[go: up one dir, main page]

CN115590524B - 基于卷积神经网络的qt间期延长识别方法及系统 - Google Patents

基于卷积神经网络的qt间期延长识别方法及系统 Download PDF

Info

Publication number
CN115590524B
CN115590524B CN202211116660.7A CN202211116660A CN115590524B CN 115590524 B CN115590524 B CN 115590524B CN 202211116660 A CN202211116660 A CN 202211116660A CN 115590524 B CN115590524 B CN 115590524B
Authority
CN
China
Prior art keywords
wave
interval
interval prolongation
prolongation
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211116660.7A
Other languages
English (en)
Other versions
CN115590524A (zh
Inventor
王丽荣
董艳芳
邱励燊
张淼
王朵朵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN202211116660.7A priority Critical patent/CN115590524B/zh
Publication of CN115590524A publication Critical patent/CN115590524A/zh
Application granted granted Critical
Publication of CN115590524B publication Critical patent/CN115590524B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/353—Detecting P-waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/355—Detecting T-waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/36—Detecting PQ interval, PR interval or QT interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Cardiology (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于卷积神经网络的QT间期延长识别方法，包括采集受试者的心电图，对心电信号进行预处理；对预处理后的心电信号进行波形检测，得到波形检测结果；根据波形检测结果计算QTc值；利用卷积神经网络和注意力机制构建QT间期延长识别模型，并使用数据训练QT间期延长识别模型；使用训练好的QT间期延长识别模型对未知QT间期状态的信号进行预测，实现QT间期延长的识别。本发明利用残差网络结构结合注意力机制的算法实现QT间期延长的识别，有效降低了模型的复杂度，避免由于波形定位的准确性影响QT间期延长识别精度的问题，同时实现了端到端的识别，省去了中间环节的人为参与，提升了辅助诊断的便捷性。

