心电信号获取方法、装置、计算机设备和存储介质与流程

本申请涉及医学图像处理技术领域，特别是涉及一种心电信号获取方法、装置、计算机设备和存储介质。

背景技术：

随着医学成像技术的不断发展，为了更好的对人体进行检查，正电子发射型计算机断层显像技术应运而生。正电子发射型计算机断层显像(positronemissioncomputedtomography)，是医学影像领域比较先进的临床检查影像技术。

当需要运用pet扫描进行心脏成像的时候，一般可通过外部心电图设备提供患者在进行pet扫描时，准确的心电信号。在现有技术中，也可基于pet扫描获取的自身数据，通过重心法或体积法提取心跳门控信号。由于数据及算法本身的限制，心跳门控信号频域上能够与外部心电设备获取的心电信号匹配，但是信号幅度及形状很难与外部心电图设备获取的心电信号一致。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种能够脱离的外部心电图设备，基于pet自身扫描数据提供实时心电信号的心电信号获取方法、装置、计算机设备和存储介质。

一种心电信号获取方法，所述方法包括：

获取扫描数据，并根据所述扫描数据得到第一心脏门控信号；

对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵；

将所述第一训练矩阵输入深度学习模型，得到心电信号。

在其中一个实施例中，所述将所述第一训练矩阵输入深度学习模型，获得心电信号包括：

将所述第一训练矩阵输入深度学习模型，得到心电频域信号；

对所述心电频域信号进行逆傅里叶变换处理，得到心电信号。

在其中一个实施例中，所述获取扫描数据，并根据所述扫描数据得到第一心脏门控信号之前包括：

获取训练数据以及心电采集信号；

根据所述训练数据以及心电采集信号，得到第二训练矩阵以及校对矩阵；

根据所述第二训练矩阵以及所述校对矩阵训练深度学习模型。

在其中一个实施例中，所述根据所述训练数据以及心电采集信号，得到第二训练矩阵以及校对矩阵包括；

根据所述训练数据，得到第二心脏门控信号；

对所述第二心脏门控信号进行傅里叶变换处理，得到第二训练矩阵；

对所述心电采集信号进行傅里叶变换处理，得到校对矩阵。

在其中一个实施例中，所述根据所述训练数据，得到第二心脏门控信号包括：

对所述训练数据进行运动识别，得到运动信号；

将所述运动信号进行滤波，得到所述第二心脏门控信号。

在其中一个实施例中，所述对所述训练图像数据进行运动识别，得到运动信号包括：所述训练扫描图像数据包括飞行时间信息以及心脏位置；

根据所述飞行时间信息以及心脏位置，得到光子湮灭位置到心脏位置的距离；

将所述光子湮灭位置到心脏位置的距离进行时间维度切割，得到运动信号。

在其中一个实施例中，所述根据所述飞行时间信息以及心脏位置，得到光子湮灭位置到心脏位置的距离包括：

根据所述飞行时间信息确定光子湮灭点位置，所述光子湮灭点位置用于表示湮灭点的三维空间坐标；

根据所述湮灭点位置数据以及心脏位置，确定光子湮灭位置到心脏位置的距离。

一种心电信号获取装置，所述装置包括：

心脏门控信号得到模块，用于获取扫描数据，并根据所述扫描数据得到第一心脏门控信号；

训练矩阵得到模块，用于对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵；

心电信号得到模块，用于将所述第一训练矩阵输入深度学习模型，得到心电信号。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取扫描数据，并根据所述扫描数据得到第一心脏门控信号；

对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵；

将所述第一训练矩阵输入深度学习模型，得到心电信号。

一种计算机可读存储介质，其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以下步骤：

获取扫描数据，并根据所述扫描数据得到第一心脏门控信号；

对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵；

将所述第一训练矩阵输入深度学习模型，得到心电信号。

上述心电信号获取方法、装置、计算机设备和存储介质，通过获取扫描数据，并根据所述扫描数据得到第一心脏门控信号，并对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵，再将所述第一训练矩阵输入深度学习模型，得到心电信号。这样可以实现脱离外部ecg设备，基于pet自身扫描数据，提供实时心电信号监控功能。

