心电QRS波群检测方法及装置、电子设备和存储介质制造方法及图纸

本公开涉及一种心电QRS波群检测方法及装置、电子设备和存储介质，涉及心电信号检测技术领域。所述的方法，包括：获取待检测的心电信号；基于所述待检测的心电信号中心电RR间期概率分布构建高斯混合模型对应的概率转移模型；基于所述概率转移模型及动态贝叶斯网络，对所述待检测的心电信号进行心电QRS波群检测。本公开实施例可实现心电信号的QRS波群检测。公开实施例可实现心电信号的QRS波群检测。公开实施例可实现心电信号的QRS波群检测。

【技术实现步骤摘要】
心电QRS波群检测方法及装置、电子设备和存储介质


[0001]本公开涉及心电信号检测
，尤其涉及一种心电QRS波群检测方法及装置、电子设备和存储介质。

技术介绍

[0002]心血管疾病对人类健康构成严重威胁，同时也给社会造成沉重的经济负担。我国当前的心血管疾病防治工作面临发病率持续增高和医疗资源供应不足等诸多挑战。针对这些挑战，基于可穿戴心电硬件和智能心电异常检测算法的心脏健康监测服务将为心血管疾病的筛查和管理提供有效且经济的解决方案，有望在未来的医疗健康服务体系中扮演重要角色。心电信号可用于检测丰富多样的心脏异常状态，不同异常状态有着不同的发作周期和持续时间，因而对于算法检测结果的时间粒度也有着不同的要求。在心脏健康监测场景下，海量的监测数据远远超出人工核查的处理能力，因而对异常检测算法的准确度提出了更高要求。而噪声干扰、标注的主观偏差以及标注数据量的不足等因素限制了当前算法的检测性能。
[0003]QRS波群是心电信号的重要组成部分。QRS波群检测的目的是发现心电记录中每个QRS波群的位置。由于QRS波群对应于心电信号中的一段区域，对QRS波群位置的检测实际是要发现其基准点的位置，而基准点通常指其中的R波波峰。因此，本专利技术中所提到的QRS波群位置或位点均特指QRS波群的基准点。QRS波群检测是很多心电信号分析系统中的基础任务，可以为后续很多任务的执行提供必要的信息。因此，QRS波群检测算法的性能对于心电信号分析系统的整体性能有着非常重要的影响。
[0004]随着物联网和云计算技术的兴起，可穿戴式的心电采集设备以及与之搭配的远程健康监测服务日益受到人们的重视。然而，正如2019年中国生理信号挑战赛结果所反映的，当前的QRS波群检测方法在应用于可穿戴心电设备时，其性能距离理想水平仍有较大差距。这种差距一定程度上是由于可穿戴心电设备采集的信号中存在复杂的噪声干扰而引起的。心电信号中的噪声来源包括身体运动、电极接触不良以及环境中的工频干扰等多种类型。在基于可穿戴心电设备的远程心电监测中，这些因素往往不易控制，导致了噪声干扰的程度加剧且难以滤除。
[0005]当前的QRS波群检测算法大都通过滤波、变换乃至神经网络等方式，将原始心电信号转化为某种特征信号，然后利用某些规则(如阈值标定)从特征信号中筛选目标位点。
[0006]在现有技术中，机房是以机房所有设备运作温度范围的最低温度值为标准进行温度调节。其主要缺点在于以下2点。(1)当前的QRS波群检测算法大都通过滤波、变换乃至神经网络等方式大都以QRS波群的波形特征作为检测的主要依据。然而，当存在某种对QRS波形改变较大的病理变异或噪声干扰时，这类方法的检测精度便会受到影响。而且，当一些噪声伪迹表现出与QRS波群相似的特征时，也容易被算法误检为QRS波群。(2)基于深度学习的方法由于具备自动学习特征提取的能力而能更好地区分QRS波群与噪声伪迹。但是，深度学习模型依赖于大样本的训练，而当训练数据不足时，模型会因对训练数据的过度拟合而损
失其泛化性能。

