一种心电信号通用多导联QRS波检测方法技术

本申请提供了一种心电信号通用多导联QRS波检测方法，包括：获取待测试的多导联心电信号，将其Z

【技术实现步骤摘要】
一种心电信号通用多导联QRS波检测方法


[0001]本专利技术涉及QRS波检测
，尤其是指一种心电信号通用多导联QRS波检测方法。

技术介绍

[0002]一个标准的心电波形包括P波、QRS波段、T波，其中，QRS波群代表心室的去极化过程，其相较于其他特征波形高耸且尖锐，易于检测，因此常用于定位心拍，计算心率、RR间期等参数，并通过分析心率变异性等对心肌、心包、心功能等心脏基础疾病及心脏外其他系统疾病进行辅助诊断，故QRS波群检测在心脏疾病的辅助诊断及治疗监测等方面非常重要。
[0003]近年来，多种QRS波形检测算法被提出，主要分为传统方法和深度学习方法两类，基于传统方法的波形检测算法通常包括阈值检测法、经验模态分解、小波变换、数学形态学法等方法。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。基于机器学习和深度学习的QRS波检测算法通常通过构建模型自主学习心电信号的采样点特征，根据过去的心电信号的采样点的特征，来预测当前的心电信号的采样的特征。但本申请专利技术人在实现本申请实施例中专利技术技术方案的过程中，发现上述技术至少存在如下技术问题：这些算法大部分均基于单导联心电信号设计，在高质量单导联信号上能够较为准确的检测出QRS波，但是一旦这些算法所依赖的导联受到较大噪声的干扰，检测性能可能会大幅下降。因此对于低质量信号，与单导联心电信号相比，多导联心电信号可以提供更多可用的信息。导联数量越多，从低质量心电信号中检测QRS波的准确度就越高。部分研究者在多导联信号中抽取质量较好的导联作为QRS波检测器的输入，但由于噪声的不均匀分布，这种方法可能会丢弃包含清晰部分的低质量信号或选择包含噪声部分的高质量信号。部分研究者对于12导联心电信号的各个导联分别进行预测，并融合这些结果得到最终QRS波位置。这些方法可以融合多导联信号获得优化的QRS波检测，通常需要手工设计导联处理的相关策略，这不可避免地涉及复杂的流程和阈值的手动选择，导致这些方法对于多导联信号的兼容性较差。

