基于深度神经网络的心电信号波形特征点定位方法及系统与流程

1.本发明涉及心电信号处理技术领域，具体地，涉及一种基于深度神经网络的心电信号波形特征点定位方法及系统。


背景技术：

2.心电信号是一种由心脏窦房结自主激动产生的微弱电生理信号，主要由p波、qrs波和t波组成。p波、qrs波和t波的峰值点和起止点又叫做波形特征点。对心电信号的波形特征点进行定位时，通常的方法有：滤波与差分阈值法、形态学模板匹配法、小波变换法、希尔伯特(hilbert)变换、基于人工特征提取的机器学习和深度学习等。
3.目前常用的方法需要依赖于医学知识和人工设计的各种特征，泛化能力弱，无法针对复杂多变的波形，导致特征点识别准确率低。同时，需要用到大量的数学计算，导致模型和方法计算时间长，无法用在便携式心电采集设备上。
4.本发明不需要电生理知识等专业医学知识，可自动提取心电信号波形特征点的特征。本发明采用多种深度神经网络结构组合，采用不同个数的卷积核和不同大小的卷积核尺寸，可以充分地挖掘出区分每种波形特征点的特征，进而提高特征点波形位置预测的准确率。本发明训练的模型可以部署在移动端的应用程序(application，app)中，或者云平台服务器中，在移动端部署可以在用户无网络连接时进行离线定位p波、qrs波、t波的峰值点和起止点。
5.专利文献cn113951893a公开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，首先，多导联心电信号获取模块用于提取12导联心电信号；其次，特征点提取模块通过基于u-net框架的卷积神经网络(cnn)和长短期记忆网络(lstm)提取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，之后通过固定阈值法提取特征点；最后，特征点位置修正模块通过基于电生理学知识的多导联互参方法和动态阈值自适应调整策略进一步提升特征点提取精度，够显著降低特征点提取的漏诊率和误诊率。但该方法基于深度学习和电生理知识，需要依赖于经验参数，缺乏泛化性，并未解决泛化能力弱和针对复杂多变的波形的识别准确率低的技术问题。
6.专利文献cn111657905a公开了一种特征点检测方法、装置、设备及存储介质。该方法包括：获取受检者的周期性的生理信号，根据生理信号确定受检者的初始心率，并根据初始心率确定搜索参数；基于预设时间滑窗检测策略从生理信号中检测出第一最值点，若第一最值点为经由第一最值点和搜索参数确定出的搜索邻域内的邻域最值点，则将第一最值点作为第二最值点；在获取到第一预设数量的第二最值点之后，根据各第二最值点计算出目标心率，并基于目标心率重新确定搜索参数；重复执行基于预设时间滑窗检测策略从生理信号中检测出第一最值点的步骤，直至生理信号检测完毕，根据各第二最值点检测出特征点。但该方法根据阈值寻找极值点，没有对原始数据进行滤波处理，会导致噪声点容易判断为极值点，需依赖医学知识设置阈值，对不同的病人，不同疾病类型的波形识别准确率较
低，并未有效解决泛化能力弱和针对复杂多变的波形的识别准确率低的技术问题。


