阅读说明：本技术 一种基于ecg信号的房颤监测方法 (Atrial fibrillation monitoring method based on ECG (ECG) signals ) 是由 代超 何帆 周振 于 2019-11-19 设计创作，主要内容包括：本发明公开了一种基于ECG信号的房颤监测方法,涉及心电图分析技术领域,本发明包括将心电图12导联ECG原始信号描绘在同一张画布上,保存为ECG信号图片；标记ECG信号图片中的波形以及R波高峰,利用深度卷积神经网络对预设识别模型进行训练,得到R波识别模型；根据R波位置找到R波高峰,根据R波高峰位置得到位置序列向量V,进而得到R-R间期的差值向量V1；根据差值向量V1进行标记,若判定为房颤则记为1,否则记为0,进而得到判定结果集合；利用分类器对结果集合进行分类训练,得到房颤识别模型；利用R波识别模型和房颤识别模型对新的心电图12导联ECG原始信号进行识别,进而监测出该段心电图是否有房颤,本发明具有能快速判断是否有房颤的优点。(The invention discloses an atrial fibrillation monitoring method based on ECG signals, which relates to the technical field of electrocardiogram analysis, and comprises the steps of drawing 12-lead ECG original signals on the same canvas and storing the signals as ECG signal pictures; marking waveforms and R wave peaks in an ECG signal picture, and training a preset identification model by using a deep convolutional neural network to obtain an R wave identification model; finding an R wave peak according to the R wave position, obtaining a position sequence vector V according to the R wave peak position, and further obtaining a difference vector V1 of an R-R interval; marking according to the difference vector V1, if the atrial fibrillation is judged, marking as 1, otherwise, marking as 0, and further obtaining a judgment result set; carrying out classification training on the result set by using a classifier to obtain an atrial fibrillation recognition model; the R wave identification model and the atrial fibrillation identification model are utilized to identify the new electrocardiogram 12-lead ECG original signal so as to monitor whether atrial fibrillation exists in the section of electrocardiogram.)

一种基于ECG信号的房颤监测方法

技术领域

本发明涉及心电图分析技术领域，更具体的是涉及一种基于ECG信号的房颤监测方法。

背景技术

ECG信号为心电图仪采集到的心电信号，通常称之为心电图，心电图中的每一个心动循环周期由一系列有规律的波形组成，它们分别是P波、QRS复合波和T波，而这些波形的起点、终点、波峰、波谷以及期间分别记录着心脏活动状态的详细信息，为心脏疾病的诊断提供着重要的分析依据。正常的人在正常情况下，心动周期为0.80s左右，即ECG信号的周期为0.80s左右。

P波由心房的激动所产生，后一半主要由左心房产生，正常的P波历时0.08s到0.11s，其波形小而圆；QRS复合波反映左右心室去极化过程的电位变化，QRS波群是心电图中变化最为激烈的波段，由三个紧密相连的波组成，第一个为波形向下的Q波，接着是波形向上的高而尖的R波，最后一个是向下的S波，QRS波群一般历时0.06s到0.10s，其波形的幅度变化比较大；T波代表心室复极化过程的电位变化，是继S波后的一个振幅较低的波，波形呈现扁平形状，在R波为主的心电图上，T波不应太低；U波位于T波之后，代表心室后继电位，同T波方向一致，幅度较T波低，有时波形不明显。

目前通常是通过ECG一维信号：时间和幅值，作为识别系统的输入，让模型对序列信号进行识别，但由于在任何时候，PQRS波的形态变异相对较小，现有的模型很难对序列信号进行识别，并且目前大多是采用单导联或者少数导联进行识别，对信息的利用率较低。

发明内容

本发明的目的在于：为了解决由于PQRS波的形态变异相对较小，目前识别系统的模型对ECG一维信号的识别存在困难的问题，本发明提供一种基于ECG信号的房颤监测方法。

本发明为了实现上述目的具体采用以下技术方案：

一种基于ECG信号的房颤监测方法，包括：

S1、训练得到R波识别模型：

S1.1：获取心电图12导联ECG原始信号，对其进行预处理后全部描绘在同一张画布上，然后将画布保存为ECG信号图片；

S1.2：标记ECG信号图片中的每一个波形以及R波高峰，将ECG信号图片输入预设识别模型，利用深度卷积神经网络对预设识别模型进行训练，得到输出为R波位置的R波识别模型；

