一种结合深度学习和电生理知识的多导联心电信号特征点提取方法

1.本发明涉及心电电信号特征点提取方法技术领域，具体为一种结合深度学习和电生理知识的多导联心电信号特征点提取方法。


背景技术：

2.心电信号是一种由心脏产生的微弱电生理信号，能够评估心脏状态和诊断相关心血管疾病，主要由四波p波、qrs波、t波、u波和四段pr间期、qrs时间、st段和qt间期组成。其关键特征点提取与定位技术是心电诊断和分析的基础，对诊断心律失常、心肌梗死和房室肥大等心血管疾病具有重要意义。现有针对心电qrs波波群峰值点的方法包含滤波与差分阈值、数学形态学、小波变换、hilbert变换、经验模态分解、希尔伯特-黄变换、基于人工特征提取的机器学习和深度学习等；对qrs波起止点的识别一般是在峰值点识别的基础上设置时间窗基于斜率阈值法搜索qrs波的起止点，也有研究者通过局部变换法、最小二乘拟合法和机器学习等方法识别，且小波分析法、梯形面积法和时间窗搜索法等被用于t波峰值点和终止点的提取中。
3.上述方法中大都需要依赖于经验参数和人工设计的各种特征，缺乏泛化性和鲁棒性，而现有基于深度学习的检测方法虽然能够自动提取波形各个时刻的特征，但对于心电信号中含特异qrs波群、形态复杂的st-t段和恶性心律失常等情况，识别准确率仍有待提高，漏诊率和误诊率高。所以目前心电信号提取存在精准度较低、漏诊率和误诊率较较高等缺点。


技术实现要素：

4.(一)解决的技术问题
5.针对现有技术的不足，本发明提供了一种结合深度学习和电生理知识的多导联心电信号特征点提取方法，具备精准度较高、漏诊率和误诊率低等优点，解决了背景技术中提出的问题。
6.(二)技术方案
7.为实现上述精准度较高、漏诊率和误诊率低目的，本发明提供如下技术方案：
8.本发明要解决的另一技术问题是提供一种结合深度学习和电生理知识的多导联心电信号特征点提取方法，包括以下步骤：
9.(1)多导联心电信号获取模块：通过信号采集传感器、隔离电路、放大电路、滤波电路和模/数转换电路获取多导联心电信号，并将多导联心电信号分离为十二导联信号；
10.(2)特征点提取模块：将预处理后的心电数据输入预先训练好的模型对心电信号特征点进行检测，获取每个时刻采样点属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率，并基于固定阈值法提取特征点；
11.(3)特征点位置修正模块：在步骤(2)的基础上，基于动态阈值自适应调整策略和
基于电生理知识的多导联互参方法进一步修正qrs波起止点、qrs波峰值点、t波峰值点和t波终止点的位置。
12.优选的，所述特征点提取模块包括构建数据集，将带标注的多导联心电数据分别通过基于db6小波的离散小波变换去除基线干扰和0.5～40hz的三阶巴特沃斯带通滤波器去除高频和低频噪声，截取各导联心电数据长度为n，80％的数据为训练集，20％的数据为测试集，待完成构建数据集后，如过某个采样点被标记为qrs波起始点，则认为采样点的前0.075s和后0.075s的采样点也为qrs波起止点，即具有相同的标签。
13.优选的，所述特征点提取模块在构建数据集处理完毕后进行模型的建立与训练环节，模型的建立与训练环节采用以下两个步骤：建立基于u-net框架的卷积神经网络；建立基于u-net框架的长短期记忆网络并对模型进行训练。
14.优选的，所述基于u-net框架的卷积神经网络(u-net-ecgcnn)共19层，其包含编码模块、底层模块、解码模块和softmax层；
15.编码模块共6层，由6个一维卷积层(1d-c)、3个批量归一化层(bn)、3个relu层和三个一维下采样(1d-p)组成，其中卷积核的长度为s
×
1，s在前两层的数值为31，之后每两层减少6，卷积核的数量为16
×
2k，k的值最开始等于0，每两个卷积层数值增加1。每个下采样层的下采样因子均为2；