附图说明

图1为一个实施例中获取心电信号方法的流程示意图；

图2为一个实施例中深度学习模型训练的方法的流程示意图；

图3为一个实施例中获取心电信号装置的结构框图；

图4为一个实施例中深度学习模型训练装置的结构框图；

图5为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

正电子发射型计算机断层显像(positronemissioncomputedtomography，pet)，是核医学领域比较先进的临床检查影像技术。是将某种物质，一般是生物生命代谢中必须的物质，如：葡萄糖、蛋白质、核酸、脂肪酸，标记上短寿命的放射性核素(如18f，11c等)，注入人体后，放射性核素在衰变过程中释放出正电子，一个正电子在行进十分之几毫米到几毫米后遇到一个电子后发生湮灭，从而产生方向相反的一对能量为511kev的光子。这对光子，通过高度灵敏的探测器捕捉形成数据信息，这些信息经计算机进行散射和随机等一些列的校正形成校正后数据，经过对校正后数据进行重建处理，我们可以得到在生物体内聚集情况的三维图像，从而达到诊断的目的。

在使用pet在对患者进行医学影像检查中，特别是对患者心脏部分进行扫描时。由于患者在扫描的过程中，心脏的跳动，致使注入到其中的放射性辐射源也跟随运动，所以pet图像不可避免要产生运动伪影，从而降低了图像的分辨率及诊断价值。为了获得更好质量的影像，一般运用诸如心电门控和心电触发等技术来作影像修正。所谓心电门控就是为了减少或消除心脏大血管的搏动对图像造成的影响而采取的技术手段。

在现有技术中，一般使用的额外的ecg(心电图)设备获取心电信号。在扫描过程中，ecg设备通常设置有四个电极分别标有ra、rl、la、ll，分别代表右上肢、右下肢、左上肢、左下肢。电极可采用多种放置方法，在临床应用中可选择其中效果较好的一种。通过4个电极可以获得多个导联的ecg信号。通过对ecg信号进行处理得到心动周期的边和与心电活动相对应，心动周期可简单分为收缩期和舒张期。收缩期一般从r波的波峰开始，到t波末结束；舒张期一般从t波开始到r波的波峰结束。而舒张中后期，这个时段心脏运动相对静止。根据舒张中后期所对应的时间点，可在pet数据中查找相对应时间点的的数据，再进行成像，从而获得伪影较少的pet图像。

现在，也可基于pet扫描获取的自身数据，通过重心法或体积法提取心跳门控信号。由于数据及算法本身的限制，心跳门控信号频域上能够与外部ecg设备获取的心电信号匹配，但是信号幅度及形状很难与外部心电图设备获取的心电信号一致，特别是r波等ecg信号没有办法准确提取，这样难以获取舒张中后期相应的数据，从而导致不能达到消除伪影的目的。

在一个实施例中，如图1所示，提供了一种心电信号获取方法，包括以下步骤：

步骤102，获取扫描数据，并根据所述扫描数据得到第一心脏门控信号。

在本实施例中，由pet系统获取扫描数据，扫描数据为pet对待测物体进行扫描后得到的原始数据。当pet系统在对人体进行扫描时，扫描不是瞬间结束的，而是会持续一段时间，在这段时间内人体心脏会不停的收缩运动。则扫描数据中包含有几十个心动周期的心脏收缩运动这一部分的信息，并根据这部分的信息可以获取第一心脏门控信号。第一心脏门控信号为随时间变化的心脏收缩幅度变化的曲线。

步骤104，对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵。

在本实施例中，第一心脏门控信号为与时域相关的信号，通过傅里叶变化处理得到第一心脏门控信号与频域相关的信号。也就是将第一心脏门控信号中心脏收缩幅度随频域变化的曲线，作为第一训练矩阵。在第一训练矩阵中，频域与心脏收缩幅度为相对应的关系。

步骤106，将所述第一训练矩阵输入深度学习模型，得到心电信号。

在步骤106中还包括将所述第一训练矩阵输入深度学习模型，得到心电频域信号，再对所述心电频域信号进行逆傅里叶变换处理，得到心电信号。

在本实施例中，将第一训练矩阵输入深度学习模型后，得到的心电信号为心电频域信号，因为在第一训练矩阵中为频域与心脏收缩幅度为相对应的关系。故需要对心电频域信号，进行逆傅里叶变换处理得到与时域有关的心电信号。

