一种位置依赖的心电图特征点识别方法、系统和电子设备技术方案

本发明专利技术提供了一种位置依赖的心电图特征点识别方法、系统和电子设备，其方法包括：采样并预处理长度为N的单导联心电图；构建Transformer结构，全局提取M组预处理后的单导联心电图中的A个类别的PQRST波的时序特征波段，生成M

【技术实现步骤摘要】
一种位置依赖的心电图特征点识别方法、系统和电子设备


[0001]本专利技术涉及心电图识别领域，尤其涉及一种位置依赖的心电图特征点识别方法
、
系统和电子设备
。

技术介绍

[0002]心电图作为检测人体心脏健康状态的重要检查项目之一，已经形成了各种疾病诊断的标准，其中，
《
心电图明尼苏达编码
》
是众多心电图疾病诊断的重要标准
。
[0003]《
心电图明尼苏达编码
》
是通过心电图的
P、QRS、T、PR
段
、ST
段和
QT
段的不同异常情况下所对应的疾病进行编码，因此，准确有效地判断心电图的各个波段的异常情况才能更精准地判断疾病
。
[0004]现有技术中，识别心电图的
P
波
、QRS
波群和
T
波框架包括预处理和识别算法两大重要方法
。
然而现有技术中，首先，预处理的算法通常较为复杂，例如部分算法会选择小波重组，这会造成一定的时间消耗，并且预处理的滤波会造成波形产生轻微变化，这意味着后续识别到的
P
波
、QRS
波群和
T
波的时限与真实的时限有一定的差异
。
[0005]其次，传统的识别算法是采用频域方法，例如小波变换和
Hilbert(
希尔伯特
)
变换，得到重要数值，再通过训练得到阈值用于截断，得到待选
R
点，基于
R
点的位置，在
R
点附近一定的时间间隔内搜索
P
和
T
波，最后通过阈值等方法找到
P
和
T
波
。
传统方法对于质量较差的数据，容易产生识别误差，而且
P
波和
T
波的位置极其依赖于
R
点的位置，因此，若
R
点位置识别错误，则
P
和
T
波的位置也会产生偏差，这会导致识别的精准度降低
。
[0006]而且深度学习的方法中，循环神经网络结构的双向
LSTM(
长短期记忆人工神经网络
)
结构有耗时长，不能处理较长或大量的心电图的缺陷；
Unet
的结构对于异常或者噪音稍多的心电图的识别效果并不理想，且所需的硬件成本和时间成本都较高
。
[0007]因此，需要提供一种位置依赖的心电图特征点识别方法
、
系统和电子设备，提升心电图的识别精准度，降低识别耗时和硬件成本，提升心电图识别效率，且更有益于医学实际应用领域判断心电图的异常情况
。