16.底层模块共2层，由两个1d-c、1个bn层和relu层组成；其中卷积核的长度为和个数分别为13和128；
17.解码模块由10个一维卷积层、6个bn层、6个relu层、三个一维上采样(1d-u)层和三个跳层链接(sc)层组成。卷积层中卷积核的数量为16
×
2k，k的值最开始等于2，每两个卷积层数值减小1。每个上采样层的上采样因子均为2；其中1d-u可以恢复每个采样点的细节信息，其参数与编码模块相对应。sc可以提供在1d-u阶段丢失的额外信息；
18.softmax层是输出每个采样点分别属于qrs波起始点、峰值点、终止点和t波峰值点和终止点的概率。
19.优选的，所述基于u-net框架的长短期记忆网络包含编码模块、底层模块、解码模块和softmax层，区别于u-net框架的卷积神经网络之处在于底层模块替换为两个lstm层，用于提取各个采样时刻的强时序相关性特征，两个lstm层中隐层节点个数均为128。
20.优选的，所述模型训练的模型损失函数为：
[0021][0022]
其中n为每次输入网络的批次样本的个数，j为类别的个数。z表示t采样时刻属于类别k的概率，k＝{1,2
…
j}，k∈k,t＝{0,1,2，
…
，n}，t∈t,y为样本标签值，采用随机梯度下降(sgd)优化器对上述模型进行训练，通过逐步迭代使模型损失函数最小。其中动量、学习率和批量大小的超参数分别为0.9、0.005和64。当上述u-net-ecgcnn模型和u-net-ecglstm模型分别连续训练20轮后损失函数值均不降低，则停止训练分别保存此时的模型m和模型n。
[0023]
优选的，将预处理后的输入信号输入信号{x(t),t＝1,2,
…
n}输入u-net-ecgcnn模型和u-net-ecglstm模型，分别得到每个时刻采样点属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率矩阵p和q，其表达式分别为：
[0024][0025][0026]
其中p
n1
，p
n2
，p
n3
，p
n4
，p
n5
表示基于u-net-ecgcnn模型第n个采样点分别属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率；其中q
n1
，q
n2
，q
n3
，q
n4
，q
n5
表示基于u-net-ecglstm模型第n个采样点分别属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率。
[0027]
优选的，基于集成学习获取每个时刻采样点是相应特征点的概率矩阵v，其表达式为：
[0028][0029]
其中：
[0030][0031]
并将其转化为由0到1组成的矩阵，其表达式为：
[0032][0033]
如果概率值v
j1
大于thr1，则x
j1
等于1，否则x
j1
等于0。针对qrs波起始点的检测，每个采样点属于qrs波起始点的概率矩阵为w1＝[w1,w2,
…
wj...wn],转换后由0和1组成的矩阵为x1＝[x1,x2,
…
xn]。
[0034]
具体的寻找qrs波起始点的位置的步骤如下：
[0035]
①
找到x1中第一个等于1的位置，记所在位置为x1，从x1所在位置搜索直到找到下一个x2的位置等于1,且x2+1的位置等于0，记下此时的位置x2，则x1到x2的中间位置即为第一个qrs波的起始点p1；
[0036]
②
从位置x2+1开始继续向后搜索，步骤同
①
，记下所有的qrs波起始点的位置；
[0037]
则qrs起止点位置p＝[p1,p2,
…
,pj,
…
py]，其中y表示基于固定阈值方法qrs波起
始点的个数；j表示索引值。
[0038]
优选的，所述特征点修正模块包括基于电生理知识的多导联互参方法修正特征点的位置和基于动态阈值自适应调整策略修正特征点的位置，其中步骤(1)中m导联心电信号的某个单导联信号x(t)，基于步骤(2)的方法其每个采样点属于qrs波起始点的概率矩阵为w1＝[w1,w2,
