一种基于深度学习的心电信号波形分段方法及系统技术方案

本发明专利技术公开了一种基于深度学习的心电信号波形分段方法及系统，属于心电图分析技术领域；其方法包括：对多导联原始心电信号采用滑动窗口进行分割，得到存在固定长度重叠的心电信号片段，基于心电信号波形分类模型得到每一个导联下的各心电信号片段的采样点粒度级波形分类概率后，通过导联内加权平均从单个导联的心电片段重构该导联原始心电信号的采样点分类概率；在这个基础上，对基于单导联信息的采样点粒度级波形分类概率，分别进行导联间的加权平均计算；最后采用基于多导联信息的分段点来修正基于单导联信息的分段点，得到最终的分段点；本发明专利技术合理地利用了心电信号中的时间相关性以及心电信号不同导联之间联系，大大提高了波形分段的准确率。高了波形分段的准确率。高了波形分段的准确率。

【技术实现步骤摘要】
一种基于深度学习的心电信号波形分段方法及系统


[0001]本专利技术属于心电图分析
，更具体地，涉及一种基于深度学习的心电信号波形分段方法及系统。

技术介绍

[0002]心电图(ECG)是心脏电活动变化的电位差在身体特定部位记录下来的曲线图，一个正常的心动周期可以划出P、QRS和T三种波段。心血管疾病通常会在心电图中表现出异常，具体表现为特定波段的长度、幅值或者形态的改变：P波缺失是临床上检测房颤的重要特征之一；QRS复合波(R峰)的检测则常用来提取RR间期，进一步用于对不同的心律失常进行诊断；T波形态的改变与冠心病、心肌缺血、心梗等疾病相关，准确的T波末端检测可以帮助医生判断Q
‑
T间期的变化，对于预测恶性室性心律失常和心源性猝死具有重要意义。综上所述，对心电信号进行精确的波形自动分段与分析可以为各种心血管疾病的临床诊断提供辅助，提升临床上心血管疾病的诊断效率与准确率。
[0003]近年来，许多研究者开发了心电信号波形划定方法，早期的方法包括数字信号处理和传统机器学习方法。其中数字信号处理包括微分阈值法、基于滤波器的方法、基于变换的方法以及经验模态分解等，主要用于划分QRS综合波。在传统机器学习方面有支持向量机(SVM)分类器和K近邻模型等方法。上述方法在实现时通常需要进行特定的特征提取，设置复杂的阈值等超参数。在结果方面波形分段不够准确，在不同心电导联以及不同数据集中表现差异大，对噪声高度敏感。近些年，出现了一些基于深度学习算法的心电信号分段方法免去了特征提取的步骤，但在处理心电信号时仍未能充分考虑信号的时间相关性，且只在特定心电导联上开发，忽略了不同导联之间的差异与联系，因而波形分段的准确度也有待提升。