技术实现思路

[0007]本公开提出了一种心电QRS波群检测方法及装置、电子设备和存储介质技术方案。
[0008]根据本公开的一方面，提供了一种心电QRS波群检测方法，包括：获取待检测的心电信号；基于所述待检测的心电信号中心电RR间期概率分布构建高斯混合模型对应的概率转移模型；基于所述概率转移模型及动态贝叶斯网络，对所述待检测的心电信号进行心电QRS波群检测。
[0009]优选地，所述基于所述概率转移模型及动态贝叶斯网络，对所述待检测的心电信号进行心电QRS波群检测之前，确定所述待检测的心电信号对应的QRS波群候选点；进而，基于所述概率转移模型及动态贝叶斯网络，对所述QRS波群候选点进行心电QRS波群检测；以及/或，
[0010]所述确定所述待检测的心电信号对应的QRS波群候选点的方法，包括：取所述待检测的心电信号对应的微分，并求取所述微分对应的微分绝对值；对按照设定大小的窗口对所述微分绝对值进行滑窗积分处理；根据所述滑窗积分处理的信号确定峰值位点，并将所述峰值位点配置为所述待检测的心电信号对应的QRS波群候选点；以及/或，
[0011]在所述求取所述待检测的心电信号对应的微分之前，包括：对所述待检测的心电信号按照设定通过频带进行滤波，得到所述设定通过频带对应的滤波心电信号；进而，求取所述滤波心电信号对应的微分；以及/或，
[0012]所述根据所述滑窗积分处理的信号确定峰值位点的方法，包括：获取设定时间邻域；提取所述滑窗积分处理的信号在所述定时间邻域内的最大值点，并将所述定时间邻域内的最大值点配置为所述峰值位点。
[0013]优选地，所述基于所述概率转移模型及动态贝叶斯网络，对所述待检测的心电信号进行心电QRS波群检测的方法，包括：
[0014]将所述待检测的心电信号对应的峰值位点配置为证据值或证据变量或证据序列；基于所述概率转移模型及动态贝叶斯网络，利用所述证据值或证据变量或证据序列，推断最可能的状态值或状态变量或状态序列对应的QRS波群位置，完成对所述待检测的心电信号进行心电QRS波群检测；以及/或，
[0015]在所述基于所述概率转移模型及动态贝叶斯网络，利用所述证据值或证据变量或证据序列，推断最可能的状态值或状态变量或状态序列对应的QRS波群位置之前，确定所述证据值或证据变量或证据序列中最大K个证据值或证据变量或证据序列对应的均值；所述证据值或证据变量或证据序列除以所述均值，得到对应的待截断的证据值或证据变量或证据序列；若所述证据值或证据变量或证据序列大于设定截断值，将所述待截断的证据值或证据变量或证据序列配置为所述设定截断值；以及/或，
[0016]所述证据值或证据变量或证据序列中最大K个证据值或证据变量或证据序列对应的均值中的数值K与所述待检测的心电信号中R波的数量成正比以及/或近似地与所述待检测的心电信号对应的记录时长成正比；以及/或，
[0017]所述基于所述概率转移模型及动态贝叶斯网络，利用所述证据值或证据变量或证据序列，推断最可能的状态值或状态变量或状态序列对应的QRS波群位置的方法，包括：获
取动态贝叶斯网络对应的参数；在所述动态贝叶斯网络对应的参数下，计算所述证据值或证据变量或证据序列对应的述待检测的心电信号对应的状态值或状态变量或状态序列的最大概率值；将所述最大概率值对应的QRS波群位置配置为检测的QRS波群位置。