…
wj...wn]，采用步骤(2)的方法应用于m导联心电信号的剩余所有导联，则m导联心电信号每个采样点属于qrs波起始点的总概率矩阵为：
[0039][0040]win
表示第i个导联上第n个采样点属于qrs起始点的概率，i为导联索引值，基于电生理学知识的多导联互参法计算采样点在各个导联属于qrs波起始点的概率均值，并将其作为该导联上采样点属于qrs起始点的概率，应用于n个采样点后，每个采样点属于qrs波起始点的概率矩阵为：
[0041]
w＝[w1,w2,w3,....,wi,..wn]
[0042]
其中
[0043][0044]
其中wn表示第n个采样点属于qrs起始点的概率。
[0045]
8.优选的，基于动态阈值自适应调整策略修正特征点的位置，针对qrs波起始点位置p＝[p1,p2,
…
,pj,
…
py]，通过设置不同的阈值逐个检测矩阵p中所有元素，检测该元素是否为qrs波起始点，并将结果保存到矩阵qrs中，具体步骤如下：
[0046]
步骤a，如果p[1]≥fs，表示有一个或多个qrs波起始点被遗漏，则使用新的概率矩阵y＝[w1,w2,
…wp[0]+1/5*fs
]检测此范围内的qrs波起始点，按照步骤二中的固定阈值法检测，且此时阈值thr2＝thr1-0.1，检测结果保存到矩阵qrs中。如果qrs为空，则降低阈值为thr3＝thr2-0.1，直到qrs不为空，如果qrs不为空，则保存qrs并转到步骤b；如果p[1]＜fs，p[1]记为第一个qrs波的起始点，将p[1]保存到矩阵qrs中，然后转到步骤b进行下一步。
[0047]
步骤b，逐个检测矩阵p中p[2]到p[y-1]间的所有元素，检测该元素是否为qrs波起始点，记p[j]为待检测的第j-1个点，如果(p[j]-qrs[-1])≥1.2
×
fs,则p[j]和qrs[-1]之间漏检qrs波起始点。则使用新的概率矩阵z＝[w
qrs[-1]+1/5*fs
,
…wp[j]-1/5*fs
]检测此范围内的qrs波起始点，按照步骤二中的固定阈值法检测，且此时阈值thr3＝thr1-0.1，检测结果保存到矩阵qrs中。如果qrs为空，则降低阈值为thr4＝thr3-0.1，直到qrs不为空，如果qrs不为空，则保存qrs并转到步骤c；如果(p[j]-qrs[-1])＜1.2
×
fs,p[j]为qrs波的起始点，将p[j]保存到矩阵qrs中，然后转到步骤c进行下一步。
[0048]
步骤c，如果p[-1]≤n-fs，则p[-1]和n之间漏检qrs波起始点。则使用新的概率矩阵t＝[w
p[-1]+1/5*fs
,
…
wn]检测此范围内的qrs波起始点，按照步骤二中的固定阈值法检测，且此时阈值thr5＝thr1-0.1，检测结果保存到向矩阵qrs中。如果qrs为空，则降低阈值为thr6＝thr5-0.1，直到qrs不为空，如果qrs不为空，则保存qrs；如果p[-1]＞n-fs,p[j]为
qrs波的起始点，将p[j]保存到矩阵qrs中。最后qrs＝[qrs1,qrs2,
…
,qrsj,
…
,qrsz]，其中z表示基于动态阈值自适应调整方法qrs波起始点的个数；j表示索引值。按相同的方法提取qrs波峰值点、qrs波终止点、t波峰值点和t波终止点。
[0049]
(三)有益效果
[0050]
与现有技术相比，本发明提供了一种结合深度学习和电生理知识的多导联心电信号特征点提取方法，具备以下有益效果：
[0051]
1、该结合深度学习和电生理知识的多导联心电信号特征点提取方法，通过基于u-net框架的cnn和lstm网络能够分别表征心电信号心拍的形态特征和采样时刻的强时序相关性特征，并通过底层和高层信息的融合强化波形各个时刻更加精细的特征，从而达到了提供精准度的目的，通过基于动态阈值自适应调整策略修正的设置，逐步降低阈值并重新搜索相关特征点能够显著降低漏检率，进而达到了降低漏诊率的目的。
