一种基于U-Net网络的QRS复合波检测方法技术

本发明专利技术涉及一种基于U

【技术实现步骤摘要】
一种基于U
‑
Net网络的QRS复合波检测方法


[0001]本专利技术涉及心电图检测
，尤其是指一种基于U
‑
Net网络的QRS复合波检测方法、装置及设备。

技术介绍

[0002]典型的心电图心跳主要由P波、QRS复合波和T波组成；其中，QRS波形指示心室除极状态，它提供了有关心室兴奋和传导的丰富信息。由于QRS波形是心电图(ECG)信号中最显著的特征，往往被用来作为确定心率的基础，同时也对异位搏动的诊断和HRV的分析具有重要意义。
[0003]传统的QRS复合波检测方法主要包括预处理阶段和决策阶段，预处理的目的在于增强QRS复合波分量并衰减其他波和噪声，在决策阶段则设计检测规则识别QRS复合波群，还有部分研究额外设计了后处理的方案来优化检测结果。传统的QRS波检测方法主要包括小波变换、经验模态分解、希尔伯特变换和机器学习方法。总的来看，传统的检测方法在很大程度上依赖于手工制作的手工特征和参数，这使得这些方法缺乏对未知数据的泛化能力，难以推广到分布外的数据，尤其是在患者间的和心律失常的低质量心电图上。
[0004]近年来，也有研究将深度学习方法应用于QRS波群检测。Runnan He首先应用了一种具有均值滤波和离散小波变换的预处理器来去除不同类型的噪声等；然后设计了一种基于U
‑
Net和双向长短期记忆的双通道自动检测QRS复合波的新算法；使用来自MIT
‑
BIH心律失常数据库和CPSC2019数据集的准确率分别为98.29％和78.73％。Cai等提出了两种基于多扩张卷积块的深度学习模型；其中一个模型(CNN)主要由卷积块和挤压和激励网络(SENet)组成，另一个模型(CRNN)包含了一个混合的卷积和递归神经网络；这两种模型的集合在中国生理信号挑战(2019年)中都获得了第一名。Mohamed等提出了一种低复杂度的堆叠自编码器深度神经网络模型，模型无需预处理并且结构简单，只包含两个隐藏层，算法运行速度快，更适用于嵌入式系统的实现；实验结果采用多个基准数据集MIT/BIH，INCART DB等等，证明了该算法的泛化性、高性能。
[0005]但现有的QRS复合波检测方法对异常心电图或受噪声影响较大心电图检测QRS波效果较差，且在检测前需要对心电信号进行复杂的去噪操作。

