将所述h组特征向量输入缩放点积注意力模块生成h个缩放点积特征图包括：
[0027]计算第i组特征向量中Q和K的点积，得到第i组中V的自注意力权重；
[0028]利用缩放因子调整所述自注意力权重后，与第i组中V点积，并经过Softmax函数处理，得到第i个缩放点积特征图：
[0029][0030]其中，i代表第i组特征向量，分别为第i组Q、K、V对应的线性变换矩阵，T为转置，为所述缩放因子。
[0031]本专利技术还提供了一种心电信号特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心电信号特征波形检测方法，其特征在于，包括：将预处理后的待测信号输入多级卷积神经网络模块中，经过一个残差块和多级带下采样层的残差块进行特征提取，得到多级空间特征；将最后一级空间特征和该信号的位置编码信息相加后输入多个Transformer编码器模块中，提取时序特征，得到编码特征；将所述编码特征输入解码器中，利用跳层连接并经过多级带上采样层的残差块得到多级解码特征，其中，每一级带上采样层的残差块的输入均为上一级输出和与其对应尺度的空间特征在通道维度上拼接后的特征；将最后一级解码特征经过一个残差块处理后，使用卷积层降低通道数，并经过Softmax函数处理得到最终的心电信号特征波形检测结果。2.根据权利要求1所述的心电信号特征波形检测方法，其特征在于，所述预处理为将待测信号进行标准化。3.根据权利要求1所述的心电信号特征波形检测方法，其特征在于，所述残差块包括两组子模块，所述两组子模块包含卷积层、批量归一化层和ReLU激活层，并且两组子模块中卷积层的卷积核大小相同，输入输出维度保持不变；所述第二组子模块中添加了跳层结构，以便将第一组子模块的输出与第二组子模块的输出进行相加，得到残差块最终的输出。4.根据权利要求1所述的心电信号特征波形检测方法，其特征在于，所述将预处理后的待测信号输入多级卷积神经网络模块前包括：构建心电信号特征波形检测模型，所述心电信号特征波形检测模型包括编码器和所述解码器，所述编码器包括所述多级卷积神经网络模块和所述多个Transformer编码器模块；获取每一条数据均来自不同病人的数据集进行标注，并以预设比例划分训练集和测试集；利用所述训练集训练所述心电信号特征波形检测模型直至损失函数收敛，得到训练好的心电信号特征波形检测模型。5.根据权利要求1所述的心电信号特征波形检测方法，其特征在于，所述将最后一级空间特征和该信号的位置编码信息相加后输入多个Transformer编码器模块中，提取时序特征，得到编码特征包括：当Transformer编码器模块数量设置为1时，将最后一级空间特征和该信号的位置编码信息相加后得到的第一编码特征输入一个多头自注意力模块中，将其得到的输出与所述第一编码特征相加后进行归一化操作，得到第二编码特征；将所述第二编码特征输入一个具有单个隐藏层的前馈网络中，将其得到的输出与所述第二编码特征相加后进行归一化操作，得到所述编码...

【专利技术属性】
技术研发人员：王朵朵，王丽荣，邱励燊，张慧敏，鲍瑞，汤慧，
申请(专利权)人：苏州大学，
类型：发明
国别省市：