[0052]
2、该结合深度学习和电生理知识的多导联心电信号特征点提取方法，通过多导联互参方法的设置，计算多个导联各个采样点属于对应特征点的概率的均值进一步提升特征点定位的准确率，能够在形态复杂的qrs波波群和st-t段、噪声干扰大、出现恶性心律失常事件发生时对特征点进行准确定位，达到了降低误诊率和漏诊率的目的。
附图说明
[0053]
图1为本发明提出的一种结合深度学习和电生理知识的多导联心电信号特征点提取方法特征点提取方法框示意图；
[0054]
图2为本发明提出的一种结合深度学习和电生理知识的多导联心电信号特征点提取方法基于动态阈值自适应调整策略修正特征点位置流程示意图；
[0055]
图3为本发明提出的一种结合深度学习和电生理知识的多导联心电信号特征点提取方法ludb数据集上特征点提取结果示意图；
[0056]
图4为本发明提出的一种结合深度学习和电生理知识的多导联心电信号特征点提取方法ccdd数据集上特征点提取结果示意图；
[0057]
图5为本发明提出的一种结合深度学习和电生理知识的多导联心电信号特征点提取方法ludb数据集上不同方法特征点提取结果对比示意图；
[0058]
图6为本发明提出的一种结合深度学习和电生理知识的多导联心电信号特征点提取方法ccdd数据集上不同方法特征点提取结果对比示意图；
[0059]
图7为本发明提出的一种结合深度学习和电生理知识的多导联心电信号特征点提取方法模型结构示意图；
具体实施方式
[0060]
下面将结合本发明的实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
[0061]
请参考说明书附图1-7，本发明提供了一种结合深度学习和电生理知识的多导联心电信号特征点提取方法，具体包括以下步骤：
[0062]
步骤一：多导联心电信号获取模块：通过信号采集传感器、隔离电路、放大电路、滤波电路和模/数转换电路获取多导联心电信号，并将多导联心电信号分离为十二导联信号；
[0063]
步骤二：特征点提取模块：将预处理后的心电数据输入预先训练好的模型对心电信号特征点进行检测，获取每个时刻采样点属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率，并基于固定阈值法提取特征点，具体的包括以下内容：
[0064]
(1)构建数据集
[0065]
①
数据预处理：将带标注的多导联心电数据分别通过基于db6小波的离散小波变换去除基线干扰和0.5～40hz的三阶巴特沃斯带通滤波器去除高频和低频噪声，截取各导联心电数据长度为n，80％的数据为训练集，20％的数据为测试集。待检测点若是qrs波起始点，则标签为(1,0,0,0,0)；若是qrs波峰值点，则标签为(0,1,0,0,0)；若是qrs波终止点，则标签为(0,0,1,0,0)；则标签为(0,0,1,0,0)；若是t波峰值点，则标签为(0,0,0,1,0)；若是t波终止点，则标签为(0,0,0,0,1)。输入数据维度为n
×
1，数据标签维度为n
×
5；
[0066]
②
标签扩展：如过某个采样点被标记为qrs波起始点，则认为采样点的前0.075s和后0.075s的采样点也为qrs波起止点，即具有相同的标签
[0067]
(2)模型建立与训练
[0068]
①
建立基于u-net框架的卷积神经网络(cnn)
[0069]
所述基于u-net框架的卷积神经网络(u-net-ecgcnn)共19层，其包含编码模块、底层模块、解码模块和softmax层组成；
[0070]
其中编码模块共6层，由6个一维卷积层(1d-c)、3个批量归一化层(bn)、3个relu层和三个一维下采样(1d-p)组成，其中卷积核的长度为s
×
1，s在前两层的数值为31，之后每两层减少6，卷积核的数量为16
×