在本实施例中，上述过程为患者在临床进行pet扫描时，基于pet数据本身获取心电信号的步骤。由于在进行pet扫描时，需要持续一段时间。可根据pet扫描所需的总时间，分为多个子时间。通过在各子之间内采集的扫描数据分别调用并且实施步骤104和步骤106，也就是说在pet扫描过程中多次调用并且实施步骤104和步骤106，得到在pet扫描过程中，实时获取更新的心电信号并显示。

上述心电信号获取方法中，通过获取扫描数据，并根据所述扫描数据得到第一心脏门控信号，并对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵，再将所述第一训练矩阵输入深度学习模型，得到心电信号。这样可以实现脱离外部ecg设备，基于pet自身扫描数据，供实时心电信号监控功能。

在一个实施例中，如图2所示，提供了一种深度学习模型训练的方法，包括以下步骤：

步骤202，获取训练数据以及心电采集信号。

在本实施例中，获取的训练数据由pet系统获取扫描数据，扫描数据为pet对待测物体进行扫描后得到的原始数据。当pet系统在对人体进行扫描时，扫描不是瞬间结束的，而是会持续一段时间，在这段时间内人体心脏会不停的收缩运动。则扫描数据中包含有几十个心动周期的心脏收缩运动这一部分的信息。

在本实施例中，获取的心电采集信号为通过额外的心电采集设备在pet扫描过程中对患者心电信号进行采集获取的。

步骤204，根据所述训练数据以及心电采集信号，得到第二训练矩阵以及校对矩阵。

在步骤204中，根据所述训练数据得到第二训练矩阵还包括：根据所述训练数据，得到第二心脏门控信号，对所述第二心脏门控信号进行傅里叶变换处理，得到第二训练矩阵。

在本实施例中，所述训练数据中包含有几十个心动周期的心脏收缩运动这一部分的信息，并根据这部分的信息可以获取第二心脏门控信号。第二心脏门控信号为随时间变化的心脏收缩幅度变化的曲线。

在本实施例中，第二心脏门控信号为与时域相关的信号，通过傅里叶变化处理得到第二心脏门控信号与频域相关的信号，也就是第二心脏门控信号随频域变化的心脏收缩幅度变化的曲线，作为第二训练矩阵。在第二训练矩阵中，频域与心脏收缩幅度为相对应的关系。

在步骤204中，根据所述训练数据，得到第二心脏门控信号包括：对所述训练数据进行运动识别，得到运动信号。将所述运动信号进行滤波，得到所述第二心脏门控信号。

其中，所述对训练数据进行运动识别包括：训练数据包括飞行时间信息以及心脏位置，根据所飞行时间信息以及心脏位置，得到光子湮灭位置到心脏位置的距离。将所述光子湮灭位置到心脏位置的距离进行时间维度切割，得到运动信号。

根据所述飞行时间信息以及心脏位置，得到光子湮灭位置到心脏位置的距离包括：根据所述飞行时间信息确定光子湮灭点位置，所述光子湮灭点位置用于表示湮灭点的三维空间坐标。根据所述湮灭点位置数据以及心脏位置，确定光子湮灭位置到心脏位置的距离。

在本实施例中，所述飞行时间信息为放射性核素在衰变过程中释放出的正电子，在患者体内遇到一个电子后发生湮灭，从而产生方向相反的一对光子，这对光子分别通过高度灵敏的照相机捕捉的时间。通过飞行数据可以确定这对光子湮灭点的位置。由于扫描期间患者的心脏跳动使心脏产生收缩运动，致使注入到其中的放射性核素也跟随运动，致使在每个心动周期，光子湮灭点的位置也会相应发生改变。再将各光子湮灭点的位置与患者心脏位置之间的距离，进行时间维度切割。随着心脏的收缩运动，使在各个时间点获取的光子湮灭点的位置不相同，这样各光子湮灭点的位置与患者心脏位置之间的距离也不相同，通过对该距离进行时间维度的切割，心动周期内各时间点所对应的距离则为心脏收缩时，心脏壁之间的距离。这样，通过对各心动周期内的各时间点所对应的光子湮灭点的位置与患者心脏位置之间的距离进行统计，从而获得运动信号。