技术实现思路

[0004]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于深度学习的心电信号波形分段方法及系统，用以解决现有技术未能合理利用心电信号中时间相关性以及心电信号不同导联之间差异性所导致的波形分段准确率较低的技术问题。
[0005]为了实现上述目的，第一方面，本专利技术提供了一种基于深度学习的心电信号波形分段方法，包括以下步骤：
[0006]S1、分别对待分段的多导联原始心电信号中的每一个导联下的原始心电信号采用滑动窗口进行分割，并分别对所得的各信号片段进行预处理，得到各导联下的心电信号片段；其中，滑动窗口的步长小于滑动窗口的长度；
[0007]S2、分别将每一个导联下的各心电信号片段输入至预训练好的心电信号波形分类模型中，得到每一个导联下的各心电信号片段的采样点粒度级波形分类概率；
[0008]S3、对每一个导联下的各心电信号片段的采样点粒度级波形分类概率，按照该导联下心电信号片段的原始分割顺序进行拼接，并将重叠部分的分类概率进行加权平均，得
到各导联下的原始心电信号基于单导联信息的采样点粒度级波形分类概率和波形分类结果，将波形分类结果发生跳变处的采样点作为分段点，得到各导联下的原始心电信号基于单导联信息的分段点；
[0009]S4、对各导联下的原始心电信号基于单导联信息的采样点粒度级波形分类概率，分别进行导联间的加权平均计算，得到各导联下的原始心电信号基于多导联信息的采样点粒度级波形分类概率和波形分类结果，将波形分类结果发生跳变处的采样点作为分段点，得到各导联下的原始心电信号的基于多导联信息的分段点；
[0010]S5、对各导联下的原始心电信号，分别判断其基于单导联信息的各分段点与其基于多导联信息的对应分段点之间的时间差是否小于预设误差阈值，若是，则将其基于单导联信息的该分段点作为其分段点；否则，则将其基于多导联信息的对应分段点作为其分段点；最终得到各导联下的原始心电信号的分段点；
[0011]其中，上述心电信号波形分类模型为深度学习模型。
[0012]进一步优选地，第i个导联下的原始心电信号基于单导联信息的t采样点时刻下的波形分类概率为：
[0013][0014]其中，α为权值；T和τ分别为滑动窗取样长度和步长；P(i,j,t)为第i个导联下的第j个心电信号片段在t采样点时刻下的波形分类概率。
[0015]进一步优选地，第i个导联下的原始心电信号基于多导联信息的t采样点时刻下的波形分类概率为：
[0016][0017]其中，β
i
为第i个导联的加权权值；n为原始心电信号的导联数；P
a
(i,t)为第i个导联下的原始心电信号基于单导联信息的t采样点时刻下的波形分类概率。
[0018]进一步优选地，步骤S1中，对所得的各信号片段进行预处理的方法包括：对所得的各信号片段依次进行重采样和标准化处理。
[0019]进一步优选地，波形分类概率包括分别划分到不同波形类别时所对应的概率；波形类别包括：无波形、P波、QRS复合波和T波。
[0020]进一步优选地，获取原始心电信号的分段点的方法包括：通过对原始心电信号的采样点粒度级波形分类概率依次进行锐化处理和差分处理后，得到原始心电信号的分段点；
[0021]其中，原始心电信号的采样点粒度级波形分类概率为原始心电信号基于单导联信息的采样点粒度级波形分类概率或原始心电信号基于多导联信息的采样点粒度级波形分类概率；
[0022]锐化处理包括：分别对原始心电信号采样点粒度级波形分类概率中的划分到不同
波形类别时所对应的概率，将大于或等于预设分类概率的部分置为1，其余部分置为0，得到原始心电信号中各采样点划分到不同波形类别时所对应的二值序列，得到原始心电信号对应不同波形类别时的二值序列；其中，在原始心电信号对应某一波形类别时的二值序列中，取值为1表示对应采样点的波形分类结果为该波形类别，取值为0表示对应采样点的波形分类结果不为该波形类别；
[0023]差分处理包括：分别对各二值序列进行差分计算，将差分值为1所对应的采样点为一段分段波形的起点，差分值为
‑
1所对应的采样点为一段分段波形的终点，合并后得到原始心电信号的分段点。
[0024]进一步优选地，上述获取原始心电信号的分段点的方法，还包括：在锐化处理和差分处理之间执行的波形补全与剔除处理；
[0025]其中，波形补全与剔除处理包括：对二值序列，当其中连续取值为0部分的长度小于第一预设长度时，将该部分的值均置为1，进行波形补全；当连续取值为1部分的长度小于第二预设长度时，将该部分的值均置为0，进行波形剔除。