2k，k的值最开始等于0，每两个卷积层数值增加1，每个下采样层的下采样因子均为2；底层模块共2层，由两个1d-c、1个bn层和relu层组成；其中卷积核的长度为和个数分别为13和128；
[0071]
解码模块由10个一维卷积层、6个bn层、6个relu层、三个一维上采样(1d-u)层和三个跳层链接(sc)层组成。卷积层中卷积核的数量为16
×
2k，k的值最开始等于2，每两个卷积层数值减小1。每个上采样层的上采样因子均为2；其中1d-u可以恢复每个采样点的细节信息，其参数与编码模块相对应。sc可以提供在1d-u阶段丢失的额外信息；
[0072]
softmax层是输出每个采样点分别属于qrs波起始点、峰值点、终止点和t波峰值点和终止点的概率。
[0073]
②
建立基于u-net框架的长短期记忆网络(lstm)，
[0074]
所述基于u-net框架的卷积神经网络(u-net-ecglstm)包含编码模块、底层模块、解码模块和softmax层组成，区别于u-net-ecgcnn之处在于底层模块替换为两个lstm层，用于提取各个采样时刻的强时序相关性特征。两个lstm层中隐层节点个数均为128。
[0075]
③
模型训练
[0076]
模型损失函数为:
[0077][0078]
其中n为每次输入网络的批次样本的个数，j为类别的个数。z表示t采样时刻属于类别k的概率，k＝{1,2
…
j}，k∈k,t＝{0,1,2，
…
，n}，t∈t,y为样本标签值，采用随机梯度
下降(sgd)优化器对上述模型进行训练，通过逐步迭代使模型损失函数最小。其中动量、学习率和批量大小的超参数分别为0.9、0.005和64。当上述u-net-ecgcnn模型和u-net-ecglstm模型分别连续训练20轮后损失函数值均不降低，则停止训练分别保存此时的模型m和模型n。
[0079]
步骤二中所述对qrs波和st-t段进行检测，获取每个时刻采样点是相应特征点的概率步骤如下：
[0080]
(1)将输入信号{x(t),t＝1,2,
…
n}输入u-net-ecgcnn模型和u-net-ecglstm模型，分别得到每个时刻采样点属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率矩阵p和q，其表达式分别为：
[0081][0082][0083]
其中pn1，pn2，pn3，pn4，pn5表示基于u-net-ecgcnn模型第n个采样点分别属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率；其中qn1，qn2，qn3，qn4，qn5表示基于u-net-ecglstm模型第n个采样点分别属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率。
[0084]
(2)基于集成学习获取每个时刻采样点是相应特征点的概率矩阵v，其表达式为：
[0085][0086]
其中：
[0087]
针对步骤二获取的特征矩阵v，将其转换为由0和1组成的矩阵x，其表达式为：
[0088][0089]
具体的：如果概率值v
j1
大于thr1，则x
j1
等于1，否则x
j1
等于0。针对qrs波起始点的检测，每个采样点属于qrs波起始点的概率矩阵为w1＝[w1,w2,
…
wj...wn],转换后由0和1组
成的矩阵为x1＝[x1,x2,
…
xn]。
[0090]
具体的寻找qrs波起始点的位置的步骤如下：
[0091]
①
找到x1中第一个等于1的位置，记所在位置为x1，从x1所在位置搜索直到找到下一个x2的位置等于1,且x2+1的位置等于0，记下此时的位置x2，则x1到x2的中间位置即为第一个qrs波的起始点p1；
[0092]
②
从位置x2+1开始继续向后搜索，步骤同
①
，记下所有的qrs波起始点的位置；
[0093]
则qrs起止点位置p＝[p1,p2,
…
,pj,
…