S2、训练得到房颤识别模型：

S2.1：根据R波位置找到R波高峰，根据R波高峰位置得到位置序列向量V，对位置序列向量V进行计算得到R-R间期的差值向量V1；

S2.2：根据差值向量V1进行标记，若判定为房颤则记为1，否则记为0，进而得到判定结果集合；

S2.3：利用分类器对结果集合进行分类训练，得到用以判断房颤的房颤识别模型；

S3、判断识别：

利用R波识别模型和房颤识别模型对新的心电图12导联ECG原始信号进行识别，进而监测出该段心电图是否有房颤。

进一步的，所述S1.1中，将心电图12导联ECG原始信号进行预处理具体为：首先滤除杂波，然后去基线得到较好的波形，并且对心率进行归一化处理。

进一步的，所述S1.1中，将预处理后的心电图12导联ECG原始信号描绘在画布上时，x轴设定为时间轴，y轴设定为幅度值。

进一步的，所述S1.2中，R波高峰标记为所在的时间点数值，其余的点标记为0。

进一步的，所述S1.2中，训练采用深度卷积神经网络进行分类，训练所采用的深度卷积神经网络包括但不限于VGG网络模型或ZF网络模型。

进一步的，所述S2.1中，预设位置序列向量V的长度为k，位置序列向量V为R₁,R₂,…,R_n，当n<k时，向位置序列向量V补零。

进一步的，所述差值向量V1为(R₂-R₁)/(R₂+R₁),(R₃-R₂)/(R₃+R₂),…,(R_n-R_n-1)/(R_n+R_n-1)。

进一步的，所述S2.3中，所述分类器为Bi-LSTM模型。

进一步的，所述S3具体为：通过S1.1对新的心电图12导联ECG原始信号进行处理得到待识别ECG信号图片，利用R波识别模型找出待识别ECG信号图片的R波位置，通过S2.1得到新的差值向量V1，利用房颤识别模型对新的差值向量V1进行识别，进而监测出该段心电图是否有房颤。

进一步的，所述R波识别模型找出R波位置后，通过滑动窗口截取出R波小图片，进而找到R波高峰。

本发明的有益效果如下：

1、本发明将ECG原始信号全部描绘在同一张画布上，然后将画布保存为ECG信号图片，通过标记ECG信号图片中的每一个波形，进行R波提取，能够快速精准地找出R波，进而快速判断对应心电图是否存在房颤。

2、本发明采用12导联进行识别，能够最大化利用已有信息，对是否存在房颤进行快速判断。

附图说明

图1是本发明

具体实施方式

的ECG信号图片示意图。

具体实施方式

为了本技术领域的人员更好的理解本发明，下面结合附图和以下实施例对本发明作进一步详细描述。

实施例1

如图1所示，本实施例提供一种基于ECG信号的房颤监测方法，包括：

S1、训练得到R波识别模型：

S1.1：获取心电图12导联ECG原始信号，对其进行预处理后全部描绘在同一张画布上，然后将画布保存为ECG信号图片；

所述预处理具体为：首先滤除杂波，然后去基线得到较好的波形，并且对心率进行归一化处理；将预处理后的心电图12导联ECG原始信号描绘在画布上时，x轴设定为时间轴，y轴设定为幅度值；

S1.2：标记ECG信号图片中的每一个波形以及R波高峰，R波高峰标记为所在的时间点数值，其余的点标记为0，将ECG信号图片输入预设识别模型，利用深度卷积神经网络对预设识别模型进行训练，训练所采用的深度卷积神经网络为VGG网络模型或ZF网络模型，得到输出为R波位置的R波识别模型；

S2、训练得到房颤识别模型：

S2.1：R波识别模型找出R波位置后，通过滑动窗口截取出R波小图片，进而找到R波高峰，根据R波高峰位置得到位置序列向量V，对位置序列向量V进行计算得到R-R间期的差值向量V1，本实施例中预设位置序列向量V的长度为k，位置序列向量V为R₁,R₂,…,R_n，当n<k时，向位置序列向量V补零；

所述差值向量V1为(R₂-R₁)/(R₂+R₁),(R₃-R₂)/(R₃+R₂),…,(R_n-R_n-1)/(R_n+R_n-1)；

S2.2：根据差值向量V1进行标记，若判定为房颤则记为1，否则记为0，进而得到判定结果集合；

S2.3：利用分类器对结果集合进行分类训练，得到用以判断房颤的房颤识别模型，所述分类器为Bi-LSTM模型；

S3、判断识别：

利用R波识别模型和房颤识别模型对新的心电图12导联ECG原始信号进行识别，进而监测出该段心电图是否有房颤，具体为：

通过S1.1对新的心电图12导联ECG原始信号进行处理得到待识别ECG信号图片，利用R波识别模型找出待识别ECG信号图片的R波位置，通过S2.1得到新的差值向量V1，利用房颤识别模型对新的差值向量V1进行识别，进而监测出该段心电图是否有房颤。

本实施例将ECG原始信号全部描绘在同一张画布上，然后将画布保存为ECG信号图片，通过标记ECG信号图片中的每一个波形，进行R波提取，能够快速精准地找出R波，进而快速判断对应心电图是否存在房颤。

以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。