【技术实现步骤摘要】
本专利技术涉及心电信号处理，具体涉及一种针对可穿戴式设备的心电图qrs波形检测方法。
技术介绍
1、随着可穿戴式设备的普及，越来越多的人开始使用这些设备来关注自己的健康状况。其中，心电图(electrocardiogram，ecg)监测技术是一种常见的健康监测方法。由于ecg能够提供有关心脏健康状况的实时信息，因此在医疗保健领域以及普通民众中广泛应用。在静息状态下进行qrs波形检测是一项已经相对成熟的技术。这种技术通过记录心电信号并将其转换成数字信号进行分析，以确定qrs波形。在静息状态下，患者通常处于相对静止的状态，没有运动或肌肉收缩等干扰因素，因此心电图基线较为稳定，这有助于更清晰地观察qrs波形。所以，静息状态下的qrs波形具有较高的准确性。然而，在可穿戴式设备的运动状态下，qrs波形的检测变得更加困难。这是因为运动状态下的噪声和运动伪影影响了信号的质量和准确性。噪声来自于设备本身、周围环境以及人体运动，而运动伪影则是由于心肺运动引起的心电信号干扰。
技术实现思路
1、本专利技术为了克服以上技术的不足，提供了一种提高运动状态下qrs波形的检测精度的方法。
2、本专利技术克服其技术问题所采用的技术方案是：
3、一种针对可穿戴式设备的心电图qrs波形检测方法，包括如下步骤：
4、a)采集心电信号数据，将采集的心电信号数据进行归一化处理。
5、b)将归一化后的心电信号数据切割成z段时长为xs的信号片段，得到心电信号片段集u，u＝{u1
6、c)建立qrs波形检测网络s2te_net，qrs波形检测网络s2te_net由第一卷积块、特征提取模块、第二卷积块、挤压激励模块、第三卷积块、dropout层、全连接层构成。
7、d)将第t条信号片段ut输入到qrs波形检测网络s2te_net的第一卷积块中，输出得到特征f1。
8、e)将特征f1输入到qrs波形检测网络s2te_net的特征提取模块中，输出得到特征f4。
9、f)将特征f4输入到qrs波形检测网络s2te_net的第二卷积块中，输出得到特征f5。
10、g)将特征f5输入到qrs波形检测网络s2te_net的挤压激励模块中，输出得到特征f6。
11、h)将特征f6输入到qrs波形检测网络s2te_net的第三卷积块中，输出得到特征f7。
12、i)将特征f7输入到qrs波形检测网络s2te_net的dropout层、全连接层中，输出得到qrs波形检测概率pn。
13、优选的，步骤b)中x＝10。
14、进一步的，步骤b)中每一条信号片段的长度为n，每一条信号片段的维度均为1*n维。
15、进一步的，步骤d)包括如下步骤：
16、d-1)qrs波形检测网络s2te_net的第一卷积块由卷积层、batchnorm1d层、swish激活函数层构成；
17、d-2)将第t条信号片段ut输入到第一卷积块的卷积层中，输出得到特征f1-1；
18、d-3)将特征f1-1输入到第一卷积块的batchnorm1d层中，输出得到特征f1-2；
19、d-4)将特征f1-2输入到第一卷积块的swish激活函数层中，输出得到特征f1。进一步的，步骤e)包括如下步骤：
20、e-1)qrs波形检测网络s2te_net的特征提取模块由并行的时空特征提取模块1和时空特征提取模块2构成；
21、e-2)时空特征提取模块1由第一卷积层、第二卷积层、bi-lstm网络构成，将特征f1输入到时空特征提取模块1的第一卷积层中，输出得到特征f2-1，将特征f2-1输入到时空特征提取模块1的第二卷积层中，输出得到特征f2-2，将特征f2-2输入到时空特征提取模块1的bi-lstm网络中，输出得到特征fbilstm1，将特征f2-1、特征f2-2、特征fbilstm1进行拼接操作，得到特征f2-3，将特征f2-3与特征f1进行相加操作，得到特征f2；
22、e-3)时空特征提取模块2由第一卷积层、bi-lstm网络构成、第二卷积层构成，将特征f1输入到时空特征提取模块2的第一卷积层中，输出得到特征f3-1，将特征f1输入到时空特征提取模块2的bi-lstm网络中，输出得到特征fbilstm2，将特征特征f3-1与特征fbilstm2进行拼接操作，得到特征f3-2，将特征f3-2输入到时空特征提取模块2的第二卷积层中，输出得到特征f3-3，将特征f3-3与特征f1进行相加操作，得到特征f3；