Description

基于卷积神经网络的QT间期延长识别方法及系统
技术领域
本发明涉及心电信号处理技术领域，尤其是指一种基于卷积神经网络的QT间期延长识别方法及系统。
背景技术
QT间期的改变在临床心电图诊断上具有重要价值，特别是QT间期延长对提示恶性心室律失常和心脏性猝死有重要意义。QT间期代表心室细胞除极和复极过程，是从任一导联中Q波的最早开始时间到任一导联中T波的最晚结束时间(如图1所示)。QT间期长短随年龄、性别而变化，心率不同QT间期也不相同，心率快则QT间期缩短，反之则延长。因此实际应用中常通过各种计算转换成非心率依赖的校正值，即心率校正QT间期(QTc)。
目前，越来越多的研究表明，无论是继发于药物、电解质异常(低钾血症)还是遗传(先天性LQTS)等系统性疾病导致的QTc延长，均可诱发室性心律失常和心源性猝死。此外，在中老年人中，QTc延长也可能引发交感神经张力升高、亚临床动脉粥样硬化或电解质代谢异常等，从而增加心血管疾病、中风等的风险。因此，QT间期延长的实时筛查已经成为心电图(ECG)评估必不可少的一部分。
然而，现有的对QTc的评估和监测仍在很大程度上依赖于对心电信号的特征波形检测，根据波形检测结果将信号分割成单个心拍，进而计算出每个心拍的QTc的值。一方面波形检测的准确性直接影响了QTc评估的效果，另一方面，对心电图的波形检测及心拍分割增加了筛查QT间期延长的复杂性，为实时监测增加了难度。
因此，迫切需要提供一种基于卷积神经网络的QT间期延长识别方法，以解决现有技术在QT间期延长识别方面存在的上述问题。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术存在的问题，提出一种基于卷积神经网络的QT间期延长识别方法及系统，其利用残差网络结构结合注意力机制的算法实现QT间期延长的识别，与基于波形检测定位的算法相比，有效降低了模型的复杂度，避免由于波形定位的准确性影响QT间期延长识别精度的问题，同时实现了端到端的识别，省去了中间环节的人为参与，提升了辅助诊断的便捷性。
为解决上述技术问题，本发明提供一种基于卷积神经网络的QT间期延长识别方法，包括：
S1：采集受试者的心电图，对心电信号进行预处理；
S2：对预处理后的心电信号进行波形检测，得到波形检测结果；
S3：根据所述波形检测结果计算QTc值；
S4：利用卷积神经网络和注意力机制构建QT间期延长识别模型，并使用S3得到的数据训练所述QT间期延长识别模型；
S5：使用训练好的QT间期延长识别模型对未知QT间期状态的信号进行预测，实现QT间期延长的识别。
在本发明的一个实施例中，S1中利用可穿戴动态心电监护仪采集受试者的心电图。
在本发明的一个实施例中，S1中对心电信号进行预处理的方法包括：
S1-1：对采集到的心电信号进行低通滤波处理，得到去噪后的信号；
S1-2：将去噪后的信号划分成固定长度。
在本发明的一个实施例中，S2中对预处理后的心电信号进行波形检测的方法包括：
S2-1：采用二次样条小波对心电信号进行分解，得到各个子空间的波形分量，采用阈值法对R波进行定位；
S2-2：根据R波位置，在各个子空间中向前向后搜索Q波和S波峰峰值点位置，根据Q波和S波峰值点位置向前向后搜索QRS波起止点位置；
S2-3：根据当前心拍的QRS波终点位置在RR间期定义的T波搜索窗口中寻找局部最大值，判断是否存在至少两个局部最大值大于预设阈值，若存在则判断该心拍存在T波，并在各个子空间中寻找该搜索区间内T波的峰值，并搜索T波起止点位置；
S2-4：根据当前心拍的QRS波起点位置在RR间期定义的P波搜索窗口中寻找局部最大值，判断是否存在至少两个局部最大值大于预设阈值，若存在则判断该心拍存在P波；并在各个子空间中寻找该搜索区间内P波的峰值，并搜索P波起止点位置。
在本发明的一个实施例中，S3中根据所述波形检测结果计算QTc值的方法包括：
采用如下公式计算QTc值:
QTc＝QT/(RR^0.5)
式中，QT表示所有导联中QRS波群开始的最早时间到T波结束最晚时间之间的时间间隔。
在本发明的一个实施例中，S4中利用卷积神经网络和注意力机制构建QT间期延长识别模型的方法包括：
S4-1：将心电信号截取固定长度，得到心电数据；
S4-2：通过深度可分离卷积层和最大池化层对心电数据中每个导联的数据进行独立的卷积操作；
S4-3：通过在残差网络结构中加入注意力机制，并利用深度可分离卷积操作提取心电信号中不同尺度下所有导联的深度特征；
