本发明涉及医学信号处理技术领域，特别是涉及一种心电图t波终点检测方法和装置。
背景技术：
心电图(electrocardiogram，简称ecg或ekg)是利用心电图机从体表记录心脏每一心动周期所产生的电活动变化图形，其反映着心肌收缩与时间之间的关系。心电图中的qt间期反映了心室除复极的全过程，qt间期的延长是临床中评估室性心律失常的重要标志。因此，对qt波提取就显得尤为重要。
在临床上，对t波终点定位是qt波提取中非常关键的步骤；然而由于t波终点附近信号低频成分丰富，易混入噪声，且t波形态容易发生变化，因此对t波终点定位就非常困难。例如研究表明，当发生缺血类心肌病时一般会引起t波形态的变化，如t波倒置、双向等，从而对t波终点的检测造成影响。
目前，t波终点的检测算法主要包括依靠面积、模板匹配、小波变换、曲率、统计模式识别以及神经网络等方法，这些方法都不单纯依赖阈值进行处理。其中，依靠模板匹配、统计模式识别以及神经网络等方法的计算量较大，效率差。
技术实现要素：
基于此，有必要针对目前的t波终点定位算法在对心电图t波终点检测时计算量较大，效率差的问题，提供一种心电图t波终点检测方法和装置。
一种心电图t波终点检测方法，包括以下步骤：
获取t波终点检测模型；所述t波终点检测模型为基于mlp神经网络模型对历史t波离散数据进行学习训练而得到的；其中，所述历史t波离散数据是对从qt数据库中历史心电信号提取出的t波、进行降维处理得到的；
将待检测的心电信号输入所述t波终点检测模型，得到所述待检测的心电信号的t波终点坐标。
一种心电图t波终点检测装置，包括：
模型获取模块，用于获取t波终点检测模型；所述t波终点检测模型为基于mlp神经网络模型对历史t波离散数据进行学习训练而得到的；其中，所述历史t波离散数据是对从qt数据库中历史心电信号提取出的t波、进行降维处理得到的；
t波终点检测模块，用于将待检测的心电信号输入所述t波终点检测模型，得到所述待检测的心电信号的t波终点坐标。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
获取t波终点检测模型；所述t波终点检测模型为基于mlp神经网络模型对历史t波离散数据进行学习训练而得到的；其中，所述历史t波离散数据是对从qt数据库中历史心电信号提取出的t波、进行降维处理得到的；
将待检测的心电信号输入所述t波终点检测模型，得到所述待检测的心电信号的t波终点坐标。
一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获取t波终点检测模型；所述t波终点检测模型为基于mlp神经网络模型对历史t波离散数据进行学习训练而得到的；其中，所述历史t波离散数据是对从qt数据库中历史心电信号提取出的t波、进行降维处理得到的；
将待检测的心电信号输入所述t波终点检测模型，得到所述待检测的心电信号的t波终点坐标。
上述技术方案中的一个技术方案具有如下优点和有益效果：
上述的心电图t波终点检测方法和装置，在对心电图t波终点检测时，首先获取t波终点检测模型，其中t波终点检测模式的建立过程为对qt数据库中的历史心电信号进行t波提取，并对提取后的t波进行降维处理得到历史t波离散数据，利用mlp神经网络模式对历史t波离散数据进行学习训练从而得到t波终点检测模型，最后将待检测的心电信号输入t波终点检测模型中，就可以得到t波终点坐标。上述的心电图t波终点检测方法中在得到t波终点检测模式时，有效地将图像降维方法与mpl神经网络模型结合起来，使得得到的t波检测模型计算量较小，在使用t波检测模型识别t波终点时计算量小，大大提高了计算的效率。
附图说明
图1为本发明的心电图t波终点检测方法在其中一个实施例中的流程示意图；
图2为本发明的心电图t波终点检测方法在其中一个实施例中的流程示意图；
图3为心电图中一个波组的结构示意图；
图4为本发明的心电图t波终点检测方法在其中一个实施例中的流程示意图；
图5为本发明的心电图t波终点检测方法在其中一个实施例中的流程示意图；
图6为本发明的心电图t波终点检测装置在其中一个实施例中的流程示意图；
图7为本发明的心电图t波终点检测装置在其中一个实施例中的流程示意图；