py]，其中y表示基于固定阈值方法qrs波起始点的个数；j表示索引值。
[0094]
步骤三：步骤三所述基于动态阈值自适应调整策略和基于电生理知识的多导联互参方法进一步准确定位qrs波起止点、qrs波峰值点、t波峰值点和t波终止点的。
[0095]
步骤如下：
[0096]
1基于电生理知识的多导联互参方法修正特征点的位置步骤如下：
[0097]
根据电生理学知识：各个导联对应的qrs波起始点、qrs波终止点、和t波终止点的位置基本相同，结合各导联的信息可以进一步提升特征点检测的准确率。其中步骤一中m导联心电信号的某个单导联信号x(t)，基于步骤二的方法其每个采样点属于qrs波起始点的概率矩阵为w1＝[w1,w2,
…
wj...wn]，采用步骤(2)的方法应用于m导联心电信号的剩余所有导联，则m导联心电信号每个采样点属于qrs波起始点的总概率矩阵为：
[0098][0099]win
表示第i个导联上第n个采样点属于qrs起始点的概率，i为导联索引值，基于电生理学知识的多导联互参法计算采样点在各个导联属于qrs波起始点的概率均值，并将其作为该导联上采样点属于qrs起始点的概率，应用于n个采样点后，每个采样点属于qrs波起始点的概率矩阵为：
[0100]
w＝[w1,w2,w3,....,wi,..wn]
[0101]
其中
[0102][0103]
其中wn表示第n个采样点属于qrs起始点的概率。
[0104]
2基于动态阈值自适应调整策略修正特征点的位置步骤如下：
[0105]
针对步骤二中通过固定阈值方法得到的qrs波起始点位置p＝[p1,p2,
…
,pj,
…
py]
[0106]
(1)步骤a，如果p[1]≥fs，表示有一个或多个qrs波起始点被遗漏，则使用新的概率矩阵y＝[w1,w2,
…
wp[0]+1/5*fs]检测此范围内的qrs波起始点，按照步骤二中的固定阈值法检测，且此时阈值thr2＝thr1-0.1，检测结果保存到矩阵qrs中。如果qrs为空，则降低阈值为thr3＝thr2-0.1，直到qrs不为空，如果qrs不为空，则保存qrs并转到步骤b；如果p[1]＜fs，p[1]记为第一个qrs波的起始点，将p[1]保存到矩阵qrs中，然后转到步骤b进行下一步。
[0107]
(2)步骤b，逐个检测矩阵p中p[2]到p[y-1]间的所有元素，检测该元素是否为qrs波起始点，记p[j]为待检测的第j-1个点，如果(p[j]-qrs[-1])≥1.2
×
fs,则p[j]和qrs[-1]之间漏检qrs波起始点。则使用新的概率矩阵z＝[wqrs[-1]+1/5*fs,
…
wp[j]-1/5*fs]检测此范围内的qrs波起始点，按照步骤二中的固定阈值法检测，且此时阈值thr3＝thr1-0.1，检测结果保存到矩阵qrs中。如果qrs为空，则降低阈值为thr4＝thr3-0.1，直到qrs不为空，如果qrs不为空，则保存qrs并转到步骤c；如果(p[j]-qrs[-1])＜1.2
×
fs,p[j]为qrs波的起始点，将p[j]保存到矩阵qrs中，然后转到步骤c进行下一步。
[0108]
(3)步骤c，如果p[-1]≤n-fs，则p[-1]和n之间漏检qrs波起始点。则使用新的概率矩阵t＝[wp[-1]+1/5*fs,
…
wn]检测此范围内的qrs波起始点，按照步骤二中的固定阈值法检测，且此时阈值thr5＝thr1-0.1，检测结果保存到向矩阵qrs中。如果qrs为空，则降低阈值为thr6＝thr5-0.1，直到qrs不为空，如果qrs不为空，则保存qrs；如果p[-1]＞n-fs,p[j]为qrs波的起始点，将p[j]保存到矩阵qrs中。最后qrs＝[qrs1,qrs2,
…
,qrsj,
…
,qrsz]，其中z表示基于动态阈值自适应调整方法qrs波起始点的个数；j表示索引值。按步骤三的方法提取qrs波峰值点、qrs波终止点、t波峰值点和t波终止点。
[0109]