S4-4：提取的特征通过平均池化层和分类层，输出QT间期延长与非延长的概率，构建QT间期延长识别模型。
此外，本发明还提供一种基于卷积神经网络的QT间期延长识别系统，包括：
数据采集模块，所述数据采集模块用于采集受试者的心电图，对心电信号进行预处理；
波形检测模块，所述波形检测模块用于对预处理后的心电信号进行波形检测，得到波形检测结果；
QTc值计算模块，所述QTc值计算模块用于根据所述波形检测结果计算QTc值；
模型构建训练模块，所述模型构建训练模块用于利用卷积神经网络和注意力机制构建 QT间期延长识别模型，并使用QTc值计算模块得到的数据训练所述QT间期延长识别模型；
QT间期延长识别模块，所述QT间期延长识别模块用于使用训练好的QT间期延长识别模型对未知QT间期状态的信号进行预测，实现QT间期延长的识别。
在本发明的一个实施例中，所述波形检测模块对预处理后的心电信号进行波形检测的方法包括：
采用二次样条小波对心电信号进行分解，得到各个子空间的波形分量，采用阈值法对 R波进行定位；
根据R波位置，在各个子空间中向前向后搜索Q波和S波峰峰值点位置，根据Q波和S波峰值点位置向前向后搜索QRS波起止点位置；
根据当前心拍的QRS波终点位置在RR间期定义的T波搜索窗口中寻找局部最大值，判断是否存在至少两个局部最大值大于预设阈值，若存在则判断该心拍存在T波，并在各个子空间中寻找该搜索区间内T波的峰值，并搜索T波起止点位置；
根据当前心拍的QRS波起点位置在RR间期定义的P波搜索窗口中寻找局部最大值，判断是否存在至少两个局部最大值大于预设阈值，若存在则判断该心拍存在P波；并在各个子空间中寻找该搜索区间内P波的峰值，并搜索P波起止点位置。
在本发明的一个实施例中，所述QTc值计算模块根据所述波形检测结果计算QTc值的方法包括：
采用如下公式计算QTc值:
QTc＝QT/(RR^0.5)
式中，QT表示所有导联中QRS波群开始的最早时间到T波结束最晚时间之间的时间间隔。
在本发明的一个实施例中，所述模型构建训练模块利用卷积神经网络和注意力机制构建QT间期延长识别模型的方法包括：
将心电信号截取固定长度，得到心电数据；
通过深度可分离卷积层和最大池化层对心电数据中每个导联的数据进行独立的卷积操作；
通过在残差网络结构中加入注意力机制，并利用深度可分离卷积操作提取心电信号中不同尺度下所有导联的深度特征；
提取的特征通过平均池化层和分类层，输出QT间期延长与非延长的概率，构建QT间期延长识别模型。
本发明的上述技术方案相比现有技术具有以下优点：
本发明利用残差网络结构结合注意力机制的算法实现QT间期延长的识别，与基于波形检测定位的算法相比，有效降低了模型的复杂度，避免由于波形定位的准确性影响QT间期延长识别精度的问题，同时实现了端到端的识别，省去了中间环节的人为参与，提升了辅助诊断的便捷性。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。
图1为QT间期示意图。
图2为本发明实施例基于卷积神经网络的QT间期延长识别方法的流程示意框图。
图3为本发明实施例中基于小波变换的特征波形检测算法的效果图。
图4为本发明实施例中结合注意力机制和卷积神经网络算法的QT间期延长识别模型示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
请参阅图2所示，本发明实施例提供一种基于卷积神经网络的QT间期延长识别方法，包括以下步骤：
S1：采集受试者的心电图，对心电信号进行预处理；
S2：对预处理后的心电信号进行波形检测，得到波形检测结果；
S3：根据所述波形检测结果计算QTc值；
S4：利用卷积神经网络和注意力机制构建QT间期延长识别模型，并使用S3得到的数据训练所述QT间期延长识别模型；
S5：使用训练好的QT间期延长识别模型对未知QT间期状态的信号进行预测，实现QT间期延长的识别。
本发明利用残差网络结构结合注意力机制的算法实现QT间期延长的识别，与基于波形检测定位的算法相比，有效降低了模型的复杂度，避免由于波形定位的准确性影响QT间期延长识别精度的问题，同时实现了端到端的识别，省去了中间环节的人为参与，提升了辅助诊断的便捷性。
在本发明实施例公开的一种基于卷积神经网络的QT间期延长识别方法中，S1中利用可穿戴动态心电监护仪采集受试者的心电图，心电信号数据的采样率优选为500HZ。