图8为本发明的计算机设备在一个实施例中的结构示意图。
具体实施方式
下面将结合较佳实施例及附图对本发明的内容作进一步详细描述。显然，下文所描述的实施例仅用于解释本发明，而非对本发明的限定。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。应当说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。
图1为本发明的心电图t波终点检测方法在一个实施例中的流程示意图，如图1所示，本发明实施例中的心电图t波终点检测方法，包括以下步骤：
步骤s110，获取t波终点检测模型；t波终点检测模型为基于mlp神经网络模型，对历史t波离散数据进行学习训练而得到的；其中，历史t波离散数据是对从qt数据库中历史心电信号提取出的t波、进行降维处理得到的。心电图指的是心脏在每个心动周期中，由起搏点、心房、心室相继兴奋，伴随着心电图生物电的变化，通过心电描记器从体表引出多种形式的电位变化的图形。常用的心电图由一系列的波组所构成，每个波组代表着每一个心动周期。
心电图的一个波组包括p波、qrs波群、t波及u波。p波由心房除极所产生，是每一波组中的第一波，它反映了左、右心房的除极过程。qrs波群：包括三个紧密相连的波，第一个向下的波称为q波，继q波后的一个高尖的直立波称为r波，r波后向下的波称为s波，qrs波群反映了左、右两心室的除极过程。t波：t波位于s-t段之后，是一个比较低而占时较长的波，它是心室复极所产生的。u波：u波位于t波之后，比较低小。由此可见，t波是一个与心室功能密切有关的波形图谱，可以用于来诊断心室相关疾病。另外，心电图中qt间期反映了心室除复极的过程，当病人室性心律失常时，qt间期时长将发生变化，因此qt间期时长是用于诊断室性心律失常重要的标准和依据，要确定qt间期时长首先要提取qt心电信号，然而在提取qt心电信号时，确定t波终点位置非常关键，而现有的t波终点检测方法种类较多(例如依靠面积、模板匹配以及统计模式识别等)，但这些方法都存在计算量非常大，难以进行实时检测。
mlp(multi-layerperceptron，多层感知器)神经网络是一种多层前馈的网络模型，mlp神经网络主要包括三部分：一组感知单元组成输入层、一层或多层计算节点的隐藏层和一层计算节点的输出层。其中每一层都具有一个或多个节点，除了输入节点，每个节点都是一个带有非线性激活函数的神经元(或称处理单元)，通常采用反向传播算法的监督学习方法常被用来训练mlp，即mlp神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，能通过对大量“输入-输出”模式的样本进行学习建立映射关系，并采用最速下降法这一学习规则，通过经验泛化误差的反向传播来不断调整网络的连接权值以及阈值，使神经网络模型对数据样本进行逼近的误差平方和最小。mlp可用于对非线性数据进行识别。
在本实施例中，采用mlp神经网络来对历史t波离散数据进行学习训练，从而得到t波终点检测模型。其中t波终点检测模式是预先训练完成的，在需要对待检测的先点信号进行t波终点坐标检测时，只需提取到或者调用这个模型即可。
步骤s120，将待检测的心电信号输入t波终点检测模型，得到待检测的心电信号的t波终点坐标。
具体地，在对待检测的心电信号进行t波终点检测时，将待检测的心电信号输入到t波终点检测模型中，从而就可以确定待检测的心电信号中t波终点坐标(即采样时间点)。
上述的心电图t波终点检测方法，在对心电图t波终点检测时，首先获取t波终点检测模型，其中t波终点检测模式的建立过程为对qt数据库中的历史心电信号进行t波提取，并对提取后的t波进行降维处理得到历史t波离散数据，利用mlp神经网络模式对历史t波离散数据进行学习训练从而得到t波终点检测模型，最后将待检测的心电信号输入t波终点检测模型中，就可以得到t波终点坐标。上述的心电图t波终点检测方法中在得到t波终点检测模式时，有效地将图像降维方法与mpl神经网络模型结合起来，使得得到的t波检测模型计算量较小，在使用t波检测模型识别t波终点时计算量小，大大提高了计算的效率。