[0026]进一步优选地，上述心电信号波形分类模型包括：编码器子网络、Transformer子网络和解码器子网络；其中，编码器子网络包括多个级联的编码器；编码器包括级联的卷积层和池化层；解码器子网络包括多个级联的解码器；解码器包括级联的反卷积层、通道合并层、第一SE注意力模块、卷积层和第二SE注意力模块；多个级联的编码器中的卷积层的输出端分别与多个级联的解码器中的通道合并层的输入端一一对应相连；最后一级编码器的输出端与Transformer子网络的输入端相连；Transfor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的心电信号波形分段方法，其特征在于，包括一下步骤：S1、分别对待分段的多导联原始心电信号中的每一个导联下的原始心电信号采用滑动窗口进行分割，并分别对所得的各信号片段进行预处理，得到各导联下的心电信号片段；所述滑动窗口的步长小于所述滑动窗口的长度；S2、分别将每一个导联下的各心电信号片段输入至预训练好的心电信号波形分类模型中，得到每一个导联下的各心电信号片段的采样点粒度级波形分类概率；S3、对每一个导联下的各心电信号片段的采样点粒度级波形分类概率，按照该导联下心电信号片段的原始分割顺序进行拼接，并将重叠部分的分类概率进行加权平均，得到各导联下的原始心电信号基于单导联信息的采样点粒度级波形分类概率和波形分类结果，将波形分类结果发生跳变处的采样点作为分段点，得到各导联下的原始心电信号基于单导联信息的分段点；S4、对各导联下的原始心电信号基于单导联信息的采样点粒度级波形分类概率，分别进行导联间的加权平均计算，得到各导联下的原始心电信号基于多导联信息的采样点粒度级波形分类概率和波形分类结果，将波形分类结果发生跳变处的采样点作为分段点，得到各导联下的原始心电信号的基于多导联信息的分段点；S5、对各导联下的原始心电信号，分别判断其基于单导联信息的各分段点与其基于多导联信息的对应分段点之间的时间差是否小于预设误差阈值，若是，则将其基于单导联信息的该分段点作为其分段点；否则，则将其基于多导联信息的对应分段点作为其分段点；最终得到各导联下的原始心电信号的分段点；其中，所述心电信号波形分类模型为深度学习模型。2.根据权利要求1所述的心电信号波形分段方法，其特征在于，第i个导联下的原始心电信号基于单导联信息的t采样点时刻下的波形分类概率为：其中，α为权值；T和τ分别为滑动窗取样长度和步长；P(i,j,t)为第i个导联下的第j个心电信号片段在t采样点时刻下的波形分类概率。3.根据权利要求1所述的心电信号波形分段方法，其特征在于，第i个导联下的原始心电信号基于多导联信息的t采样点时刻下的波形分类概率为：其中，β
i
为第i个导联的加权权值；n为原始心电信号的导联数；P
a
(i,t)为第i个导联下的原始心电信号基于单导联信息的t采样点时刻下的波形分类概率。4.根据权利要求1所述的心电信号波形分段方法，其特征在于，所述步骤S1中，对所得的各信号片段进行预处理的方法包括：对所得的各信号片段依次进行重采样和标准化处理。
5.根据权利要求1所述的心电信号波形分段方法，其特征在于，波形分类概率包括分别划分到不同波形类别时所对应的概率；波形类别包括：无波形、P波、QRS复合波和T波。6.根据权利要求5所述的心电信号波形分段方法，其特征在于，获取原始心电信号的分段点的方法包括：通过对原始心电信号的采样点粒度级波形分类概率依次进行锐化处理和差分处理后，得到原始心电信号的分段点；所述原始心电信号的采样点粒度级波形分类概率为原始心电信号基于单导联信息的采样点粒度级波形分类概率或原始心电信号基于多导联信息的采样点粒度级波形分类概率；所述锐化处理包括：分别对原始心电信号采样点粒度级波形分类概率中的划分到不同波形类别时所对应的概率，将大于或等于预设分类概率的部分置为1，其余部分置为0，得到原始心电信号中各采样点划分到不同波形类别时所对应的二值序列，得到原始心电信号对应不同波形类别时的二值序列；其中，在原始心电信号对应某一波形类别时的二值序列中，取值为1表示对应采样点的波形分类结果为该波形类别，取值为0表示对应采样点的波形分类结果不为...

【专利技术属性】
技术研发人员：李强，张鹏，刘宇航，
申请(专利权)人：武汉中科医疗科技工业技术研究院有限公司，
类型：发明
国别省市：