[發明專利]一種魯棒的心電R峰檢測方法

有效

• 申請號: 202011001313.0
• 申請日: 2020-09-22
• 公開（公告）號: CN112635047B
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 謝勝利;李翔宇;呂俊;吳宗澤;楊其宇;邱四海;嚴彬彬;陳德偉
• 申請（專利權）人: 廣東工業大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06N3/08;G06N3/04
• 代理公司: 廣東廣信君達律師事務所 44329
• 代理人: 孔祥健

本發明公開了一種魯棒的心電R峰檢測方法，包括以下步驟：S1、采用已人工標注R峰位置的ECG信號，構建訓練數據集；S2、搭建并訓練具有注意力機制的R峰概率估計模塊，通過訓練好的R峰概率估計模塊估計得出待選R峰時段；S3、對待選R峰時段的解碼向量進行峰值檢測，選擇R峰概率局部最大值，從而確定具體R峰時刻。本發明綜合利用整段ECG信號的時序信息，抵御QRS波形畸變和大幅偽跡的干擾，從而能夠進一步提高R峰檢測精度，為病理特征提取提供可靠的依據。

技術領域

本發明涉及R峰檢測的技術領域，尤其涉及到一種魯棒的心電R峰檢測方法。

背景技術

精準的R峰檢測是心電圖病理特征可靠提取的基礎，比如用于房顫檢測的心率變異特征需要準確地計算R-R峰間距。而且R峰是心室去電極化的關鍵時間點，是精確分析心率變異性、脈搏傳導時間的重要依據。但是由于皮膚接觸電阻變化、肌電、運動和電磁波等噪聲因素的干擾，R峰檢測尤為困難。已有的R峰檢測方法，比如經典的Pan-Tomkins算法，但該算法具有以下缺點：

(1)無法適應QRS波形畸變和大幅偽跡干擾，導致誤檢和漏檢事件的發生。

(2)現有的深度學習的方法都是對單個滑動窗內的ECG信號進行分類，無法利用整條ECG信號潛在的時序信息，比如R峰的準周期性。

發明內容

本發明的目的在于克服現有技術的不足，提供一種魯棒的心電R峰檢測方法，通過具有注意力機制的神經網絡，綜合利用整段ECG信號的時序信息，抵御QRS波形畸變和大幅偽跡的干擾，從而能夠進一步提高R峰檢測精度，為病理特征提取提供可靠的依據。

為實現上述目的，本發明所提供的技術方案為：

一種魯棒的心電R峰檢測方法，包括以下步驟：

S1、采用已人工標注R峰位置的ECG信號，構建訓練數據集；

S2、搭建并訓練具有注意力機制的R峰概率估計模塊，通過訓練好的R峰概率估計模塊估計得出待選R峰時段；

S3、對待選R峰時段的解碼向量進行峰值檢測，選擇R峰概率局部最大值，從而確定具體R峰時刻。

進一步地，所述R峰概率估計模塊由編碼子模塊、掩碼估計子模塊以及解碼子模塊組成。

進一步地，所述步驟S2搭建并訓練具有注意力機制的R峰概率估計模塊的具體過程如下：

S2-1、將心電信號輸入到編碼子模塊中，學習變換域，提取R峰信息，同時也是將輸入的心電信號轉化成一個固定長度的向量；

S2-2、將轉化后的向量，輸入到掩碼估計子模塊中估計掩碼；

S2-3、將掩碼估計子模塊的輸出輸入到解碼子模塊中，即為編碼的逆過程。

進一步地，步驟S2-1中，所述編碼子模塊編碼采用一維卷積神經網絡。

進一步地，步驟S2-2中，所述掩碼估計子模塊采用TCN、RNN、LSTM或GRU神經網絡。

進一步地，步驟S2-3中，所述解碼子模塊包括一維反卷積單元、非線性激活單元、一維卷積單元；所述非線性激活單元連接于一維反卷積單元和一維卷積單元之間。

進一步地，所述步驟S2-3的具體過程如下：

S2-3-1、ECG信號至R峰標簽序列的映射是非線性的，當信號棧式堆疊時，使用非線性激活單元進行調整，同時使用非線性激活函數，防止過擬合和梯度消失問題；

S2-3-2、在非線性激活單元之后接入一個一維卷積單元起平滑作用，避免輸出的概率序列中高頻成分的干擾；