实际操作中，待检测数据为t＝10s，采样频率为fs＝500hz的多导联心电信号，通过基于db6小波的离散小波变换去除基线干扰和0.5～40hz的三阶巴特沃斯带通滤波器去除高频和低频噪声。取m导联心电信号的某个单导联信号x(t)＝{x(t),,t＝1,2,
…
n}，其中n＝t*fs＝5000，之后将带标注的多导联心电数据分别通过基于db6小波的离散小波变换去除基线干扰和0.5～40hz的三阶巴特沃斯带通滤波器去除高频和低频噪声，截取各导联心电数据长度为n，80％的数据为训练集，20％的数据为测试集，试集中的检测点是qrs波起始点，则标签为(1,0,0,0,0)，所述qrs波为峰值点，则标签为(0,1,0,0,0)；所述qrs波为终止点，则标签为(0,0,1,0,0)，所述t波为峰值点，则标签为(0,0,0,1,0)，所述t波为终止点，则标签为(0,0,0,0,1)，输入数据维度为n
×
1，数据标签维度为n
×
5，在此期间，如过某个采样点被标记为qrs波起始点，则认为采样点的前0.075s和后0.075s的采样点也为qrs波起止点，即具有相同的标签，然后就可以根据模型损失函数为:其中n为每次输入网络的批次样本的个数，6为classes的个数，5000为ecg采样点的个数。z表示t采样时刻属于类别k的概率，其中，k＝{1,2,3,4,5,6}，k∈k,t＝{0,1,2，
…
，5000}，t∈t,y为样本标签值，用随机梯度下降(sgd)优化器对上述模型进行训练，通过逐步迭代使模型损失函数最小。其中动量、学习率和批量大小的超参数分别为0.9、0.005和64；当上述u-net-ecgcnn模型和u-net-ecglstm模型分别连续训练20轮后损失函数值均不降低，则停止训练分别保存此时的模型m和模型n，之后需要检查时，通过和
其中p
n1
，p
n2
，p
n3
，p
n4
，p
n5
表示基于u-net-ecgcnn模型第n个采样点分别属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率；其中q
n1
，q
n2
，q
n3
，q
n4
，q
n5
表示基于u-net-ecglstm模型第n个采样点分别属于qrs波起止点、qrs波峰值点、qrs波终止点、t波峰值点和t波终止点的概率，基于集成学习获取每个时刻采样点是相应特征点的概率矩阵v，其表达式为：其中：根据以上获取的特征矩阵v，将其转换为由0和1组成的矩阵x，其表达式为：过程为：如果概率值v
j1
大于thr1，则x
j1
等于1，否则x
j1
等于0。针对qrs波起始点的检测，每个采样点属于qrs波起始点的概率矩阵为w1＝[w1,w2,
…
wj...wn],转换后由0和1组成的矩阵为x1＝[x1,x2,
…
xn]，此时具体的寻找qrs波起始点的位置的步骤如下：先找到x1中第一个等于1的位置，记所在位置为x1，从x1所在位置搜索直到找到下一个x2的位置等于1,且x2+1的位置等于0，记下此时的位置x2，则x1到x2的中间位置即为第一个qrs波的起始点p1，然后从位置x2+1开始继续向后搜索，步骤同上，记下所有的qrs波起始点的位置，则qrs起止点位置p＝[p1,p2,
…
,pj,py]，其中y表示基于固定阈值方法qrs波起始点的个数；j表示索引值；上述中多导联心电信号的某个单导联信号x(t)，基于步骤二的方法其每个采样点属于qrs波起始点的概率矩阵为w1＝[w1,w2,
…
wj...wn]，采用步骤二的方法应用于m导联心电信号的剩余所有导联，则m导联心电信号每个采样点属于qrs波起始点的总概率矩阵为：w
in
表示第i个导联上第n个采样点属于qrs起始点的概率，i为导联索引值，基于电生理学知识的多导联互参法计算采样点在各个导联属于qrs波起始点的概率均值，并将其作为该导联上采样点属于qrs起始点的概率，应用于n个采样点后，每个采样点属于qrs波起始点的概率矩阵为：w＝[w1,w2,w3,....,wi,..wn]其中其中wn表示第n个采样点属于qrs起始点的概率；通过固定阈值方法得到的qrs波起始点位置p＝[p1,p2,