[0018]优选地，所述基于所述概率转移模型及动态贝叶斯网络，对所述待检测的心电信号进行心电QRS波群检测的方法，还包括：在初始的所述概率转移模型中，获取多个设定状态值或状态变量或状态序列前一个状态值或状态变量或状态序列对应的数值；若所述数值为设定状态数值，则确定所述待检测的心电信号任意时间片的状态值或状态变量或状态序列与其前一个状态值或状态变量或状态序列互相独立，此时所述心电信号任意时间片的状态值或状态变量或状态序列的第一状态时间与前一个状态或状态变量或状态的第二状态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心电QRS波群检测方法，其特征在于，包括：获取待检测的心电信号；基于所述待检测的心电信号中心电RR间期概率分布构建高斯混合模型对应的概率转移模型；基于所述概率转移模型及动态贝叶斯网络，对所述待检测的心电信号进行心电QRS波群检测。2.根据权利要求1所述的方法，其特征在于，所述基于所述概率转移模型及动态贝叶斯网络，对所述待检测的心电信号进行心电QRS波群检测之前，确定所述待检测的心电信号对应的QRS波群候选点；进而，基于所述概率转移模型及动态贝叶斯网络，对所述QRS波群候选点进行心电QRS波群检测；以及/或，所述确定所述待检测的心电信号对应的QRS波群候选点的方法，包括：求取所述待检测的心电信号对应的微分，并求取所述微分对应的微分绝对值；对按照设定大小的窗口对所述微分绝对值进行滑窗积分处理；根据所述滑窗积分处理的信号确定峰值位点，并将所述峰值位点配置为所述待检测的心电信号对应的QRS波群候选点；以及/或，在所述求取所述待检测的心电信号对应的微分之前，包括：对所述待检测的心电信号按照设定通过频带进行滤波，得到所述设定通过频带对应的滤波心电信号；进而，求取所述滤波心电信号对应的微分；以及/或，所述根据所述滑窗积分处理的信号确定峰值位点的方法，包括：获取设定时间邻域；提取所述滑窗积分处理的信号在所述定时间邻域内的最大值点，并将所述定时间邻域内的最大值点配置为所述峰值位点。3.根据权利要求1
‑
2任一项所述的方法，其特征在于，所述基于所述概率转移模型及动态贝叶斯网络，对所述待检测的心电信号进行心电QRS波群检测的方法，包括：将所述待检测的心电信号对应的峰值位点配置为证据值或证据变量或证据序列；基于所述概率转移模型及动态贝叶斯网络，利用所述证据值或证据变量或证据序列，推断最可能的状态值或状态变量或状态序列对应的QRS波群位置，完成对所述待检测的心电信号进行心电QRS波群检测；以及/或，在所述基于所述概率转移模型及动态贝叶斯网络，利用所述证据值或证据变量或证据序列，推断最可能的状态值或状态变量或状态序列对应的QRS波群位置之前，确定所述证据值或证据变量或证据序列中最大K个证据值或证据变量或证据序列对应的均值；所述证据值或证据变量或证据序列除以所述均值，得到对应的待截断的证据值或证据变量或证据序列；若所述证据值或证据变量或证据序列大于设定截断值，将所述待截断的证据值或证据变量或证据序列配置为所述设定截断值；以及/或，所述证据值或证据变量或证据序列中最大K个证据值或证据变量或证据序列对应的均值中的数值K与所述待检测的心电信号中R波的数量成正比以及/或近似地与所述待检测的心电信号对应的记录时长成正比；以及/或，所述基于所述概率转移模型及动态贝叶斯网络，利用所述证据值或证据变量或证据序列，推断最可能的状态值或状态变量或状态序列对应的QRS波群位置的方法，包括：
获取动态贝叶斯网络对应的参数；在所述动态贝叶斯网络对应的参数下，计算所述证据值或证据变量或证据序列对应的述待检测的心电信号对应的状态值或状态变量或状态序列的最大概率值；将所述最大概率值对应的QRS波群位置配置为检测的QRS波群位置。