在本实施例中，由于获取的运动信号还包括噪声或者是由于患者呼吸运动引起的心脏位置改变所产生的信号。则需要通过对运动信号进行心脏频带的滤波，保留心脏呼吸频带内的信号，从而得到第二心脏门控信号。

在步骤204中，根据所述心电采集信号得到校对矩阵还包括：对所述心电采集信号进行傅里叶变换处理，得到校对矩阵。

在本实施例中，同样的，心电采集信号为心脏跳动幅度随时间变化的曲线。通过傅里叶变化处理得到心电采集信号与频域相关的信号，也就是心电采集信号随频域变化的心脏跳动幅度变化的曲线，作为校对矩阵。在校对矩阵中，频域与心脏跳动幅度为相对应的关系。

步骤206，根据所述第二训练矩阵以及所述校对矩阵训练深度学习模型。

在本实施例中，将由第二心脏门控信号通过傅里叶变换处理得到的第二训练矩阵，以及由心电采集信号通过傅里叶变换处理的到校对矩阵。其中第二训练矩阵中包含有由pet系统采集的训练数据中提取的第二心电门控信号信息，其中校对矩阵中包括有由外部ecg设备采集到的准确的心电采集信号信息。将第二训练矩阵以及校对矩阵对深度学习模型进行训练。

在本实施例中，上述深度学习模型的训练方法为将多次pet系统对不同患者扫描得到的训练数据，和在患者进行pet系统扫描过程中外部ecg设备采集的相匹配的心电采集信号，对深度学习模型进行多次训练，而得到已训练过的深度学习模型。再将已训练过的深度学习模型运用到临床pet扫描中。将pet数据本身生成的心脏门控信号输入被训练的深度学习模型后，由于深度学习模型对校对矩阵以及第二训练矩阵中的第二心脏门控信号以及心电采集信号的信息进行学习训练，从而可得到与外部ecg设备采集的心电信号相匹配的心电信号。并且，在对深度学习模型进行的训练次数越多，则在临床中，由pet数据本身得到的心电信号越准确。

应该理解的是，虽然图1-2流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图3所示，提供了一种心电信号获取装置，包括：心脏门控信号得到模块302、训练矩阵得到模块304和心电信号得到模块306，其中：

心脏门控信号得到模块302，用于获取扫描数据，并根据所述扫描数据得到第一心脏门控信号。

训练矩阵得到模块304，用于对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵。

心电信号得到模块306，用于将所述第一训练矩阵输入深度学习模型，得到心电信号。

在一个实施例中，如图4所示，提供了一种深度学习模型训练的装置，包括：信号获取模块402、矩阵获取模块404、和训练模块406，其中：

信号获取模块402，用于获取训练数据以及心电采集信号。

矩阵获取模块404，用于根据所述训练数据以及心电采集信号，得到第二训练矩阵以及校对矩阵。

训练模块406，用于根据所述第二训练矩阵以及所述校对矩阵训练深度学习模型。

关于心电信号获取装置的具体限定可以参见上文中对于心电信号获取方法的限定，在此不再赘述。上述心电信号获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种心电信号获取方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取扫描数据，并根据所述扫描数据得到第一心脏门控信号；

对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵；

将所述第一训练矩阵输入深度学习模型，得到心电信号。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取训练数据以及心电采集信号；

根据所述训练数据以及心电采集信号，得到第二训练矩阵以及校对矩阵；

根据所述第二训练矩阵以及所述校对矩阵训练深度学习模型。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取扫描数据，并根据所述扫描数据得到第一心脏门控信号；

对所述第一心脏门控信号进行傅里叶变换处理，得到第一训练矩阵；

将所述第一训练矩阵输入深度学习模型，得到心电信号。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

获取训练数据以及心电采集信号；

根据所述训练数据以及心电采集信号，得到第二训练矩阵以及校对矩阵；

根据所述第二训练矩阵以及所述校对矩阵训练深度学习模型。

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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

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。

以上所述实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。