一种心电图子波形的识别方法、系统、设备及存储介质与流程

本发明涉及心电图的子波形的区域识别，尤其涉及一种心电图子波形的识别方法、系统、设备及存储介质。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、在心电图的自动分析中，需要检测出子波形的类别形态主要包括：p波、qrs波、t波、u波。正确检测出这些子波形，可以提供为疾病诊断领域提供很重要的参数以供分析，比如qrs波的频率、间隔大小等。

3、患者的病症不同，子波形所呈现的形态也会有很大差异，且极易受外界的各误差影响。子波形区域和背景点的点数比值、子波形类别之间的点数比值均比较大，存在严重的数据不平衡现象。比如，u波在数据中的出现的频率很低，远远小于其他3种子波形。这些问题也会大大增加子波形类别的识别难度。

4、针对心电图波形的各类子波形进行检测，目前也有一些相关研究，可以将其归为波形的实例分割领域。在实例分割领域，通常有两种做法。一种是先通过检测模型推理出实例的多个候选框和类别，然后用非最大值抑制等后处理手段选择出最佳的候选框，即可将子波形的具体区域分割出来；另一种是采用“一阶段”的方式，通过实例分割模型直接将实例的具体形状和类别直接识别出来。

5、无论采用哪种方式，在目前的识别领域，好的分割效果多依赖于庞大数据得出的预训练模型；心电图的子模型识别是一个比较新的课题，在没有预训练模型的条件下怎么做出一个准确度高的方案是一个很大的挑战。

6、心电图数据是一个时间序列信号，怎么提取出其时间序列信息来更好的去识别这些子波形，也是一个要重点研究的地方；在实例分割领域，分割模型总是会不可避免的推理出一些不存在的小物体，表现在本领域为会识别出一些不存在的小p波，怎么解决这个问题也是一个难点。

7、在子波形的识别中，怎么针对模型的识别效果，做出一个好的评价基准，关乎到在临床上的使用效果，是一个绕不过去的问题。关于这方面的分析，一直缺少理论方案。

8、此外，在对患者心电图的子波形识别中，数据量比较大，尤其是动态心电图，常常是24小时、200hz的数量级，如何快速的提升模型的推理速度也是一个亟待解决的难题。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，本发明提供一种心电图子波形的识别方法、系统、设备及存储介质，本发明在u^2-net框架的基础上，集合心电图数据的特点对模型进行改进，不仅提高了波形识别的准确性，同时提高了波形识别的速度。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面提供一种心电图子波形的识别方法。

4、一种心电图子波形的识别方法，包括：

5、基于获取的心电图数据，采用识别模型，得到识别结果；

6、所述采用识别模型的过程为：所述识别模型采用改进的u^2-net模型，包括编码器、分类模块和解码器；基于心电图数据，采用改进的编码器，得到第一特征图；基于第一特征图，分别采用分类模块和解码器，得到第二特征图和第三特征图；基于第二特征图和第三特征图的融合特征图，得到识别结果；

7、其中，所述改进的编码器为：编码器除最后一层外，每层编码器的输出端连接spd-conv模块，上一级spd-conv模块的输出作为当前级编码器层的输入。

8、进一步地，所述改进的编码器为：前一部分的编码器均采用rsu模块，后一部分的编码器均采用rsu_3f模块，f表示采用rsu的膨胀卷积操作代替rsu模块内部的下采样操作；且在采用rsu模块之前，采用scse模块对心电图数据进行序列特征的提取，并将提取后的特征序列输入rsu模块进行编码。

9、进一步地，每层所述解码器的结构与同一级的编码器结构对应设置。

10、进一步地，每层编码器的输入为：上一级解码器输出的上采样特征图和该当前级解码器对应的同一级编码器输出的特征图。

11、进一步地，所述分类模块包括依次连接的池化层、batchnorm1d模块、多层感知机、sigmoid模块和阈值模块。

12、更进一步地，所述分类模块得到的第二特征图为sigmoid模块输出的特征图；

13、更进一步地，所述分类模块得到的第二特征图为阈值模块输出的特征图。

14、进一步地，在对所述识别模型进行训练过程中包括：基于分类模块输出的第二特征图，采用focalloss损失函数；基于解码器输出的第三特征图，采用focalloss损失函数和diceloss损失函数；基于损失结果，对识别模型的超参数进行优化。