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述基于所述概率转移模型及动态贝叶斯网络，对所述待检测的心电信号进行心电QRS波群检测的方法，还包括：在初始的所述概率转移模型中，获取多个设定状态值或状态变量或状态序列前一个状态值或状态变量或状态序列对应的数值；若所述数值为设定状态数值，则确定所述待检测的心电信号任意时间片的状态值或状态变量或状态序列与其前一个状态值或状态变量或状态序列互相独立，此时所述心电信号任意时间片的状态值或状态变量或状态序列的第一状态时间与前一个状态或状态变量或状态的第二状态时间对应的相对位置有关，进而对所述初始的所述概率转移模型进行简化，得到简化的第一概率转移模型；基于所述第一概率转移模型及动态贝叶斯网络，对所述待检测的心电信号进行心电QRS波群检测；以及/或，在初始的所述概率转移模型或所述第一概率转移模型中，获取所述心电RR间期对应的设定RR间期约束时间；基于所述设定RR间期约束时间，对初始的所述概率转移模型或所述第一概率转移模型进行简化，得到第二概率转移模型；基于所述第二概率转移模型及动态贝叶斯网络，对所述待检测的心电信号进行心电QRS波群检测；以及/或，所述基于所述设定RR间期约束时间，对初始的所述概率转移模型或所述第一概率转移模型进行简化，得到第二概率转移模型的方法，包括：基于所述设定RR间期约束时间，将所述心电信号任意时间片的状态值或状态变量或状态序列的第一状态时间与前一个状态或状态变量或状态的第二状态时间限制在所述设定RR间期约束时间内，进而对初始的所述概率转移模型或所述第一概率转移模型进行简化，得到简化的第二概率转移模型；以及/或，获取所述待检测的心电信号起始时间片之前的虚拟起始时间片及心电信号终止时间片之后的虚拟终止时间片；分别确定所述虚拟起始时间片及虚拟终始时间片对应的第一虚拟状态值或第一虚拟状态变量或第一虚拟状态序列及第二虚拟状态值或第二虚拟状态变量或第二虚拟状态序列；基于所述第一虚拟状态值或第一虚拟状态变量或第一虚拟状态序列及第二虚拟状态值或第二虚拟状态变量或第二虚拟状态序列的先验分布以及所述第一虚拟状态值或第一虚拟状态变量或第一虚拟状态序列及第二虚拟状态值或第二虚拟状态变量或第二虚拟状态序列与所述待检测的心电信号测量时段内的状态值或状态变量或状态序列依赖关系，完善所述概率转移模型；以及/或，所述基于所述第一虚拟状态值或第一虚拟状态变量或第一虚拟状态序列及第二虚拟状态值或第二虚拟状态变量或第二虚拟状态序列的先验分布以及所述第一虚拟状态值或第一虚拟状态变量或第一虚拟状态序列及第二虚拟状态值或第二虚拟状态变量或第二虚拟状态序列与所述待检测的心电信号测量时段内的状态值或状态变量或状态序列依赖关系，完善所述概率转移模型的方法，包括：分别将所述第一虚拟状态值或第一虚拟状态变量或第一虚拟状态序列及第二虚拟状
态值或第二虚拟状态变量或第二虚拟状态序列配置为对应的第一设定虚拟状态数值及第二设定虚拟状态数值；分别利用所述第一设定虚拟状态数值及第二设定虚拟状态数值确定对应的第一先验分布及第二先验分布；在所述第一先验分布下，获取离散QRS波群候选点中第i个QRS波群位置对应的第i设定时间片及所述待检测的心电信号的电信号终止时间片；计算所述第i设定时间片与所述第i设定时间片之间所述高斯混合模型对应的第一真实累积概率分布函数；根据所述第一真实累积概率分布函数，确定所述虚拟终止时间片的虚拟状态与所述待检测的心电信号的真实状态对应的概率转移模型；在所述第二先验分布下，获取离散QRS波群候选点中第i个QRS波群位置对应的第i设定时间片及所述离散QRS波群候选点中所有第k设定时间片；分别计算所述第i设定时间片及所述所有第k设定时间片对应的第二真实累积概率分布函数及多个第三真实累积概率分布函数；根据所述第二真实累积概率分布函数及多个第三真实累积概率分布函数，确定所述虚拟起始时间片的虚拟状态与所述待检测的心电信号的真实状态对应的概率转移模...

【专利技术属性】
技术研发人员：李钦策，何润南，刘阳，袁永峰，赵娜，张泽，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：