在本发明实施例公开的一种基于卷积神经网络的QT间期延长识别方法中，S1中对心电信号进行预处理的方法包括：S1-1：对采集到的心电信号进行低通滤波处理，得到去噪后的信号；S1-2：将去噪后的信号划分成固定长度。优选地，时间长度为10s，5000个点。
在本发明实施例公开的一种基于卷积神经网络的QT间期延长识别方法中，S2中对预处理后的心电信号进行波形检测的方法包括：
S2-1：采用二次样条小波对心电信号进行分解，得到各个子空间的波形分量，采用阈值法对R波进行定位；
S2-2：根据R波位置，在各个子空间中向前向后搜索Q波和S波峰峰值点位置，根据Q波和S波峰值点位置向前向后搜索QRS波起止点位置；
S2-3：根据当前心拍的QRS波终点位置在RR间期定义的T波搜索窗口中寻找局部最大值，判断是否存在至少两个局部最大值大于预设阈值，若存在则判断该心拍存在T波，并在各个子空间中寻找该搜索区间内T波的峰值，并搜索T波起止点位置；
S2-4：根据当前心拍的QRS波起点位置在RR间期定义的P波搜索窗口中寻找局部最大值，判断是否存在至少两个局部最大值大于预设阈值，若存在则判断该心拍存在P波；并在各个子空间中寻找该搜索区间内P波的峰值，并搜索P波起止点位置。
综上，对从S1中得到的心电信号采用基于小波变换的特征波形检测算法进行波形检测，定位P波，QRS波群，T波等特征波形的位置。效果如图3所示，算法可以精准的定位每个特征波形的起止点，得到波形检测结果。
在本发明实施例公开的一种基于卷积神经网络的QT间期延长识别方法中，S3中根据所述波形检测结果计算QTc值的方法包括：
采用如下公式计算QTc值:
QTc＝QT/(RR^0.5)
式中，QT表示所有导联中QRS波群开始的最早时间到T波结束最晚时间之间的时间间隔。
在本发明实施例公开的一种基于卷积神经网络的QT间期延长识别方法中，S4中利用卷积神经网络和注意力机制构建QT间期延长识别模型的方法包括：
S4-1：将心电信号截取固定长度，得到心电数据；
S4-2：通过深度可分离卷积层和最大池化层对心电数据中每个导联的数据进行独立的卷积操作；
S4-3：通过在残差网络结构中加入注意力机制，并利用深度可分离卷积操作提取心电信号中不同尺度下所有导联的深度特征；
S4-4：提取的特征通过平均池化层和分类层，输出QT间期延长与非延长的概率，构建QT间期延长识别模型。
具体地，以残差网络结构为基础模型，经注意力模块处理，为学习到的每一维特征赋以不同的权重。并采用4个残差注意力模块，每一个残差注意力模块均采用不同的卷积核，以充分挖掘不同尺度下的信息。具体模型如图4所示。采用深度可分离卷积操作代替传统卷积网络，以充分挖掘每个输入导联的信息，最后融合多尺度多导联的特征，再连接分类层，至此QT间期延长识别模型搭建完成。模型具体结构参数如表1。
表1QT间期延长识别模型具体结构参数
模型参数 设定值
输入层大小 (5000，3)
残差注意力模块数目 4
卷积核大小 1×11、1×7、1×5，1×3
输出特征维度 512
输出维度 2
在本发明实施例公开的一种基于卷积神经网络的QT间期延长识别方法中，S4中所述的模型训练具体过程包括：将处理好的数据和相应标签输入到已构建的QT间期延长识别模型中，其中输入为3导联，训练方法为adam算法，参数设置如下：学习率lr＝0.001, beta_1＝0.9,beta_2＝0.999,epsilon＝1e-08,clipvalue＝0.5；损失函数为交叉熵损失函数；训练模型500轮，得到最终训练好的QT间期延长识别模型。
本发明具有至少以下五点效果：1)不依赖于波形检测及QT间期的具体数值识别QT间期延延长，而是直接运用深度学习实现了端到端的QT间期延长识别筛查；2)基于运用深度可分离卷积代替传统的卷积运算，在减少模型参数的同时，充分提取了每个导联在不同尺度下的特征信息，以提高模型的分类性能；3)采用卷积神经网络构建的端到端的模型，无需波形检测，减少了因波形检测的准确性带来的影响，且简化了QT间延长的识别流程；4)采用残差网络结构和注意力机制融合，在充分提取每个导联信息的同时，对相关性更强的导联增加了权重，进一步提高了模型分类的准确性；5)不同的残差网络层采用不同的卷积核大小，提取了不同尺度下的信号的特征，在提高模型识别准确率的同时也增强了模型的鲁棒性。
下面对本发明实施例公开的一种基于卷积神经网络的QT间期延长识别系统进行介绍，下文描述的一种基于卷积神经网络的QT间期延长识别系统与上文描述的一种基于卷积神经网络的QT间期延长识别方法可相互对应参照。
