CN110432895B - 训练数据处理、心电波形检测方法及电子设备 - Google Patents

Abstract

本发明公开了一种训练数据处理、心电波形检测方法及电子设备，所述训练数据处理方法包括：获取心电数据；计算心电数据中第一波段顶点；根据所述第一波段顶点生成与心电数据中第二波段对应的候选框，所述第二波段包括心电数据中至少一个波段；利用波段锚框和所述候选框生成训练数据，所述波段锚框用于指示与所述候选框对应的真实波段。

Description

训练数据处理、心电波形检测方法及电子设备

技术领域

本发明涉及医用电子技术领域，具体涉及到一种训练数据处理、心电波形检测方法及电子设备。

背景技术

心电数据例如心电信号主要用于反应心脏的电激动过程，是医生进行心脏检查和诊断的一个重要的临床手段。心电信号本身复杂性强，不同种族、性别、年龄的人在各种病理情况下的差异性很大。在实际的临床诊断中，通常是以机器检测结果为辅助，由医生结合自身临床经验进行判断识别。在这种情况下，由于医生的知识专业性和经验积累的不足，常常会过于依赖机器给出的检测结果，对准确率有一定限制，容易导致对异常心电图的误判。

随着人工智能的广泛应用，将人工智能模型用于P波、QRS波、T波检测可以提高心电图的检测的准确度，但是人工智能例如深度学习需要大量标注数据，这种标注数据需要在心跳级别上面对每个波段进行标注，需要较为准确的标注出每个波段例如P波、QRS波、T波等的位置，对于某些波段如P、QRS波由于持续时间很短，标注他们准确的位置比较困难，在标注时可能会产生一些偏移，造成标注数据的误差，进而导致人工智能检测结果出现偏差。

发明内容

本发明实施例要解决的技术问题为如何提高人工智能对于心电波形检测结果的准确性。

根据第一方面，本发明实施例提供了一种训练数据处理方法，用于心电波形检测，训练数据处理方法包括：获取心电数据；计算心电数据中第一波段顶点；根据第一波段顶点生成与心电数据中第二波段对应的候选框，第二波段包括心电数据中至少一个波段；利用波段锚框和候选框生成训练数据，波段锚框用于指示与候选框对应的真实波段。

可选地，根据第一波段顶点生成与心电数据中第二波段对应的候选框包括：根据第一波段与第二波段的位置关系生成多个第二波段对应的候选框。

可选地，根据第一波段与第二波段的位置关系和第二波段对应的区间宽度生成多个第二波段对应的候选框包括：在心电数据上沿第一波段顶点的第一侧方向或沿第一波段顶点的第二侧方向依次生成多个具有预设时间间隔的候选框中心；基于每个候选框中心分别生成多个具有不同时长区间的候选框。

可选地，第二波段包括P波或T波。

可选地，第一波段包括R波，第二波段包括QRS波群；根据第一波段与第二波段的位置关系和第二波段对应的区间宽度生成多个第二波段对应的候选框包括：以第一波段顶点为中心生成多个具有不同时长区间的候选框。

可选地，心电数据包括心电信号。

可选地，利用波段锚框和候选框生成训练数据包括：计算波段锚框和与波段锚框对应的候选框的交并比；根据交并比得到训练数据中的正样本和负样本。

根据第二方面，本发明实施例提供了一种心电波形检测方法，获取待检测的心电数据；将心电数据输入至目标检测模型，目标检测模型通过上述第一方面任意一项的训练数据处理方法得到的训练数据训练而成；通过目标检测模型对待检测心电数据进行检测得到检测结果，检测结果包括心电数据中的各个波段的类别和/或位置。

可选地，检测结果包括多个结果检测框；计算结果检测框的交集的比例；合并比例大于预设比例值的结果检测框；根据合并后的结果检测框和心电数据的基线得到检测结果。

根据第三方面，本发明实施例提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器执行上述第一方面任一项描述的训练数据处理方法和/或上述第二方面描述的心电波形检测。

采用计算心电数据中第一波段顶点；根据第一波段顶点生成与心电数据中第二波段对应的候选框，利用波段锚框和候选框生成训练数据。根据心电波形的固有属性自动生成训练数据，无需人为设计特征、进行滤波等步骤，相比于人工标注更为准确，为人工智能检测心电图波形提供可靠的依据，并且通过自动生成的训练数据可以实现利用人工智能模型对心电信号的各种波形统一进行检测识别，比较传统方法具有鲁棒性，更加准确，而且无需人为设计特征、进行滤波等步骤，基于人工智能端对端的训练，得到结果，具有很好的扩展性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本实施例的训练数据处理方法的示意图；

图2示出了本实施例的生成候选框的示意图；

图3示出了本发明实施例的检测结果的示意图；

图4示出了本发明实施例的电子设备的示意图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种训练数据处理方法，该训练数据对用于心电波形检测的人工智能模型例如目标检测模型进行训练，训练完成的人工智能模型可以用于对心电波形进行检测，如图1所示，该训练数据处理方法可以包括如下步骤：

S1.获取心电数据。所称心电数据可以为心电信号，在本实施例中，心电信号可以通过一定采样频率对心电信号进行采样，采集的样本点按照时间的顺序排列，形成心电信号的波形。作为示例性的实施例，该心电信号可以为采样频率为500Hz的12导联采集的心电信号。

S2.计算心电数据中第一波段顶点。在本实施例中，所称第一波段可以为心电数据中的任意波段，第一波段顶点可以为该波段的波峰。其中，第一波段顶点的获取方式有多种，作为示例性的实施例，第一波段的顶点的获取方式可以根据心电信号的波形斜率，获取心电信号的波峰。具体的，心电信号的波形斜率为通过计算采样点之间的斜率获得。具体地，心电信号为V，心电信号采样点与采样点的距离为1，当前采样点值V_n与前一个采样点值V_n-1的差值即为当前采样点的斜率：

ΔV_n＝V_n-V_n-1。

根据斜率的变化，确定心电信号的波峰。具体地，当前时刻的采样点的斜率为正，即ΔV_n>0，下一个采样点的斜率ΔV_n+1<0，则当前时刻的采样点为心电信号的一个波峰。

在一实施例中，在获取心电信号中的波峰前对心电信号进行滤波，包括高通滤波和低通滤波。首先进行低通滤波，一般取截止频率为40Hz，用于消除R波上可能存在的高频噪声毛刺；再进行高通滤波，一般取截止频率为0.5Hz，用于消除基线漂移。本实施例中，基于波形的斜率正负性改变来定位波峰位置，如果第一波段上面有噪声毛刺，算法会将噪声毛刺也识别为小的波形，因此，最后的结果可能是第一波段被分别识别成一系列小的波形，从而导致无法对第一波段定位。本实施例中，低通消除第一波段上的噪声毛刺，其滤波的程度没有带通滤波那么大，避免带通滤波而造成其他波段的波形特征被改变太多，而影响后其他波段识别分析。在本实施例中，第一波段可以为心电信号中的任意波段，由于第一波段的顶点将作为其他波段标注的基础，因此，为了保证其他波段标注的准确性，在本实施例中，第一波段可以以特征较为明显的R波为例。具体的，可以计算R波的顶点。本领域技术人员应当理解，在本实施例中，其他波段例如T波、P波等均适用于本实施例。

S3.根据第一波段顶点生成与心电数据中第二波段对应的候选框。第二波段包括心电数据中至少一个波段。在本实施例中，第二波段可以包括R波、QRS波群、P波、T波中的至少一个。所称第二波段对应的候选框可以为预先在第二波段区域划定的候选框或候选区域，该候选框可以包括多个，覆盖第二波段区域，候选框通常用于指示第二波段的大致位置，作为第二波段的检测候选项。图2示出了生成候选框的示意图。

具体的，可以根据第一波段与第二波段的位置关系生成多个第二波段对应的候选框，作为示例性的说明，第一波段可以为R波，第二波段可以为P波，P波处于R波的左侧，因此，可以利用P波与R波的固定位置关系，在R波顶点左侧生成多个P波候选框。再例如，第一波段可以为R波，第二波段可以为T波，T波处于R波的右侧，因此，可以利用P波与T波的固定位置关系，在R波顶点右侧生成多个T波候选框。对于候选框的宽度在本实施例中可以针对对应的第二波段宽度进行适应性的调整，具体的，多个候选框并集宽度应当覆盖第二波段的全区域。

S4.利用波段锚框和候选框生成训练数据。其中，波段锚框用于指示与候选框对应的真实波段。具体的，波段锚框即深度学习或目标检测中的groundtruth，用于表征真实、有效或标准的第二波段区域。作为示例性的实施例，可以计算波段锚框和候选框的交并比，在交并比大于第一预设交并比时，可以认为该候选框为正样本，在交并比小于第二预设交并比时，可以认为该候选框为负样本。具体的，第一预设交并比可以为0.7-0.9，第二预设交并比可以为0.3-0.5。作为示例性的实施例，可以以P波为例，首先，可以根据第一波段顶点生成P波对应的多个候选框，分别计算P波锚框与多个P波候选框的交并比，将交并比大于0.9的候选框作为P波检测训练的正样本，将交并比小于0.5的候选框作为P波检测训练的负样本。通过整理正负样本可以得到训练数据集。该训练数据集作为用于检测心电波形的人工智能模型的训练数据集。

采用计算心电数据中第一波段顶点；根据第一波段顶点生成与心电数据中第二波段对应的候选框，利用波段锚框和候选框生成训练数据。根据心电波形的固有属性自动生成训练数据，无需人为设计特征、进行滤波等步骤，相比于人工标注更为准确，为人工智能检测心电图波形提供可靠的依据，并且通过自动生成的训练数据可以实现利用人工智能模型对心电信号的各种波形统一进行检测识别，比较传统方法具有鲁棒性，更加准确，而且无需人为设计特征、进行滤波等步骤，基于人工智能端对端的训练，得到结果，具有很好的扩展性。

下面以心电数据为心电信号，以第一波段为R波，第二波段为P波、T波以及QRS波群为例进行说明：

获取心电信号，通过心电信号计算R波顶点，具体的计算方法可以参将上述实施例中对于第一波段顶点的计算的描述。根据R波顶点生成P波、T波以及QRS波群的候选框。

具体的，对于P波和T波，在心电数据上沿第一波段顶点的第一侧方向或沿第一波段顶点的第二侧方向依次生成多个具有预设时间间隔的候选框中心；基于每个候选框中心分别生成多个具有不同时长区间的候选框。在本实施例中，通常第一侧方向与第二侧方向相反，例如，第一侧方向可以为R波左侧，第二侧方向可以为R波右侧。当然，在本实施例中，可以不排除第一侧方向与第二方向相同的情况，即第一侧方向与第二方向均为R波左侧或R波右侧，当第一侧方向与第二侧方向相同时，所框选的P波和T波位于同一RR期间。为了更为清楚的说明，在本实施例中，以第一侧方向为R波左侧，第二侧方向为R波右侧为例进行说明。

对于P波，在心电信号上沿R顶点的左侧方向依次生成多个具有第一预设时间检测的P波候选框中心，基于每个P波候选框中心分别生成多个具有不同时长区间的P波候选框。作为示例性的实施例，R波顶点向左0.1s开始，可以每隔0.05s生成一个P波候选框中心，可以生成5个P波候选框中心，每个P波候选框中心可以分别生成四个P波候选框，其中四个P波候选框区间大小分别为0.06s、0.08s、0.1s、0.12s。具体的可以参见图2示出的生成P波候选框的示意图。本领域技术人员应当理解，上述数值只是为了较为清楚的说明P波候选框生成的过程及原理，在本实施例中并不限于上述数值，其他能够满足参照上述方法生成P波候选框的数值同样在本实施例的保护范围内。

对于T波，在心电信号上沿R顶点的右侧方向依次生成多个具有第二预设时间检测的P波候选框中心，基于每个P波候选框中心分别生成多个具有不同时长区间的P波候选框。其中，第一预设时间间隔和第二预设时间间隔可以相同，也可以不同。作为示例性的实施例，R波顶点向右0.1s开始，可以每隔0.05s生成一个T波候选框中心，可以生成5个T波候选框中心，每个T波候选框中心可以分别生成四个T波候选框，其中四个T波候选框区间大小分别为0.1s、0.12s、0.14s、0.16s。具体的可以参见图2示出的生成T波候选框的示意图本领域技术人员应当理解，上述数值只是为了较为清楚的说明T波候选框生成的过程及原理，在本实施例中并不限于上述数值，其他能够满足参照上述方法生成T波候选框的数值同样在本实施例的保护范围内。

由于R波属于QRS波群，因此对于QRS波群，可以以R波顶点为中心生成多个具有不同时长区间的QRS波群候选框。示例性地，可以生成四个QRS波群候选框，其中四个QRS波群候选框区间大小分别为0.06s、0.08s、0.1s、0.12s，具体的可以参见图2示出的生成QRS波群波候选框的示意图。

在确定各个波段的候选框后，可以利用用于指示某一真实波段区域的波段锚框与候选框进行对比，计算波段锚框与候选框的交并比，例如，可以利用P波段锚框与所有P波段候选框进行交并比计算，在交并比达到第一预设交并比后，例如交并比大于0.9时，可以认为当前P波段候选框为正样本，在交并比小于第二预设交并比时，例如交并比小于0.5时，可以认为当前P波段候选框为负样本，其余波段候选框的正负样本的确认可以参照P波段正负样本的选择的方法，得到所有波段的正负样本，进而对正负样本进行整理得到心电波形检测的训练数据集。

本发明实施例提供了一种心电波形检测的目标检测模型的训练方法，该方法可以利用上述实施例中描述的训练数据处理方法得到的训练数据对检测模型进行训练。利用多个训练数据对目标检测模型进行训练，并判断是否达到设定的收敛条件。在此使用的目标检测模型可以为34层的1d-cnn模型，以softmax作为目标检测模型的损失函数。目标检测模型的参数为初始值，它将学习训练数据以调整合适的参数，从而达到检测心电波形的目的。利用经过上述实施例处理的、更加准确的训练数据，可以使分类模型获得更好的性能，并且可以提高模型训练的效率。

本发明实施例提供了一种心电波形的检测方法，具体的，该检测方法可以采用上述实施例中训练数据处理方法得到的训练数据训练的目标检测模型对待检测的心电数据进行检测，在本实施例中，心电数据可以为心电信号，由于心电信号为一维信号，因此，可以利用一维目标检测模型进行检测，例如可以采用34层的1d-cnn模型。

首先获取待检测的心电数据，该心电数据可以为实施采集的心电信号，将心电数据输入至目标检测模型，该目标检测模型已经利用上述实施例中训练数据处理方法得到的训练数据训练完成。通过目标检测模型对待检测心电数据进行检测得到检测结果，检测结果包括心电数据中的各个波段的类别和/或位置。输出结果可以为置信度大于预设值的候选框，例如，P波的检测，在P波候选框中存在置信度大于0.9的候选框时，则P波结果检测框，结果检测框用于指示P波所在的区域及指示P波的位置。在本实施例中，当检测结果包括多个结果检测框，多个结果检测框可以为同种波段具有多个结果检测框，也可以为不同种波段分别具有多个结果检测框。在本实施例中以同一波段输出多个结果检测框，即同一波段有多个候选框的置信度大于预设置信度为例进行说明，计算结果检测框的交集的比例，例如，可以两个或两个以上的结果检测框的交集占结果检测框的比例；合并比例大于预设比例值的结果检测框。例如，可以为交集的比例大于0.6或者更多或者更少时，可以将多个结果检测框合并，具体的可以按照并集的方式合并，这是由于可能某一候选框的区间范围比较小，无法覆盖全部的对应的波段区域，而同一波段中存在多个部分重合的候选框，并且候选框中所包含的波段均属于该波段，则需要将多个结果检测框按照并集的方式合并；根据合并后的结果检测框和心电数据的基线得到检测结果，将结果检测框与基线取交集可以得到包括该波段的起点和终点完整波段。

通过利用人工智能模型对心电信号的各种波形统一进行检测识别，比较传统方法具有鲁棒性，更加准确。采用上述实施例中训练数据处理方法得到的训练数据可以无需人为设计特征、进行滤波等步骤，基于人工智能端对端的训练，得到结果，具有很好的扩展性。

本发明实施例提供了一种电子设备，如图4所示，该控制器包括一个或多个处理器41以及存储器42，图4中以一个处理器43为例。

该控制器还可以包括：输入装置43和输出装置44。

处理器41、存储器42、输入装置43和输出装置44可以通过总线或者其他方式连接，图4中以通过总线连接为例。

处理器41可以为中央处理器(CentralProcessingUnit，CPU)。处理器41还可以为其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器42作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的控制方法对应的程序指令/模块。处理器41通过运行存储在存储器42中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的训练数据处理方法或心电波形检测方法。

存储器42可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器42可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器42可选包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置43可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置44可包括显示屏等显示设备。

一个或者多个模块存储在存储器42中，当被一个或者多个处理器41执行时，执行如图1所示的方法。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各电机控制方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (9)

1.一种训练数据处理方法，其特征在于，用于心电波形检测，所述训练数据处理方法包括：

获取心电数据；

计算心电数据中第一波段顶点；

根据所述第一波段顶点生成与心电数据中第二波段对应的候选框，所述第二波段包括心电数据中至少一个波段；

计算波段锚框与所述候选框的交并比，当所述交并比达到第一预设交并比时将所述候选框作为训练数据中的正样本，并且当所述交并比小于第二预设交并比时将所述候选框作为训练数据中的负样本，从而得到训练数据，所述波段锚框用于指示与所述候选框对应的真实波段。

2.如权利要求1所述的训练数据处理方法，其特征在于，所述根据所述第一波段顶点生成与心电数据中第二波段对应的候选框包括：

根据所述第一波段与所述第二波段的位置关系和所述第二波段对应的区间宽度生成多个所述第二波段对应的候选框。

3.如权利要求2所述的训练数据处理方法，其特征在于，

所述根据所述第一波段与所述第二波段的位置关系和所述第二波段对应的区间宽度生成多个所述第二波段对应的候选框包括：

在所述心电数据上沿所述第一波段顶点的第一侧方向或沿所述第一波段顶点的第二侧方向依次生成多个具有预设时间间隔的候选框中心；

基于每个所述候选框中心分别生成多个具有不同时长区间的候选框。

4.如权利要求3所述的训练数据处理方法，其特征在于，

所述第二波段包括P波或T波。

5.如权利要求2所述的训练数据处理方法，其特征在于，所述第一波段包括R波，所述第二波段包括QRS波群；

所述根据所述第一波段与所述第二波段的位置关系和所述第二波段对应的区间宽度生成多个所述第二波段对应的候选框包括：

以第一波段顶点为中心生成多个具有不同时长区间的候选框。

6.如权利要求1所述的训练数据处理方法，其特征在于，

所述心电数据包括心电信号。

7.一种心电波形检测方法，其特征在于，

获取待检测的心电数据；

将所述心电数据输入至目标检测模型，所述目标检测模型通过权利要求1-6任意一项所述的训练数据处理方法得到的训练数据训练而成；

通过所述目标检测模型对所述待检测的心电数据进行检测得到检测结果，所述检测结果包括心电数据中的各个波段的类别和/或位置。

8.如权利要求7所述的心电波形检测方法，其特征在于，

所述检测结果包括多个结果检测框；

计算所述结果检测框的交集的比例；

合并所述比例大于预设比例值的结果检测框；

根据合并后的结果检测框和心电数据的基线得到检测结果。

9.一种电子设备，其特征在于，包括：至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-6任一项所述的训练数据处理方法和/或如权利要求7或8所述的心电波形检测方法。

Images