技术实现思路

[0008]本专利技术的目的是为了提供一种位置依赖的心电图特征点识别方法
、
系统和电子设备，提升心电图的识别精准度，降低识别耗时和硬件成本，提升心电图识别效率，且更有益于医学实际应用领域判断心电图的异常情况
。
[0009]为了达到上述目的，本专利技术提供了一种位置依赖的心电图特征点识别方法，包括：
[0010]采样单导联心电图，对所述单导联心电图进行预处理，设定所述单导联心电图的长度为
N
；
[0011]构建
Transformer
结构，全局提取
M
组预处理后的单导联心电图中的
A
个类别的
PQRST
波的时序特征波段，生成
M
×
A
的二维序列；
[0012]通过双向循环神经网络结构提取所述二维序列，每组提取一个类别的时序特征
点，以医学判断经验中所述
PQRST
波的前后位置关系生成长度为
M
的一维序列；
[0013]通过卷积神经网络结构采样所述一维序列，生成长度为
N
的时序类别序列；
[0014]标注所述单导联心电图的
PQRST
波，生成与所述时序类别序列长度和表现形式一致的标签序列，对所述标签序列和时序类别序列进行
category
交叉熵，获取损失值
。
[0015]可选的，所述标签序列和时序类别序列是以
P
波
、QRS
波群和
T
波的前后位置关系进行波段分类，每个类别的波段采用一种标记标注
。
[0016]可选的，根据所述标签序列和时序类别序列中每种标记的起终点位置，能够确定所述
P
波
、QRS
波群和
T
波的特征点位置
。
[0017]可选的，所述
A
的取值范围是4～7，
A
为自然数
。
[0018]可选的，预处理所述单导联心电图的方式为：对所述单导联心电图进行中值滤波和均值滤波处理
。
[0019]可选的，还包括：在获取所述单导联心电图前，根据所述单导联心电图的分辨率，设定采样率
。
[0020]本专利技术还提供了一种位置依赖的心电图特征点识别系统，包括：
[0021]心电图获取模块，用于采样单导联心电图；
[0022]心电图预处理模块，用于预处理所述单导联心电图；
[0023]算法结构构造模块，用于构造
Transformer
结构
、
双向循环神经网络结构和卷积神经网络结构；所述
Transformer
结构用于全局提取
M
组预处理后的单导联心电图中的
A
个类别的
PQRST
波的时序特征，生成
M
×
A
的二维序列；所述双向循环神经网络结构用于提取所述二维序列，每组提取一个类别的时序特征点，以医学判断经验中
PQRST
波的前后位置关系生成长度为
M
的一维序列；所述卷积神经网络结构用于采样所述一维序列，生成长度为
N
的时序类别序列
。
[0024]损失构造模块，用于标注所述单导联心电图的
PQRST
波，生成与所述时序类别序列长度和表现形式一致的标签序列，对所述标签序列和时序类别序列进行
category
交叉熵，获取损失值
。
[0025]可选的，还包括：心电图采样设置模块，用于根据所述单导联心电图的分辨率，设置采样率
。
[0026]可选的，所述
A
的取值范围是4～7，
A
为自然数
。
[0027]本专利技术还提供了一种电子设备，包括：...

【技术保护点】

【技术特征摘要】
1.
一种位置依赖的心电图特征点识别方法，其特征在于，包括：采样单导联心电图，对所述单导联心电图进行预处理，设定所述单导联心电图的长度为
N
；构建
Transformer
结构，全局提取
M
组预处理后的单导联心电图中的
A
个类别的
PQRST
波的时序特征波段，生成
M
×
A
的二维序列；通过双向循环神经网络结构提取所述二维序列，每组提取一个类别的时序特征点，以医学判断经验中所述
PQRST
波的前后位置关系生成长度为
M
的一维序列；通过卷积神经网络结构采样所述一维序列，生成长度为
N
的时序类别序列；标注所述单导联心电图的
PQRST
波，生成与所述时序类别序列长度和表现形式一致的标签序列，对所述标签序列和时序类别序列进行
category
交叉熵，获取损失值
。2.
根据权利要求1所述的位置依赖的心电图特征点识别方法，其特征在于，所述标签序列和时序类别序列是以
P
波
、QRS
波群和
T
波的前后位置关系进行波段分类，每个类别的波段采用一种标记标注
。3.
根据权利要求2所述的位置依赖的心电图特征点识别方法，其特征在于，根据所述标签序列和时序类别序列中每种标记的起终点位置，能够确定所述
P
波
、QRS
波群和
T
波的特征点位置
。4.
根据权利要求2所述的位置依赖的心电图特征点识别方法，其特征在于，所述
A
的取值范围是4～7，
A
为自然数
。5.
根据权利要求1所述的位置依赖的心电图特征点识别方法，其特征在于，预处理所述单导联心电图的方式为：对所述单导联心电图进行中值滤波和均值滤波处理，所述均值滤波...

【专利技术属性】
技术研发人员：侯杨，徐潇，杨俊，李金雷，孙庆文，车文良，李海玲，
申请(专利权)人：上海移视网络科技有限公司，
类型：发明
国别省市：