技术实现要素：

7.针对现有技术中的缺陷，本发明的目的是提供一种基于深度神经网络的心电信号波形特征点定位方法及系统。
8.根据本发明提供的一种基于深度神经网络的心电信号波形特征点定位方法，包括：
9.步骤1：根据心电信号的单个心跳的波形特征点，得到心电数据库；
10.步骤2：对心电数据库进行数据预处理，得到预处理后的心电数据；
11.步骤3：通过心电数据对深度神经网络模型进行训练，得到训练模型；
12.步骤4：通过训练模型对心电信号的波形特征点进行定位。
13.优选地，步骤2，包括：
14.步骤201：对心电数据库进行滤波处理，得到滤波数据；
15.步骤202：对滤波数据进行切分处理，得到切分数据；
16.步骤203：对切分数据进行标准化处理，得到心电数据。
17.优选地，步骤201，包括：
18.步骤2011：通过中值滤波器对心电数据库进行滤波处理，得到中值数据；
19.步骤2012：通过滑动平均滤波器对中值数据进行滤波处理，得到滤波数据。
20.优选地，步骤3，包括：
21.步骤301：将心电数据输入到深度神经网络模型中，以得到输出的心电信息；
22.步骤302：通过优化器对心电信息进行优化，得到优化信息；
23.步骤303：通过损失函数对优化信息进行处理，得到波形特征点；
24.步骤304：对心电数据进行迭代训练，得到训练模型。
25.优选地，深度神经网络模型，包括以下至少一种：卷积神经网络、长短期记忆神经网络、残差网络和压缩和激励网络。
26.根据本发明提供的一种基于深度神经网络的心电信号波形特征点定位系统，包括：
27.模块m1：根据心电信号的单个心跳的波形特征点，得到心电数据库；
28.模块m2：对心电数据库进行数据预处理，得到预处理后的心电数据；
29.模块m3：通过心电数据对深度神经网络模型进行训练，得到训练模型；
30.模块m4：通过训练模型对心电信号的波形特征点进行定位。
31.优选地，模块m2，包括：
32.子模块m201：对心电数据库进行滤波处理，得到滤波数据；
33.子模块m202：对滤波数据进行切分处理，得到切分数据；
34.子模块m203：对切分数据进行标准化处理，得到心电数据。
35.优选地，子模块m201，包括：
36.单元d2011：通过中值滤波器对心电数据库进行滤波处理，得到中值数据；
37.单元d2012：通过滑动平均滤波器对中值数据进行滤波处理，得到滤波数据。
38.优选地，模块m3，包括：
39.子模块m301：将心电数据输入到深度神经网络模型中，以得到输出的心电信息；
40.子模块m302：通过优化器对心电信息进行优化，得到优化信息；
41.子模块m303：通过损失函数对优化信息进行处理，得到波形特征点；
42.子模块m304：对心电数据进行迭代训练，得到训练模型。
43.优选地，深度神经网络模型，包括以下至少一种：卷积神经网络、长短期记忆神经网络、残差网络和压缩和激励网络。
44.与现有技术相比，本发明具有如下的有益效果：
45.1、本发明在对心电信号的波形特征点进行定位时，采用深度神经网络结构，可以加快波形特征点定位的速度，提高波形位置预测的准确率。。
46.2、本发明经过对滤波器窗口长度的选择，较好地去除了基线漂移噪声，高频噪声和工频噪声，没有采用计算复杂的滤波器，这也使得滤波后的原始信号失真较小。
47.3、本发明中的残差网络采用了不同个数的卷积核和不同大小的卷积核尺寸，可以充分地挖掘出区分心电信号各波形的深层特征，进而提高预测的准确率。
附图说明
48.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
49.图1为本发明的流程示意图；
50.图2为本发明的深度神经网络模型的结构示意图；
51.图3为本发明的resnet模块的结构示意图。
具体实施方式
52.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对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，还可以做出若干变化和改进。这些都属于本发明的保护范围。
53.图1为本发明的流程示意图，如图1所示，本发明提供了一种基于深度神经网络的心电信号波形特征点定位方法，包括如下步骤：
54.步骤1：根据心电信号的单个心跳的波形特征点，得到心电数据库。
55.其中，波形特征点包括p波、qrs波和t波的峰值点和起止点。
56.在本发明中心电数据库可划分为：训练集用、验证集合测试集，其中，训练集用于训练模型，验证集用于选择训练模型，测试集用于测试训练的模型对该测试集的预测效果；也可只划分为训练集和测试集。
57.步骤2：对心电数据库进行数据预处理，得到预处理后的心电数据。
58.其中，步骤2，包括：步骤201：对心电数据库进行滤波处理，得到滤波数据；步骤202：对滤波数据进行切分处理，得到切分数据；步骤203：对切分数据进行标准化处理，得到心电数据。
59.具体地，步骤201，包括：步骤2011：通过中值滤波器对心电数据库进行滤波处理，得到中值数据；步骤2012：通过滑动平均滤波器对中值数据进行滤波处理，得到滤波数据。
60.在一种可选的实施方式中，数据预处理包括滤波处理、心拍切分、数据标准化和归一化。
61.其中，滤波处理主要通过中值滤波器和滑动平均滤波器，此外，滤波处理的滤波器包括但不限于高低通滤波器，陷波滤波器。
62.具体地，滤波处理的步骤为先经过中值滤波器，中值滤波器的窗口长度为0.8倍的采样频率，再经过滑动平均滤波器，滑动平均滤波器的窗口长度为采样频率除以50。经过对滤波器窗口长度的选择，较好地去除了基线漂移噪声，高频噪声和工频噪声，没有采用计算复杂的滤波器，这也使得滤波后的原始信号失真较小。
63.步骤3：通过心电数据对深度神经网络模型进行训练，得到训练模型。