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在QRS波检测时，检测效果差，且需要先进行复杂的去噪操作的问题。
[0007]为解决上述技术问题，本专利技术提供了一种基于U
‑
Net网络的QRS复合波检测方法，包括：
[0008]利用干净心电信号与噪声相加，生成噪声心电信号，得到预训练数据；
[0009]将噪声心电信号与相对应的干净心电信号作为预先构建的QRS复合波检测网络的输入与输出，预训练所述QRS复合波检测网络；所述QRS复合波检测网络是基于U
‑
Net网络构
建；
[0010]利用均方误差作为损失函数，训练预设次数后，输出QRS复合波检测网络的网络参数；
[0011]采集原始心电信号与对应的QRS复合波标签，利用所述网络参数初始化QRS复合波检测网络；
[0012]将原始心电信号输入初始化后的QRS复合波检测网络中，不断减小网络输出结果与对应QRS复合波标签的Dice损失函数，经过预设次数的训练后，获取训练好的QRS复合波检测网络；
[0013]获取待检测心电信号图，输入训练好的QRS复合波检测网络中，获取待检测心电信号图的QRS复合波标签图。
[0014]在本专利技术的一个实施例中，所述获取待检测心电信号图，输入训练好的QRS复合波检测网络中，获取待检测心电信号图的QRS复合波标签图，包括：
[0015]获取待检测心电信号图，输入预先训练好的QRS复合波检测网络的多尺度卷积和特征复用模块进行中，经过三路并行的有不同卷积核大小的卷积支路；
[0016]待检测心电信号图在每一路卷积支路均经过沿正传播方向依次串联的1
×
1卷积单元、第一卷积单元与第二卷积单元；三个卷积单元的输出图像拼接，作为该卷积支路的输出图像；三路并行卷积支路的输出图像拼接，作为所述多尺度卷积和特征服用模块的输出特征图像；
[0017]将所述输出特征图像进行下采样后，输入QRS复合波检测网络的编码路径进行多次下采样，输出编码图像；
[0018]将所述编码图像，进行上采样后，输入QRS复合波检测网络的解码路径，经过相同次数的上采样，输出解码图像；
[0019]将所述解码图像输入1
×
1卷积，再经过激活函数层，获取待检测心电信号图的QRS复合波标签图。
[0020]在本专利技术的一个实施例中，所述第一卷积单元与所述第二卷积单元均包括沿正传播方向依次串联的特征扰动层Disout、特征丢弃层Dropout、预设卷积核大小的1D卷积层、批归一化层BN、激活函数层ReLU与有效通道注意力层EAC。
[0021]在本专利技术的一个实施例中，所述下采样是利用大步长深度卷积模块实现的；所述大步长深度卷积模块包括：将输入特征图像经过沿正传播方向依次串联的特征扰动层Disout、特征丢弃层Dropout、预设卷积核大小的1D深度卷积层、批归一化层BN、激活函数层ReLU与有效通道注意力层EAC后输出，作为下一层编码层的输入特征图像。
[0022]在本专利技术的一个实施例中，所述编码路径包括沿正传播方向依次串联的四层编码层；每层编码层利用GConv
‑
Block模块对输入的特征图像进行卷积后输出该层编码层的编码特征图像；
[0023]所述GConv
‑
Block模块包括沿正传播方向依次串联的1
×
1卷积、Group＝6的第一分组卷积单元、Group＝3的第二分组卷积单元与第三卷积单元；
[0024]对所述第一分组卷积单元的输出图像与所述第二分组卷积单元的输出图像进行像素点相加，作为第三卷积单元的输入；
[0025]对所述1
×
1卷积的输出图像与第三卷积单元的输出图像进行像素点相加，作为
GConv
‑
Block模块的输出。
[0026]在本专利技术的一个实施例中，所述第一分组卷积单元与所述第二分组卷积单元均包括沿正传播方向依次串联的特征扰动层Disout、特征丢弃层Dropout、预设卷积核大小的1D分组卷积层、批归一化层BN、激活函数层ReLU与有效通道注意力层EAC；
[0027]所述第三卷积单元包括沿正传播方向依次串联的特征扰动层Disout、特征丢弃层Dropout、预设卷积核大小的1D卷积层、批归一化层BN、激活函数层ReLU与有效通道注意力层EAC。
[0028]在本专利技术的一个实施例中，所述解码路径包括沿正传播方向依次串联的四层解码层；
[0029]每层解码层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于U
‑
Net网络的QRS复合波检测方法，其特征在于，包括：利用干净心电信号与噪声相加，生成噪声心电信号，得到预训练数据；将噪声心电信号与相对应的干净心电信号作为预先构建的QRS复合波检测网络的输入与输出，预训练所述QRS复合波检测网络；所述QRS复合波检测网络是基于U
‑
Net网络构建；利用均方误差作为损失函数，训练预设次数后，输出QRS复合波检测网络的网络参数；采集原始心电信号与对应的QRS复合波标签，利用所述网络参数初始化QRS复合波检测网络；将原始心电信号输入初始化后的QRS复合波检测网络中，不断减小网络输出结果与对应QRS复合波标签的Dice损失函数，经过预设次数的训练后，获取训练好的QRS复合波检测网络；获取待检测心电信号图，输入训练好的QRS复合波检测网络中，获取待检测心电信号图的QRS复合波标签图。2.根据权利要求1所述的基于U
‑
Net网络的QRS复合波检测方法，其特征在于，所述获取待检测心电信号图，输入训练好的QRS复合波检测网络中，获取待检测心电信号图的QRS复合波标签图，包括：获取待检测心电信号图，输入预先训练好的QRS复合波检测网络的多尺度卷积和特征复用模块进行中，经过三路并行的有不同卷积核大小的卷积支路；待检测心电信号图在每一路卷积支路均经过沿正传播方向依次串联的1
×
1卷积单元、第一卷积单元与第二卷积单元；三个卷积单元的输出图像拼接，作为该卷积支路的输出图像；三路并行卷积支路的输出图像拼接，作为所述多尺度卷积和特征服用模块的输出特征图像；将所述输出特征图像进行下采样后，输入QRS复合波检测网络的编码路径进行多次下采样，输出编码图像；将所述编码图像，进行上采样后，输入QRS复合波检测网络的解码路径，经过相同次数的上采样，输出解码图像；将所述解码图像输入1
×
1卷积，再经过激活函数层，获取待检测心电信号图的QRS复合波标签图。3.根据权利要求2所述的基于U
‑
Net网络的QRS复合波检测方法，其特征在于，所述第一卷积单元与所述第二卷积单元均包括沿正传播方向依次串联的特征扰动层Disout、特征丢弃层Dropout、预设卷积核大小的1D卷积层、批归一化层BN、激活函数层ReLU与有效通道注意力层EAC。4.根据权利要求2所述的基于U
‑
Net网络的QRS复合波检测方法，其特征在于，所述下采样是利用大步长深度卷积模块实现的；所述大步长深度卷积模块包括：将输入特征图像经过沿正传播方向依次串联的特征扰动层Disout、特征丢弃层Dropout、预设卷积核大小的1D深度卷积层、批归一化层BN、激活函数层ReLU与有效通道注意力层EAC后输出，作为下一层编码层的输入特征图像。5.根据权利要求2所述的基于U
‑
Net网络的QRS复合波检测方法，其特征在于，所述编码路径包括沿正传播方向依次串联的四层编码层；每层编码层利用GConv
‑
Block模块对输入的特征图像进行卷积后输出该层编码层的编码特征图像；
所述GConv
‑
B...

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