[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

本發明公開了一種基于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；2）搭建單導聯的心電信號的語義分割神經網絡模型；3）訓練卷積神經網絡的參數；4）對測試集樣本進行自動識別；訓練樣本識別率超過60%。

技術領域

本發明涉及醫學信號處理技術領域,更確切地說一種基于U-net端對端神經網絡模型的QRS波自動檢測方法。

背景技術

隨著數字技術的發展,計算機輔助診斷系統由于其快速、可靠的分析手段, 已成為最有前景的臨床診斷解決方案。當今通過先進的硬件設施,我們可以很容易地得到病人的心電信號，也就是人們所說的心電圖。醫生可以通過觀察心電圖中蘊含的信息來判斷病人的狀態，然而手動或目視檢查和在長連續心電圖節拍中推斷這些細微的形態學變化的過程是費時并且容易因疲勞而發生錯誤。因此,實時計算機輔助診斷系統是必不可少的,可以幫助醫生實時監測病人的病況，克服這些對心電圖信號的評估限制。

計算機輔助診斷系統可以將對心電圖中的信息進行實時的分析進而得到其中的有效信息。心電信號處理中的一個重要的問題就是對ECG信號進行波形的檢測。QRS波是ECG信號中最為突出的波形，里面也包含了很多有用的信息，因此只有最先確定了QRS波群之后（包括QRS復波的位置、時間寬度），才有機會計算后續的心率等信息。而我們知道，再QRS復波中，R波是最為明顯的波形。因此ECG信號分析都是在最先對R波進行位置判斷之后，再一次為依據來分析ECG信號中的其他波形。

工作在計算器硬件上R波自動識別系統是此類設備的核心，技術途徑是提取能夠表征心電圖有效信息的特征向量，將其輸入到語義分割算法得到分割后QRS波群的輪廓，進而判斷R點的大概位置。在提取特征向量這一步驟中技術難點是形態學特征的提取，合理的特征提取將會直接影響結果的準確性和可靠性。這種形態學特征輔以心電圖上的其它特征構成特征向量輸入到語義分割算法，經處理后輸出QRS波群的輪廓，即QRS波群的位置。

發明內容

本發明為解決上述問題，而提供一種基于U-net端對端神經網絡模型的QRS波自動檢測方法。

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；