在其中一个实施例中，如图2所示，所述t波离散数据包括离散采样时间和与离散采样时间对应的目标输出值；可以通过以下步骤来得到t波终点检测模式；
步骤s130，从qt数据库中获取历史心电信号。
步骤s140，利用第一预设的窗函数对历史心电信号进行信号分段处理，得到各t波心电信号。
步骤s150，对各t波心电信号进行降维处理，得到各目标采样时间以及与各目标采样时间对应的目标输出电压值。
步骤s160，采用mlp神经网络模型，对各目标采样时间以及各目标采样时间对应的目标输出电压值进行学习训练，得到t波终点检测模型。
具体地，在利用mlp神经网络模型之前，要先提取历史t波离散数据。首先从qt数据库(即历史心电图数据库)中提取历史心电图信号，qt数据库总共有105条心电图记录，每个记录包括采样率为250hz的两条时长15min的心电图(ecg)数据，其中，每个记录中还包括心脏病学专家在至少30个心拍注释，准确标记了qrs波群、p波、t波的峰值点、起点和终点的位置及t波形态。其中一个心拍是指一个心动周期，每一个心拍就会产生一个心电图波组。
从qt数据库中提取出来的历史心电图信号是记录有波组的心电图信号，为了提高图像处理的速率，综合考虑t波频率范围，采用第一预设的窗函数对历史心电图进行分段处理，在进行分段时，以r波峰值点为起始点来对历史心电图进行分段。分段后结果如图3所示，其中根据心电图产生特性可知，t波大都在r波后的200ms～600ms之间，那么t波采样时间(即横坐标)的表达式为：
xi＝s[ri+200:ri+600]；
对t波采样时间(即横坐标)进行标准化处理，得到目标输出的表达式为：
其中s表示心电信号，ri表示第i个波组中r波峰值点的位置(或者时刻，即采样时间)，xiref表示第i个波组中t波起点位置，tei表示qt数据库第i个波组中专家标注的t波终点位置，通过除以400，可将yi归一化至0～1之间。对历史心电信号进行分段后，可以得到多个t波心电信号。
另外，由于qt数据库的采样频率一般为250hz(或采样时间为4ms)，那么在整个t波心电信号内(即在[ri+200：ri+600]范围内)共有100个点，即xi是一个100维的向量，维度较高，在利用高维的t波心电信号数据训练mlp神经网络模型时，计算量非常大。在本实施例中，对t波心电信号的xi进行降维处理，得到各离散采样时间，以及与各离散采样时间对应的目标输出值。然后以各离散采样时间和与各离散采样时间对应的目标输出值为训练样本对，对mlp神经网络模型进行学习训练，得到t波终点检测模型。在本实施例中，对t波心电信号的xi进行降维处理的方法有多种，可以采用离散傅里叶变化、离散余弦变换、主成分分析法以及降采样等。采用t波离散数据(即降维后的t波数据)来训练mlp模型，能有效减少计算量，提高了模型训练速率。
其外，所述第一预设的窗函数是一种用于提取t波心电信号；利用第一预设的窗函数处理历史心电信号，即可得到t波心电信号。
在一种可选的实施方式中，采用隐含层为1，隐含层节点数为1～32，输入层节点为1～16的mlp神经网络模型来对历史t波离散数据进行学习训练。根据心电图(即t波)分布规律选择上述特定的mlp神经网络模型，一方面能提高模型训练速度，另一方面，利用训练完成的模型来确定t波终点位置时，检测结果准确。
在其中一个实施例中，对历史心电信号进行信号分段的步骤之前：
对历史心电信号进行滤波处理。
具体地，在测试心电图的过程中，有时容易产生干扰，在心电图中出现杂波，这些杂波会心电图信号的分析产生干扰。因此，从qt数据库中获取历史心电信号后，在对历史心电信号进行信号分段处理前，对历史心电信号进行滤波处理，除去杂波。采用滤波后的历史心电信号提取t波离散数据(即各离散采样时间以及与各所述离散采样时间对应的目标输出值)更加准确，如此采用上述t波离散数据训练mlp神经网络模型得到的t波检测模型更加准确，从而使得采用t波检测模型对待检测的心电信号进行t波终点位置检测，得到的检测结果就更加准确。
可选地，通常采用带通滤波来对历史心电数据进行滤波处理，即选择特定频率范围内的心电图波段，减少了计算量，大大提高了计算效率。