本发明实施例还提供一种基于卷积神经网络的QT间期延长识别系统，包括：
数据采集模块，所述数据采集模块用于采集受试者的心电图，对心电信号进行预处理；
波形检测模块，所述波形检测模块用于对预处理后的心电信号进行波形检测，得到波形检测结果；
QTc值计算模块，所述QTc值计算模块用于根据所述波形检测结果计算QTc值；
模型构建训练模块，所述模型构建训练模块用于利用卷积神经网络和注意力机制构建 QT间期延长识别模型，并使用QTc值计算模块得到的数据训练所述QT间期延长识别模型；
QT间期延长识别模块，所述QT间期延长识别模块用于使用训练好的QT间期延长识别模型对未知QT间期状态的信号进行预测，实现QT间期延长的识别。
在本发明的一个实施例中，所述波形检测模块对预处理后的心电信号进行波形检测的方法包括：
采用二次样条小波对心电信号进行分解，得到各个子空间的波形分量，采用阈值法对 R波进行定位；
根据R波位置，在各个子空间中向前向后搜索Q波和S波峰峰值点位置，根据Q波和S波峰值点位置向前向后搜索QRS波起止点位置；
根据当前心拍的QRS波终点位置在RR间期定义的T波搜索窗口中寻找局部最大值，判断是否存在至少两个局部最大值大于预设阈值，若存在则判断该心拍存在T波，并在各个子空间中寻找该搜索区间内T波的峰值，并搜索T波起止点位置；
根据当前心拍的QRS波起点位置在RR间期定义的P波搜索窗口中寻找局部最大值，判断是否存在至少两个局部最大值大于预设阈值，若存在则判断该心拍存在P波；并在各个子空间中寻找该搜索区间内P波的峰值，并搜索P波起止点位置。
在本发明的一个实施例中，所述QTc值计算模块根据所述波形检测结果计算QTc值的方法包括：
采用如下公式计算QTc值:
QTc＝QT/(RR^0.5)
式中，QT表示所有导联中QRS波群开始的最早时间到T波结束最晚时间之间的时间间隔。
在本发明的一个实施例中，所述模型构建训练模块利用卷积神经网络和注意力机制构建QT间期延长识别模型的方法包括：
将心电信号截取固定长度，得到心电数据；
通过深度可分离卷积层和最大池化层对心电数据中每个导联的数据进行独立的卷积操作；
通过在残差网络结构中加入注意力机制，并利用深度可分离卷积操作提取心电信号中不同尺度下所有导联的深度特征；
提取的特征通过平均池化层和分类层，输出QT间期延长与非延长的概率，构建QT间期延长识别模型。
本实施例的基于卷积神经网络的QT间期延长识别系统用于实现前述的基于卷积神经网络的QT间期延长识别方法，因此该系统的具体实施方式可见前文中的基于卷积神经网络的QT间期延长识别方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的基于卷积神经网络的QT间期延长识别系统用于实现前述的基于卷积神经网络的QT间期延长识别方法，因此其作用与上述方法的作用相对应，这里不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种基于卷积神经网络的QT间期延长识别方法，其特征在于，包括：
S1：采集受试者的心电图，对心电信号进行预处理；
S2：对预处理后的心电信号进行波形检测，得到波形检测结果；
S3：根据所述波形检测结果计算QTc值；
S4：利用卷积神经网络和注意力机制构建QT间期延长识别模型，并使用S3得到的数据训练所述QT间期延长识别模型；
S5：使用训练好的QT间期延长识别模型对未知QT间期状态的信号进行预测，实现QT间期延长的识别；
其中，S2中对预处理后的心电信号进行波形检测的方法包括：
S2-1：采用二次样条小波对心电信号进行分解，得到各个子空间的波形分量，采用阈值法对R波进行定位；
S2-2：根据R波位置，在各个子空间中向前向后搜索Q波和S波峰峰值点位置，根据Q波和S波峰值点位置向前向后搜索QRS波起止点位置；
S2-3：根据当前心拍的QRS波终点位置在RR间期定义的T波搜索窗口中寻找局部最大值，判断是否存在至少两个局部最大值大于预设阈值，若存在则判断该心拍存在T波，并在各个子空间中寻找该搜索窗口内T波的峰值，并搜索T波起止点位置；
S2-4：根据当前心拍的QRS波起点位置在RR间期定义的P波搜索窗口中寻找局部最大值，判断是否存在至少两个局部最大值大于预设阈值，若存在则判断该心拍存在P波；并在各个子空间中寻找该搜索窗口内P波的峰值，并搜索P波起止点位置。