15、本发明的第二个方面提供一种心电图子波形的识别系统。

16、一种心电图子波形的识别系统，包括：

17、识别模块，其被配置为：基于获取的心电图数据，采用识别模型，得到识别结果；

18、识别模型模块，其被配置为：所述识别模型采用改进的u^2-net模型，包括编码器、分类模块和解码器；基于心电图数据，采用改进的编码器，得到第一特征图；基于第一特征图，分别采用分类模块和解码器，得到第二特征图和第三特征图；基于第二特征图和第三特征图的融合特征图，得到识别结果；

19、其中，所述改进的编码器为：编码器除最后一层外，每层编码器的输出端连接spd-conv模块，上一级spd-conv模块的输出作为当前级编码器层的输入。

20、本发明的第三个方面提供一种计算机可读存储介质。

21、一种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实现如上述第一个方面所述的心电图子波形的识别方法中的步骤。

22、本发明的第四个方面提供一种计算机设备。

23、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如上述第一个方面所述的心电图子波形的识别方法中的步骤。

24、与现有技术相比，本发明的有益效果是：

25、本发明针对心电图的波形分类问题，在u^2-net框架的基础上，结合心电数据的特点对识别模型的编码器结构进行适应性改进，同时引入分类模块，不仅提高了识别结果的准确率，而且保证了模型的推理速度。

26、本发明为了处理波形的区域分类中存在的多类别、类别数据不平衡等问题，选用focalloss和diceloss作为损失函数，提高了识别模型的精确，给识别模型训练带来了很高的效果和便利。

27、本发明针对心电图子波形识别任务，提出了合理的评价机制，以便更好的适应临床分析的需要。

技术特征：

1.一种心电图子波形的识别方法，其特征在于，包括：

2.根据权利要求1所述的心电图子波形的识别方法，其特征在于，所述改进的编码器为：前一部分的编码器均采用rsu模块，后一部分的编码器均采用rsu_3f模块，f表示采用rsu的膨胀卷积操作代替rsu模块内部的下采样操作，且在采用rsu模块之前，采用scse模块对心电图数据进行序列特征的提取，并将提取后的特征序列输入rsu模块进行编码。

3.根据权利要求1所述的心电图子波形的识别方法，其特征在于，每层所述解码器的结构与同一级的编码器结构对应设置。

4.根据权利要求1所述的心电图子波形的识别方法，其特征在于，每层编码器的输入为：上一级解码器输出的上采样特征图和该当前级解码器对应的同一级编码器输出的特征图。

5.根据权利要求1所述的心电图子波形的识别方法，其特征在于，所述分类模块包括依次连接的池化层、batchnorm1d模块、多层感知机、sigmoid模块和阈值模块。

6.根据权利要求5所述的心电图子波形的识别方法，其特征在于，所述分类模块得到的第二特征图为sigmoid模块输出的特征图；

7.根据权利要求1所述的心电图子波形的识别方法，其特征在于，在对所述识别模型进行训练过程中包括：基于分类模块输出的第二特征图，采用focalloss损失函数；基于解码器输出的第三特征图，采用focalloss损失函数和diceloss损失函数；基于损失结果，对识别模型的超参数进行优化。

8.一种心电图子波形的识别系统，其特征在于，包括：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的心电图子波形的识别方法中的步骤。

10.一种计算机设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的心电图子波形的识别方法中的步骤。

技术总结
本发明涉及心电图的子波形的区域识别技术领域，提供了一种心电图子波形的识别方法、系统、设备及存储介质。该方法包括，基于获取的心电图数据，采用识别模型，得到识别结果；采用识别模型的过程为：识别模型采用改进的U^2‑Net模型，包括编码器、分类模块和解码器；基于心电图数据，采用改进的编码器，得到第一特征图；基于第一特征图，分别采用分类模块和解码器，得到第二特征图和第三特征图；基于第二特征图和第三特征图的融合特征图，得到识别结果；其中，改进的编码器为：编码器除最后一层外，每层编码器的输出端连接SPD‑Conv模块，上一级SPD‑Conv模块的输出作为当前级编码器层的输入。

技术研发人员：张伯政,靳恩朝,徐明雪,门艳艳,张瀚中,王建坤,桑波
受保护的技术使用者：众阳健康科技集团有限公司
技术研发日：
技术公布日：2024/1/15