64.其中，步骤3，包括：步骤301：将心电数据输入到深度神经网络模型中，以得到输出的心电信息；步骤302：通过优化器对心电信息进行优化，得到优化信息；步骤303：通过损失函数对优化信息进行处理，得到波形特征点；步骤304：对心电数据进行迭代训练，得到训练模型。
65.在本发明中深度神经网络模型，包括以下至少一种：卷积神经网络、长短期记忆神经网络、残差网络和压缩和激励网络。
66.具体地，对数据预处理后的心电数据用深度神经网络模型进行模型训练。经过迭代训练得到训练完成的模型，即训练模型。
67.其中，用深度神经网络模型进行模型训练的包括以下内容：将心电数据输入到以残差网络(resnet)和长短期记忆神经网络(long short-term memory，lstm)为基础架构的深度神经网络模型中，该模型可挖掘心电信号的深度信息和上下文信息；选用学习率为0.001的adam优化器，可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重，较快地收敛到全局最优点；选用均方误差(mean square error，mse)作为损失函数，更符合对心电信号特征点定位的应用问题，其可以更好评估预测的效果。
68.可知的是，深度神经网络模型中包括但不限于卷积神经网络cnn(卷积神经网络)、lstm、resnet和压缩和激励网络(squeeze-and-excitation networks，senet)。
69.步骤4：通过训练模型对心电信号的波形特征点进行定位。
70.其中，实际应用时，训练完成得到的训练模型可以对心电数据波形特征点的相对位置进行预测。
71.本发明通过采用深度神经网络模型，解决了心电信号波形特征点定位精度低的问题，达到了提高心电信号波形特征点定位准确率的效果。
72.下面对深度神经网络模型进行说明。
73.图2为本发明的深度神经网络模型的结构示意图，如图2所示，包括：3个resnet模块、1个lstm层和2个全连接层，分别为resnet模块1、resnet模块2、resnet模块3、lstm层、全连接层1和全连接层2，最终实现对p波、qrs波和t波的波形特征点位置的预测。其中，lstm层的神经单元个数为64；全连接层1的神经单元个数为32；全连接层2的神经单元个数为9；最后一个全连接层的激活函数为sigmoid函数。采用学习率为0.001的adam优化器在梯度下降过程中更新权值参数。
74.在本发明中resnet工作原理为利用短路连接层，解决了深度神经网络模型中模型
退化的问题。相比普通网络增加了短路机制，通过残差学习使深层的网络发挥出作用，更容易提取出心电信号的深层特征。lstm的工作原理为，lstm作为一种改进之后的循环神经网络，不仅能够解决循环神经网络(recurrent neural network，rnn)无法处理长距离的依赖的问题，还能够解决神经网络中常见的梯度爆炸或梯度消失等问题。lstm层后，数据的大小尺寸为64
×
1。全连接层的目的是将前面提取的特征，经过非线性变化，提取这些特征之间的关联，最后映射到输出空间上，经过第一个全连接层后，数据的大小尺寸为32
×
1，经过第二个全连接层后，数据的大小尺寸为9
×
1。
75.下面将对深度神经网络模型中的resnet模块进行详细说明。
76.图3为本发明的resnet模块的结构示意图，如图3所示，每个resnet模块都包含4个一维卷积神经网络(conv1d)、4个修正线性单元激活函数(relu)和一个加法层(add)，其中，第一个conv1d网络包括16个卷积核；卷积核大小为4；步长为1；第二个conv1d网络包括32个卷积核；卷积核大小为6；步长为1；第三个conv1d网络包括16个卷积核；卷积核大小为8；步长为2；第四个conv1d网络包括16个卷积核；卷积核大小为4；步长为2。resnet模块中第1、2和3个卷积层通过卷积运算来提取心电信号深层特征，第四个卷积神经网络用于短路连接层，缓解了深度学习训练中梯度消失的问题，网络也更容易训练。本发明中resnet模块还采用了不同个数的卷积核和不同大小的卷积核尺寸，可以充分地挖掘出区分心电信号各波形的深层特征，进而提高预测的准确率。
77.本发明还提供了一种基于深度神经网络的心电信号波形特征点定位系统，包括如下模块：
78.模块m1：根据心电信号的单个心跳的波形特征点，得到心电数据库。
79.模块m2：对心电数据库进行数据预处理，得到预处理后的心电数据。
80.其中，模块m2，包括：子模块m201：对心电数据库进行滤波处理，得到滤波数据；子模块m202：对滤波数据进行切分处理，得到切分数据；子模块m203：对切分数据进行标准化处理，得到心电数据。
81.具体地，子模块m201，包括：单元d2011：通过中值滤波器对心电数据库进行滤波处理，得到中值数据；单元d2012：通过滑动平均滤波器对中值数据进行滤波处理，得到滤波数据。
82.模块m3：通过心电数据对深度神经网络模型进行训练，得到训练模型。
83.其中，模块m3，包括：子模块m301：将心电数据输入到深度神经网络模型中，以得到输出的心电信息；子模块m302：通过优化器对心电信息进行优化，得到优化信息；子模块m303：通过损失函数对优化信息进行处理，得到波形特征点；子模块m304：对心电数据进行迭代训练，得到训练模型。
84.具体地，深度神经网络模型，包括以下至少一种：卷积神经网络、长短期记忆神经网络、残差网络和压缩和激励网络。
85.模块m4：通过训练模型对心电信号的波形特征点进行定位。
86.本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法子模块m进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认
为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
87.以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。