…
,pj,py]，当p1≥fs，表示有一个或多个qrs波起始点
被遗漏，则使用新的概率矩阵y＝[w1,w2,
…wp[0]+1/5*fs
]检测此范围内的qrs波起始点，按照步骤二中的固定阈值法检测，且此时阈值thr2＝thr1-0.1，检测结果保存到矩阵qrs中。如果qrs为空，则降低阈值为thr3＝thr2-0.1，直到qrs不为空，如果qrs不为空，则保存qrs；当p1＜fs，p1记为第一个qrs波的起始点，将p1保存到矩阵qrs中，然后逐个检测矩阵p中p[2]到p[y-1]间的所有元素，检测该元素是否为qrs波起始点，记p[j]为待检测的第j-1个点，当(p[j]-qrs[-1])≥1.2
×
fs,则p[j]和qrs[-1]之间漏检qrs波起始点，则使用新的概率矩阵z＝[w
qrs[-1]+1/5*fs
,
…wp[j]-1/5*fs
]检测此范围内的qrs波起始点，按照步骤二中的固定阈值法检测，且此时阈值thr3＝thr1-0.1，检测结果保存到矩阵qrs中。如果qrs为空，则降低阈值为thr4＝thr3-0.1，直到qrs不为空，如果qrs不为空，则保存qrs如果(p[j]-qrs[-1])＜1.2
×
fs,p[j]为qrs波的起始点，将p[j]保存到矩阵qrs中，其次如果p[-1]≤n-fs，则p[-1]和n之间漏检qrs波起始点，则使用新的概率矩阵t＝[w
p[-1]+1/5*fs
,
…
wn]检测此范围内的qrs波起始点，按照上述步骤中的固定阈值法检测，且此时阈值thr5＝thr1-0.1，检测结果保存到向矩阵qrs中。如果qrs为空，则降低阈值为thr6＝thr5-0.1，直到qrs不为空，如果qrs不为空，则保存qrs；如果p[-1]＞n-fs,p[j]为qrs波的起始点，将p[j]保存到矩阵qrs中；最后qrs＝[qrs1,qrs2,
…
,qrsj,
…
,qrsz]，其中z表示基于动态阈值自适应调整方法qrs波起始点的个数；j表示索引值。同样的方法可被用于提取qrs波峰值点、qrs波终止点、t波峰值点和t波终止点。
[0110]
获取包含特征点位置标注信息的罗巴切夫斯基大学心电数据库(ludb)和中国心血管疾病数据库(ccdd)(均为公开的心电数据库)的12导联心电信号样本数据，并按上述特征点提取方法进行验证。方法框图如图1所述，将预处理后的12导联心电信号输入已训练的基于u-net框架的cnn和lstm模型，在固定阈值方法的基础上通过基于动态阈值自适应调整策略和基于电生理知识的多导联互参方法定位qrs波起止点、qrs波峰值点、t波峰值点和t波终止点的位置。在两个公开数据上特征点提取的结果分别如图3和图4所示；加入动态阈值自适应调整策与多导联互参方法效果对比如果5所示。此外，lstm网络可由双向lstm和门控循环单元(gru)等网络替换。
[0111]
本发明的有益效果是：该结合深度学习和电生理知识的多导联心电信号特征点提取方法，通过基于u-net框架的cnn和lstm网络能够分别表征心电信号心拍的形态特征和采样时刻的强时序相关性特征，并通过底层和高层信息的融合强化波形各个时刻更加精细的特征，从而达到了提供精准度的目的，通过基于动态阈值自适应调整策略修正的设置，逐步降低阈值并重新搜索相关特征点能够显著降低漏检率，进而达到了降低漏诊率的目的，通过多导联互参方法修正的设置，计算多个导联各个采样点属于对应特征点的概率的均值进一步提升特征点定位的准确率，能够在形态复杂的qrs波波群和st-t段、噪声干扰大、出现恶性心律失常事件发生时对特征点进行准确定位，达到了降低误诊率和漏诊率的目的。
[0112]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。