[發明專利]基于U-net端對端神經網絡模型的QRS波自動檢測方法

在審

• 申請號: 202010744022.4
• 申請日: 2020-07-29
• 公開（公告）號: CN111956214A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 臧睦君;魏小晨;劉通;劉澳偉;劉勝強
• 申請（專利權）人: 魯東大學
• 主分類號: A61B5/0472
• 分類號: A61B5/0472
• 代理公司: 長春市東師專利事務所 22202
• 代理人: 張鐵生;劉延軍

1.一種基于U-net端對端神經網絡模型的QRS波自動檢測方法，它包括：

1）通過對原始信號的預處理，結合標簽集生成單導聯心電信號樣本

讀入單導聯心電信號數據，每一條信號去除波峰特別大的點，對每個導聯心電信號根據同一時刻R波頂點的位置向前后取50個點并標記為1，其余位置標記為0，構成與心電信號長度相同的標簽集；將心電信號與標簽集按第一個維度進行拼接，此時原始1*w維的數據集擴增為1*2w維的信號+標簽的形式；

將所有單導聯的心電信號通過以上方式處理并按第二維度進行拼接，形成數據集U，其中U中的每一個樣本都是上述1*2w維的心電信號數據；

2）搭建單導聯的心電信號的語義分割神經網絡模型

整個網絡由10個卷積層、2個池化層、2個上采樣層以及1個LSTM層組成，與輸入X相連接；

3）訓練卷積神經網絡的參數

初始化所述卷積神經網絡的參數，將采樣好的數據集U隨機抽取80%數目的樣本當作訓練集，其他未選中的樣本視為測試集；將訓練集中的心電信號樣本輸入到初始化后的神經網絡中，以最小化代價函數為目標進行迭代，生成所述U-net神經網絡的參數并保存；

4）對測試集樣本進行自動識別

將劃分好的測試集樣本輸入到卷積神經網絡中并運行，獲得測試集樣本對應的2維預測圖，對預測圖進行矩陣處理，得出最終的預測輸出，將輸出的預測值與測試集樣本的標簽比對來檢查預測是否正確，通過預測結果y_pred來判別模型的性能。

2.根據權利要求1所述的一種基于U-net端對端神經網絡模型的QRS波自動檢測方法，其特征在于：所述U-net神經網絡的參數為：輸入X為心電信號樣本，每個心電信號樣本都是1*w維，1為導聯的個數，W為一條信號所包含的點數；將該心電信號樣本分批次輸入到U-net神經網絡中，其中U-net神經網絡包含串聯的兩個卷積池化單元，一個LSTM單元，兩個池化上采樣單元；第一個卷積池化單元包含兩個卷積層，卷積核個數都為8個，卷積核大小都為3，卷積層單元后的激勵單元為relu函數，池化層單元的池化核大小為2，池化步長為1；經過第一個卷積池化單元后的特征圖維度為（W/2）*8；第二個卷積池化單元包含兩個卷積層，卷積核個數都為16，卷積核個數都為3，卷積層單元后的激勵單元為relu函數，卷積層與池化層之間包含一個dropout層，參數為0.5，池化層單元的池化核大小為2，池化步長為1；經過第一個卷積池化單元后的特征圖維度為（W/4）*16；第二個卷積池化單元串聯著一個LSTM單元，stm層隱藏層有8個神經元，激勵單元為relu函數；之后為一個dropout層，參數為0.5；經過第LSTM單元后的特征圖維度為（W/4）*8；第一個反卷積單元包含上采樣層和兩層卷積層，上采樣層的放大系數為2，兩層卷積層的卷積核數量為16，卷積核大小為3，卷積層單元后的激勵單元為relu函數；經過第一個反卷積單元后的特征圖維度為（W/2）*16；第二個反卷積單元包含上采樣層和三層卷積層，上采樣層的放大系數為2，前兩層卷積層的卷積核數量為8，卷積核大小為3，第三層卷積層的卷積核數量為16，卷積核大小為3，卷積層單元后的激勵單元為relu函數；經過第一個反卷積單元后的特征圖維度為W*2；最后經過一個卷積單元，卷積核數量為1，大小為1，激活函數為sigmoid函數；最終輸出的heatmap維度為W*1。

3.根據權利要求2所述的一種基于U-net端對端神經網絡模型的QRS波自動檢測方法，其特征在于：所述的迭代為：迭代一次更新一次訓練參數，直至最后卷積神經網絡的損失值和準確率穩定在某一數值附近，停止訓練并保存當前網絡的訓練參數和模型結構信息。