技术实现思路

[0004]为此，本专利技术针对现有技术中多导心电信号处理流程复杂且需手动选择阈值造成效率低以及多导联信号兼容性差两个方面存在的问题，提出了一种心电信号通用多导联QRS波检测方法。
[0005]为解决上述技术问题，本专利技术提供了一种心电信号通用多导联QRS波检测方法，包括：获取待测试的多导联心电信号，将其Z
‑
score归一化之后输入心电信号通用多导联QRS波检测模型，该模型包括导联蒸馏模块和QRS波检测模块，导联蒸馏模块将导联输入的通道维度轴转换为宽度维度，将多导线信号转换成一个单通道图像，然后利用多个卷积单元对输入的待测试多导联心电信号进行特征提取，将提取到的特征信号输入分类器选取无噪声
的特征信号，将所述无噪声的特征信号按照宽度维度求和得到最终的蒸馏信号，将所述蒸馏信号输入所述QRS波检测模块用于实现图像分割，获取QRS波群的位置信息。
[0006]优选地，所述心电信号通用多导联QRS波检测模型训练过程如下：
[0007]准备训练用的数据，即选自不同类别数据集的心电信号与对应的标签数据,形成训练集；
[0008]将所述训练集的心电信号进行Z
‑
score归一化处理，然后将归一化后的数据输入所述导联蒸馏模块得到蒸馏信号，将所述蒸馏信号输入所述QRS波检测模块，利用Adam算法进行优化训练，训练完成后保存loss最小时的模型，此模型即为所述心电信号通用多导联QRS波检测模型。
[0009]所述训练集的心电信号标签是一个方波，在该方波中，QRS波群的面积用值1标记，宽度为37个采样点，R峰前后各18个采样点，其他区域保持值0；
[0010]所述Adam算法的损失函数为Diceloss，其公式如下式所示：
[0011][0012]其中N代表信号长度，g(x
i
)代表x
i
的标签真实值，p(x
i
)代表x
i
的网络预测值。
[0013]优选地，所述导联蒸馏模块的卷积单元包含常规卷积单元和深度可分离卷积单元，常规卷积单元包括卷积层、批量归一化层和Leaky ReLU激活层，深度可分离卷积单元包括深度可分离卷积层、批量归一化层和Leaky ReLU激活层。
[0014]优选地，所述QRS波检测模块为FCNet、U
‑
Net、DenseNet中的任意一种网络。
[0015]优选地，所述QRS检测模块是一个基于U
‑
net网络的多层网络框架，相应层级的卷积核大小一致，所述多层网络框架选用跳层连接结构，将编码器的中间结果与相应的解码器特征图在通道维度上拼接，最后将特征信号通过Sigmoid激活函数得到QRS波群的位置信息。
[0016]本专利技术还提供了一种心电信号通用多导联QRS波检测装置，包括：
[0017]获取模块：用于获取待测试的多导联心电图信号，将归一化处理后的待测试的多导联心电图信号输入所述预先构建的心电信号通用多导联QRS波检测模型；所述心电信号通用多导联QRS波检测模型包括导联蒸馏模块和QRS波检测模块；
[0018]导联蒸馏模块：将所述待测试的多导联心电信号输入所述导联蒸馏模块，导联蒸馏模块将导联输入的通道维度轴转换为宽度维度，将多导线信号转换成一个单通道图像，利用多个卷积单元对转换后的待测试多导联心电信号进行特征提取，将提取的特征信号输入分类器选取无噪声的特征信号，将所述无噪声的特征信号按照宽度维度求和得到最终的蒸馏信号；
[0019]QRS波检测模块：将所述蒸馏信号输入所述QRS波检测模块用于实现图像分割，获取QRS波群的位置信息。
[0020]本专利技术还提供了一种心电信号通用多导联QRS波检测设备，包括：
[0021]多导联心电信号采集装置，用于采集待测试心电信号；
[0022]上位机，与所述多导联心电信号采集装置通讯连接，用于执行计算机程序时，实现如上述所述的心电信号通用多导联QRS波检测方法的步骤；
[0023]显示装置，与所述上位机通讯连接，用于显示待测试心电信号的QRS复合波标签
图。
[0024]本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述的一种心电信号通用多导联QRS波检测方法的步骤。
[0025]本专利技术的上述技术方案相比现有技术具有以下优点：
[0026]本专利技术所述的一种心电信号通用多导联QRS波检测方法通过构建基于卷积神经网络和导联蒸馏模块的端到端的网络模型，将待测试的多导联心电信号Z
‑
score归一化之后输入所述网络模型，导联蒸馏模块将导联输入的通道维度轴转换为宽度维度，将多导线信号转换成一个单通道图像，这种转换在多种导联结本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心电信号通用多导联QRS波检测方法，其特征在于：获取待测试的多导联心电图信号，将归一化处理后的待测试的多导联心电图信号输入心电信号通用多导联QRS波检测模型；所述心电信号通用多导联QRS波检测模型包括导联蒸馏模块和QRS波检测模块；将所述待测试的多导联心电信号输入所述导联蒸馏模块，导联蒸馏模块将导联输入的通道维度轴转换为宽度维度，将多导线信号转换成一个单通道图像，利用多个卷积单元对转换后的待测试多导联心电信号进行特征提取，将提取的特征信号输入分类器选取无噪声的特征信号，将所述无噪声的特征信号按照宽度维度求和得到最终的蒸馏信号；将所述蒸馏信号输入所述QRS波检测模块用于实现图像分割，获取QRS波群的位置信息。2.根据权利要求1所述的心电信号通用多导联QRS波检测方法，其特征在于，所述心电信号通用多导联QRS波检测模型训练过程如下：准备训练用的数据，即选自不同类别数据集的心电信号与对应的标签数据,形成训练集；将所述训练集的心电信号进行Z
‑
score归一化处理，然后将归一化后的数据输入所述导联蒸馏模块得到蒸馏信号，将所述蒸馏信号输入所述QRS波检测模块，利用Adam算法进行优化训练，训练完成后保存loss最小时的模型，此模型即为所述心电信号通用多导联QRS波检测模型。3.根据权利要求2所述的选自不同类别数据集的心电信号与对应的标签，其特征在于，所述标签是一个方波，在该方波中，QRS波群的面积用值1标记，宽度为37个采样点，R峰前后各18个采样点，其他区域保持值0。4.根据权利要求2所述的优化训练，其特征在于，所述Adam算法的损失函数为Diceloss，其公式如下式所示:其中N代表信号长度，g(x
i
)代表x
i
的标签真实值，p(x
i
)代表x
i
的网络预测值。5.根据权利要求1所述的心电信号通用多导联QRS波检测方法，其特征在于，所述导联蒸馏模块的卷积单元包含常规卷积单元和深度可分离卷积单元，常规卷积单元包括卷积层、批量归一化层和Leaky ReLU激活层，深度可分离卷积单...

【专利技术属性】
技术研发人员：王丽荣，朱文亮，周靖杰，刘江旭，李子豪，鲁思思，刘星宇，李佳程，
申请(专利权)人：苏州大学，
类型：发明
国别省市：