在其中一个实施例中，在对历史心电信号进行滤波处理的步骤包括：
采用切比雪夫带通滤波器对历史心电信号进行带通滤波处理。
具体地，心电图中t波频率范围在0～10hz之间，其中92％的能量都集中在1～8hz之间，在本实施例中采用切比雪夫带通滤波器来对历史心电信号进行处理，其中带通滤波的范围可以是0～50hz。采用切比雪夫带通滤波器处理历史心电信号，能有效获取有用的心电信号，去除一些无用杂波的干扰，一方面减少干扰，提高了准确率；另一方面，减少计算量。另外，切比雪夫滤波器是在通带或阻带上频率响应幅度等波纹波动的滤波器，过渡带比较窄，信号保真性好。
在其中一个实施例中，如图4所示，在对t波心电信号进行降维处理的步骤中，包括：
步骤s152，采用离散余弦变换对t波心电信号进行降维处理。
具体地，dct(discretecosinetransform，离散余弦变换)变换，是信号处理和数据压缩的一种方式，其本质就是在一定损失的情况下，采用较少数目的点数来表示原点数，即将一个高维本质的数据经过dct变换后可以用较少数目的位数来表示，且数据的本质特征没有发生变化。在本实施例中，利用离散余弦变换对t波心电信号进行降维处理，即对t波心电信号中的xi([ri+200:ri+600])进行降维处理，其降维后目标输出的表达式为：
其中，y(k)表示维数为k时的目标输出值，k表示维数，xn表示第n个采样时间。
为了便于理解本实施例，给出一个详细的实施例。从qt数据库中选取多条记录的历史心电信号，对历史心电信号进行滤波处理以及分段处理，得到n个t波心电信号，对每一个t波心电信号采用离散余弦变换进行降维处理，得到多个离散采样时间x1～xn和与多个离散采样时间对应的目标输出值y1～yn，然后将x1～xn和y1～yn组成mlp神经网络模型训练样本对神经网络训练，训练完成后得到t波终点检测模型。
在其中一个实施例中，如图4所示，还包括：在对t波心电信号进行降维处理的步骤中，还包括：
步骤s154，采用主成分分析法对t波心电信号进行降维处理。
具体地，主成分分析(principalcomponentanalysis)是一种数学变换的方法,它把给定的一组相关变量通过线性变换转成另一组不相关的变量，这些新的变量按照方差依次递减的顺序排列。在数学变换中保持变量的总方差不变，使第一变量具有最大的方差，称为第一主成分，第二变量的方差次大，并且和第一变量不相关，称为第二主成分。依次类推，i个变量就有i个主成分。主成分分析法就是用较少的变量去解释原来资料中的大部分变量，将我们手中许多相关性很高的变量转化成彼此相互独立或不相关的变量。通常是选出比原始变量个数少，能解释大部分资料中变量的几个新变量，即所谓主成分，主成分分析实际上是一种降维方法，即用一种较少数量的特征对样本进行描述以达到降低特征空间维数的方法，该方法可以消除评价指标之间的相关影响，计算量比较小且规范。
在其中一个实施例中，如图4所示，在对t波心电信号进行降维处理的步骤中，还包括：
步骤s156，采用降采样方法对t波心电信号进行降维处理。
具体地，降采样是降低特定信号的采样率的过程，通常用于降低数据传输速率或者数据大小，是一种非常简单的快速对数据进行降维的方法，计算过程简单，操作方便。
在其中一个实施例中，如图5所示，在将待检测的心电信号输入所述t波终点检测模型，得到所述待检测的心电信号的t波终点坐标的步骤中还包括：
步骤s122，对待检测的心电信号进行滤波处理；
步骤s124，利用第二预设的窗函数对滤波处理后的待检测的心电信号进行信号分段处理，得到待检测的t波心电信号；
步骤s126，将待检测的t波心电信号输入至t波终点检测模型，得到待检测的t波心电信号的t波终点坐标。
具体地，在对待检测的心电信号进行t波终点检测时，先对待检测的心电信号进行滤波处理以及信号分段处理，得到待检测的t波心电信号，然后将到检测的t波心电信号输入至t波终点检测模型，得到待检测的t波心电信号的t波终点坐标。在本实施例中，先对待检测的心电信号进行滤波处理，然后利用第二预设的窗函数对滤波处理后的待检测的心电信号进行信号的分段处理，得到待检测的t波心电信号，去除待检测的先点信号中的一些杂波，减少干扰，便于快速且准确地确定待检测的心电信号中t波终点坐标。