23、e-4)将特征f2与特征f3进行相加操作，得到特征f4。
24、进一步的，步骤f)包括如下步骤：
25、f-1)qrs波形检测网络s2te_net的第二卷积块由卷积层、batchnorm1d层、swish激活函数层构成；
26、f-2)将特征f4输入到第二卷积块的卷积层中，输出得到特征f4-1；
27、f-3)将特征f4-1输入到第二卷积块的batchnorm1d层中，输出得到特征f4-2；f-4)将特征f4-2输入到第二卷积块的swish激活函数层中，输出得到特征f5。进一步的，步骤g)包括如下步骤：
28、g-1)qrs波形检测网络s2te_net的挤压激励模块由卷积滤波器、sigmoid激活函数构成；
29、g-2)将特征f5输入到挤压激励模块的卷积滤波器中，输出得到特征zsq；
30、g-3)将特征zsq输入到挤压激励模块的sigmoid激活函数中，输出得到特征fex；g-4)将特征f5与特征fex进行相乘操作，得到特征f6。
31、进一步的，步骤h)包括如下步骤：
32、h-1)qrs波形检测网络s2te_net的第二卷积块由卷积层、batchnorm1d层、swish激活函数层构成；
33、h-2)将特征f6输入到第三卷积块的卷积层中，输出得到特征f6-1；
34、h-3)将特征f6-1输入到第三卷积块的batchnorm1d层中，输出得到特征f6-2；h-4)将特征f6-2输入到第三卷积块的swish激活函数层中，输出得到特征f7。进一步的，步骤i)包括如下步骤：
35、i-1)将特征f7输入到qrs波形检测网络s2te_net的dropout层中，输出得到特征f8-1，将特征f8-1与特征f1进行相加操作，得到特征f8；
36、i-2)将特征f8输入到qrs波形检测网络s2te_net的全连接层中，输出得到qrs波形检测概率pn。
37、本专利技术的有益效果是：通过使用不同隐藏神经元大小的双向长短时记忆神经网络来提取信号的时间特征并平滑噪声带来的干扰，使用不同大小的卷积核来提取不同尺度的空间特征，本文档来自技高网...
【技术保护点】
1.一种针对可穿戴式设备的心电图QRS波形检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的针对可穿戴式设备的心电图QRS波形检测方法，其特征在于：步骤b)中X＝10。
3.根据权利要求1所述的针对可穿戴式设备的心电图QRS波形检测方法，其特征在于：步骤b)中每一条信号片段的长度为N，每一条信号片段的维度均为1*N维。
4.根据权利要求1所述的针对可穿戴式设备的心电图QRS波形检测方法，其特征在于，步骤d)包括如下步骤：
5.根据权利要求1所述的针对可穿戴式设备的心电图QRS波形检测方法，其特征在于，步骤e)包括如下步骤：
6.根据权利要求1所述的针对可穿戴式设备的心电图QRS波形检测方法，其特征在于，步骤f)包括如下步骤：
7.根据权利要求1所述的针对可穿戴式设备的心电图QRS波形检测方法，其特征在于，步骤g)包括如下步骤：
8.根据权利要求1所述的针对可穿戴式设备的心电图QRS波形检测方法，其特征在于，步骤h)包括如下步骤：
9.根据权利要求1所述的针对可穿戴式设备的心
...【技术特征摘要】
1.一种针对可穿戴式设备的心电图qrs波形检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的针对可穿戴式设备的心电图qrs波形检测方法，其特征在于：步骤b)中x＝10。
3.根据权利要求1所述的针对可穿戴式设备的心电图qrs波形检测方法，其特征在于：步骤b)中每一条信号片段的长度为n，每一条信号片段的维度均为1*n维。
4.根据权利要求1所述的针对可穿戴式设备的心电图qrs波形检测方法，其特征在于，步骤d)包括如下步骤：
5.根据权利要求1所述的针对可穿戴式设备...
【专利技术属性】
技术研发人员：周书旺，孔祥菊，舒明雷，刘照阳，单珂，徐鹏摇，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。