2.如权利要求1所述的基于卷积神经网络的QT间期延长识别方法，其特征在于：S1中利用可穿戴动态心电监护仪采集受试者的心电图。
3.如权利要求1所述的基于卷积神经网络的QT间期延长识别方法，其特征在于：S1中对心电信号进行预处理的方法包括：
S1-1：对采集到的心电信号进行低通滤波处理，得到去噪后的信号；
S1-2：将去噪后的信号划分成固定长度。
4.如权利要求1所述的基于卷积神经网络的QT间期延长识别方法，其特征在于：S3中根据所述波形检测结果计算QTc值的方法包括：
采用如下公式计算QTc值:
式中，QT表示所有导联中QRS波群开始的最早时间到T波结束最晚时间之间的时间间隔。
5.如权利要求1所述的基于卷积神经网络的QT间期延长识别方法，其特征在于：S4中利用卷积神经网络和注意力机制构建QT间期延长识别模型的方法包括：
S4-1：将心电信号截取固定长度，得到心电数据；
S4-2：通过深度可分离卷积层和最大池化层对心电数据中每个导联的数据进行独立的卷积操作；
S4-3：通过在残差网络结构中加入注意力机制，并利用深度可分离卷积操作提取心电信号中不同尺度下所有导联的深度特征；
S4-4：提取的特征通过平均池化层和分类层，输出QT间期延长与非延长的概率，构建QT间期延长识别模型。
6.一种基于卷积神经网络的QT间期延长识别系统，其特征在于，包括：
数据采集模块，所述数据采集模块用于采集受试者的心电图，对心电信号进行预处理；
波形检测模块，所述波形检测模块用于对预处理后的心电信号进行波形检测，得到波形检测结果；
QTc值计算模块，所述QTc值计算模块用于根据所述波形检测结果计算QTc值；
模型构建训练模块，所述模型构建训练模块用于利用卷积神经网络和注意力机制构建QT间期延长识别模型，并使用QTc值计算模块得到的数据训练所述QT间期延长识别模型；
QT间期延长识别模块，所述QT间期延长识别模块用于使用训练好的QT间期延长识别模型对未知QT间期状态的信号进行预测，实现QT间期延长的识别；
其中，所述波形检测模块对预处理后的心电信号进行波形检测的方法包括：
采用二次样条小波对心电信号进行分解，得到各个子空间的波形分量，采用阈值法对R波进行定位；
根据R波位置，在各个子空间中向前向后搜索Q波和S波峰峰值点位置，根据Q波和S波峰值点位置向前向后搜索QRS波起止点位置；
根据当前心拍的QRS波终点位置在RR间期定义的T波搜索窗口中寻找局部最大值，判断是否存在至少两个局部最大值大于预设阈值，若存在则判断该心拍存在T波，并在各个子空间中寻找该搜索窗口内T波的峰值，并搜索T波起止点位置；
根据当前心拍的QRS波起点位置在RR间期定义的P波搜索窗口中寻找局部最大值，判断是否存在至少两个局部最大值大于预设阈值，若存在则判断该心拍存在P波；并在各个子空间中寻找该搜索窗口内P波的峰值，并搜索P波起止点位置。
7.如权利要求6所述的基于卷积神经网络的QT间期延长识别系统，其特征在于：所述QTc值计算模块根据所述波形检测结果计算QTc值的方法包括：
采用如下公式计算QTc值:
式中，QT表示所有导联中QRS波群开始的最早时间到T波结束最晚时间之间的时间间隔。
8.如权利要求6所述的基于卷积神经网络的QT间期延长识别系统，其特征在于：所述模型构建训练模块利用卷积神经网络和注意力机制构建QT间期延长识别模型的方法包括：
将心电信号截取固定长度，得到心电数据；
通过深度可分离卷积层和最大池化层对心电数据中每个导联的数据进行独立的卷积操作；
通过在残差网络结构中加入注意力机制，并利用深度可分离卷积操作提取心电信号中不同尺度下所有导联的深度特征；
提取的特征通过平均池化层和分类层，输出QT间期延长与非延长的概率，构建QT间期延长识别模型。
CN202211116660.7A 2022-09-14 2022-09-14 基于卷积神经网络的qt间期延长识别方法及系统 Active CN115590524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211116660.7A CN115590524B (zh) 2022-09-14 2022-09-14 基于卷积神经网络的qt间期延长识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211116660.7A CN115590524B (zh) 2022-09-14 2022-09-14 基于卷积神经网络的qt间期延长识别方法及系统