根据上述本发明的心电图t波终点检测方法，本发明还提供一种心电图t波终点检测装置，下面结合附图及较佳实施例对本发明的心电图t波终点检测装置进行详细说明。
图6为本发明的心电图t波终点检测装置在一个实施例中的结构示意图。如图6所示，该实施例中的心电图t波终点检测装置，包括：
模型获取模块10，用于获取t波终点检测模型；所述t波终点检测模型为预先基于mlp神经网络模型，对历史t波离散数据进行学习训练而得到的，其中所述历史t波离散数据是对qt数据库中的历史心电信号进行t波提取，并对提取后的所述t波进行降维处理得到而得到的；
t波终点检测模块20，用于将待检测的心电信号输入所述t波终点检测模型，得到所述待检测的心电信号的t波终点坐标。
在其中一个实施例中，如图7所示，心电图t波终点检测装置，还包括：
心电信号获取模块30，用于从所述qt数据库中获取历史心电信号；
t波获得模块40，用于利用第一预设的窗函数对所述历史心电信号进行信号分段处理，得到t波心电信号；
离散值获得模块50，用于对所述t波心电信号进行降维处理，得到各离散采样时间以及与各所述离散采样时间对应的目标输出值；
检测模型获得模块60，用于采用所述mlp神经网络模型，对所述各离散采样时间以及述各所述离散采样时间对应的目标输出值进行学习训练，得到所述t波终点检测模型。
在其中一个实施例中，还包括：
滤波模块，用于对所述历史心电信号进行滤波处理。
在其中一个实施例中，还包括：
所述滤波模块，还用于采用切比雪夫带通滤波器对所述历史心电信号进行带通滤波处理。
在其中一个实施例中，离散值获得模块50还用于采用离散余弦变换对所述t波心电信号进行降维处理。
在其中一个实施例中，离散值获得模块50还用于采用主成分分析法对t波心电信号进行降维处理。
在其中一个实施例中，离散值获得模块50还用于采用降采样方法对t波心电信号进行降维处理。
在其中一个实施例中，还包括：
所述滤波模块，还用于对所述待检测的心电信号进行滤波处理；
所述t波获得模块，还用于利用第二预设的窗函数对滤波处理后的所述待检测的心电信号进行信号分段，得到待检测的t波心电信号；
t波终点检测模块，还用于述将所述待检测的t波心电信号输入至所述t波终点检测模型，得到所述待检测的t波心电信号的t波终点坐标。
上述心电图t波终点检测装置可执行本发明实施例所提供的心电图t波终点检测方法，具备执行方法相应的功能模块和有益效果。至于其中各功能模块所执行的处理方法，例如模型获取模块10、t波终点检测模块20、离散值获得模块50，可参照上述方法实施例中的描述，此处不再进行赘述。
根据上述本发明的心电图t波终点检测方法和装置，本发明还提供一种计算机设备，下面结合附图及较佳实施例对本发明的计算机设备进行详细说明。
图8为本发明的计算机设备在一个实施例中的结构示意图。如图8所示，该实施例中的计算机设备800，包括存储器802、处理器804及存储在存储器上并可在处理器上运行的计算机程序，其中处理器执行程序时可实现本发明方法实施例中的所有方法步骤。
上述计算机设备800中处理器804可执行本发明实施例所提供的心电图t波终点检测方法，具备执行方法相应的有益效果。可参照上述方法实施例中的描述，此处不再进行赘述。
根据上述本发明的心电图t波终点检测方法、装置和计算机设备，本发明还提供一种计算机可读存储介质，下面结合附图及较佳实施例对本发明的计算机可读存储介质进行详细说明。
本发明实施例中的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时可以实现本发明方法实施例中的所有方法步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等”。
上述计算机可读存储介质用于存储本发明实施例所提供的心电图t波终点检测方法的程序(指令)，其中执行该程序可以执行本发明实施例所提供的心电图t波终点检测方法，具备执行方法相应有益效果。可参照上述方法实施例中的描述，此处不再进行赘述。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。