[發明專利]一種心電圖特征點的識別方法

在審

• 申請號: 202111680795.1
• 申請日: 2021-12-31
• 公開（公告）號: CN114305445A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 張伯政;鞠海濤;樊昭磊;張述睿;蘇騰;張寧寧
• 申請（專利權）人: 山東眾陽健康科技集團有限公司
• 主分類號: A61B5/346
• 分類號: A61B5/346;A61B5/35
• 代理公司: 濟南泉城專利商標事務所 37218
• 代理人: 支文彬

一種心電圖特征點的識別方法，使用較少的點實現了較高精度的特征點計算。在標簽處理的模塊中，采用托盤的設計思路，提高了正樣本占比，緩解了正負樣本不均衡的問題提升了模型的訓練效果。在特征點識別神經網絡中，允許輸出的結果明顯短于輸入的心電圖數據，在特征點識別神經網絡中可以進行stride卷積以及pooling等縮減尺度的計算以減輕最后的RNN模型的運行效率損耗。在解碼過程中，采用了分割的思想，避免了傳統的Anchor?Base的方法對于NMS的依賴，提升了最終的解碼效率。

技術領域

本發明涉及心電圖技術領域，具體涉及一種心電圖特征點的識別方法。

背景技術

心電圖的特征點識別，是識別心電圖中出現的P波起止點、QRS波起止點、T波起止點、U波起止點、起搏釘、F波谷點以及噪聲起止點的時間位置，識別完成后可以通過后續的規則模塊，設計出心電圖的自動診斷、自動測量等心電人工智能輔助診斷模塊，可以說，心電圖的特征點識別的準確度很大程度決定了心電圖自動診斷以及自動測量的準確度，而心電圖的自動診斷與自動測量在臨床實踐中可以縮減患者的就醫延遲，保障患者的生命健康。

現今，絕大多數心電圖特征點識別有很多種方法：

1.采用了先尋找QRS波群，然后再通過QRS波群的定位信息，前后尋找相關的P波、T波以及U波的方法。這種方法對于非竇性，或者是P波過于矮小，或者是低電壓心電圖的識別適用性較差。

2.采用深度學習模型的方法。該方法先對心電圖使用卷積神經網絡進行形態特征層面建模，然后再使用RNN模型對心電圖進行序列層面的推理建模，最后使用逐幀分類的方式進行結果輸出。首先，如果卷積層面未對心電圖進行了諸如調整步長或者是pooling的方法進行建模的話，模型精度能夠保證與輸入心電圖的精度一致，但是由于波形的采樣率往往較高，在RNN層面建模的時候輸入的序列會較長，處理時間也相應的會很長以至于難以在實際情況中使用。而如果對心電圖進行了步長調整或者是pooling的方法縮短了序列長度，則處理的精度又會降低。綜上所述，如何能夠設計構建一種適用性強的且能夠兼顧處理精度與處理時間的方法，顯得尤為重要。

發明內容

本發明為了克服以上技術的不足，提供了一種使用較少的點實現較高精度特征點計算的心電圖特征點的識別方法。

本發明克服其技術問題所采用的技術方案是：

一種心電圖特征點的識別方法，包括：

a)獲取完整的標準的12導聯心電圖數據，將12導聯心電圖數據進行預處理后將其表示為張量D，張量D的維度為(12,l)，其中l為12導聯心電圖數據的長度，12為依照導聯順序進行排序的12個導聯；

b)將張量D輸入到特征點識別神經網路中，特征點識別神經網絡的輸出結果表示為張量V，張量V的維度為(24,m)，其中m為特征點識別神經網絡輸出的長度，24為輸出的通道個數；

c)獲取心電圖數據對應的標簽數據，表示為集合P{(i₁,t₁),(i₂,t₂),...,(i_x,t_x),...,(i_k,t_k)}，(i_x,t_x)為集合中的第x個標記特征點，i_x為第x個特征點的編號，t_x為第x個特征點在12導聯心電圖數據中的相對時間位置，x∈{1,2,...,k}，k為集合中標記特征點的個數；