Publications (2)

Publication Number Publication Date
CN115590524A CN115590524A (zh) 2023-01-13
CN115590524B true CN115590524B (zh) 2024-09-24

Family

ID=84843720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211116660.7A Active CN115590524B (zh) 2022-09-14 2022-09-14 基于卷积神经网络的qt间期延长识别方法及系统

Country Status (1)

Country Link
CN (1) CN115590524B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116369931B (zh) * 2023-03-14 2024-05-28 中国人民解放军总医院第一医学中心 基于QTd的心电信号处理方法、装置及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110420022A (zh) * 2019-07-29 2019-11-08 浙江大学 一种基于双密度小波变换的p波检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6856832B1 (en) * 1997-12-25 2005-02-15 Nihon Kohden Corporation Biological signal detection apparatus Holter electrocardiograph and communication system of biological signals
CA2996196C (en) * 2015-08-31 2024-06-11 Masimo Corporation Wireless patient monitoring systems and methods
US12097035B2 (en) * 2018-05-08 2024-09-24 Alivecor, Inc. Systems and methods of QT interval analysis
CN109171711A (zh) * 2018-11-14 2019-01-11 中国计量大学 一种基于极值法的快速p波检测方法
CN109620214B (zh) * 2018-12-07 2020-09-25 上海数创医疗科技有限公司 基于人工智能技术的心电信号st段自动判断方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110420022A (zh) * 2019-07-29 2019-11-08 浙江大学 一种基于双密度小波变换的p波检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于小波变换的QT检测;王立传;陈裕泉;;传感技术学报;20060630(第03期);说明书第1-4部分 *

Also Published As

Publication number Publication date
CN115590524A (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
Zhai et al. Automated ECG classification using dual heartbeat coupling based on convolutional neural network
Wang et al. Arrhythmia classification algorithm based on multi-head self-attention mechanism
Li et al. Patient-specific ECG classification by deeper CNN from generic to dedicated
CN103110417B (zh) 一种心电图自动识别系统
CN103815897B (zh) 一种心电图特征提取方法
CN113095302B (zh) 用于心律失常分类的深度模型、利用该模型的方法及装置
CN106725428A (zh) 一种心电信号分类方法及装置
CN111631705A (zh) 心电异常检测方法、模型训练方法、装置、设备及介质
CN113440149B (zh) 一种基于十二导联心电数据二维化的多输入残差神经网络的ecg信号分类方法
CN114052744B (zh) 基于脉冲神经网络的心电信号分类方法
Chen et al. Region aggregation network: improving convolutional neural network for ECG characteristic detection
CN108294745A (zh) 多导联心电图信号中p波、t波起止点检测方法及系统
CN109077720B (zh) 信号处理方法、装置、设备和存储介质
CN109259756B (zh) 基于非平衡训练的二级神经网络的ecg信号处理方法
Yang et al. Heartbeat classification using discrete wavelet transform and kernel principal component analysis
CN112971800B (zh) 基于深度学习的心电早搏信号处理方法、模块和装置
CN115590524B (zh) 基于卷积神经网络的qt间期延长识别方法及系统
Shukri et al. Investigation on Elman neural network for detection of cardiomyopathy
Jaiswal et al. Artificial neural network for ECG classification
Rao et al. Performance identification of different heart diseases based on neural network classification
Mandal et al. Prediction of atrial fibrillation based on nonlinear modeling of heart rate variability signal and SVM classifier
Puszkarski et al. N-beats for heart dysfunction classification
Rana et al. A lightweight dnn for ecg image classification
Lv et al. Arrhythmia classification of merged features method based on SENet and BiLSTM
Kar et al. A technical review on statistical feature extraction of ECG signal

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant