阅读说明：本技术 一种心电信号qrs波群定位方法及装置 (A kind of electrocardiosignal QRS wave group localization method and device ) 是由 罗伟 朱涛 李毅 于 2019-08-16 设计创作，主要内容包括：本发明涉及心电信号技术领域,公开了一种心电信号QRS波群定位方法及装置,其中方法包括以下步骤：分别以两组大小不同的数据段作为输入对神经网络进行训练,得到两个标签预测模型；以两个标签预测模型的预测结果作为输入对神经网络进行训练,得到融合预测模型；根据两个所述标签预测模型以及所述融合预测模型进行病例数据的QRS波群定位。本发明具有适用范围广、定位精度高的技术效果。(The present invention relates to electrocardiosignal technical fields, disclose a kind of electrocardiosignal QRS wave group localization method and device, wherein method the following steps are included: respectively using two groups of data segments of different sizes as input neural network is trained, obtain two Tag Estimation models；Neural network is trained using the prediction result of two Tag Estimation models as input, obtains fusion forecasting model；The QRS complex positioning of case data is carried out according to two Tag Estimation models and the fusion forecasting model.The present invention has technical effect applied widely, positioning accuracy is high.)

一种心电信号QRS波群定位方法及装置

技术领域

本发明涉及心电信号技术领域，具体涉及一种心电信号QRS波群定位方法及装置。

背景技术

心电诊断中，QRS波群的定位具有非常重要的作用。神经网络作为一种广泛应用的数学模型，也逐渐被应用至心电信号处理中。采用神经网络进行QRS波群的定位具有定位精度高，定位效率快的优点。但是，由于训练样本有限，目前通过神经网络进行训练得到的定位模型在对一些特殊病例数据进行识别时，即与训练样本差异较大的病例数据进行识别时，准确率会发生大幅下降，导致定位模型的适用面较窄，整体精度被拉低。

发明内容

本发明的目的在于克服上述技术不足，提供一种心电信号QRS波群定位方法及装置，解决现有技术中通过训练神经网络进行QRS波群定位时，对病例数据的适用面窄，整体精度低的技术问题。

为达到上述技术目的，本发明的技术方案提供一种心电信号QRS波群定位方法，包括以下步骤：

分别以两组大小不同的心电信号数据段作为输入对神经网络进行训练，得到两个标签预测模型；

以两个标签预测模型的预测结果作为输入对神经网络进行训练，得到融合预测模型；

根据两个所述标签预测模型以及所述融合预测模型进行病例数据的QRS波群定位。

本发明还提供一种心电信号QRS波群定位装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述心电信号QRS波群定位方法。

与现有技术相比，本发明的有益效果包括：本发明采用不同大小的数据段作为输入进行神经网络的训练，从而得到两个不同的标签预测模型。较大数据段训练得到的标签预测模型适用于心率较慢、QRS波较宽的病例数据，较小的数据段训练得到的标签预测模型适用于心率较快、QRS波较窄的病例数据。以两个标签预测模型的预测结果作为输入再次进行神经网络的训练，得到融合预测模型。由于融合预测模型基于两个不同的标签预测模型建立，因此融合预测模型适用于各种不同病例数据的预测定位，适用面宽，且对于各种不同病例数据的预测定位均可达到较高的精确度，从而提升了整体的预测精度。

附图说明

图1是本发明提供的心电信号QRS波群定位方法一实施方式的流程图；

图2是本发明提供的心电信号QRS波群定位方法一实施方式的预测结果图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

如图1所示，本发明的实施例1提供了心电信号QRS波群定位方法，以下简称本方法，包括以下步骤：

S1、分别以两组大小不同的心电信号数据段作为输入对神经网络进行训练，得到两个标签预测模型；

S2、以两个标签预测模型的预测结果作为输入对神经网络进行训练，得到融合预测模型；

S3、根据两个所述标签预测模型以及所述融合预测模型进行病例数据的QRS波群定位。

本实施例采用不同大小的两组数据段作为输入进行神经网络的训练，从而得到两个不同的标签预测模型。较大数据段训练得到的标签预测模型适用于心率较慢、QRS波较宽的病例数据，较小的数据段训练得到的标签预测模型适用于心率较快、QRS波较窄的病例数据。以两个标签预测模型的预测结果作为输入再次进行神经网络的训练，得到融合预测模型。由于融合预测模型基于两个不同的标签预测模型建立，因此融合预测模型适用于各种不同病例数据的预测定位，适用面宽，且对于各种不同病例数据的预测定位均可达到较高的精确度，从而提升了整体的预测精度。

具体的，本实施例中，样本数据采样频率为500HZ，一组数据段的切割大小为0.25s，即切割大小为125个单位长度，另一组数据段的切割大小为0.15s，即切割大小为75个单位。以125个单位长度的数据段训练出来的标签预测模型model_125能够检测出绝大部分的qrs波群，但是在心率较快，qrs波宽度比较窄的情况下，标签预测模型model_125会有漏检qrs波群的现象发生。针对这一缺陷，本实施例又采用75个单位长度的数据段进行训练得到标签预测模型model_75。虽然标签预测模型model_75的QRS波群检测效果不如标签预测模型model_125，稳定性也没有标签预测模型model_125好，但是在qrs波宽度<100ms较小的情况下，其精度要优于标签预测模型model_125。因此本实施例提出了用标签预测模型model_75辅助进行检测，将标签预测模型model_125的预测结果pre_125和标签预测模型model_75的预测结果pre_75作为输入，再次进行神经网络的训练，从而得到一种集两种标签预测模型之长的融合预测模型model_C，使得融合预测模型model_C适应于不同宽度的QRS波群的检测，在不同宽度的QRS波群的检测中均可保持较高精度。

本发明具有适用范围广、定位精度高的技术效果。

优选的，分别以两组大小不同的数据段作为输入对神经网络进行训练，得到两个标签预测模型，具体为：

采集多条心电信号构建样本数据集，标定每一条样本数据；

以不同的切割大小对每一条样本数据进行切割，得到所述两组大小不同的数据段；

分别为每一数据段添加体现其是否包含QRS波群的训练标签；

分别以两组所述数据段作为输入对神经网络进行训练，得到两个标签预测模型。

本优选实施例首先对心电信号的样本数据进行标定，标定后对其进行切割，以不同切割大小将样本数据集切割为两组大小不同的数据段，通过切割操作将QRS波群定位判断转换为数据段是否包含QRS波群的判断。为每一个数据段添加训练标签值，从而通过训练标签值体现数据段是否包含QRS波群，再结合神经网络对两组数据段分别进行训练，得到两个不同的标签预测模型，根据标签预测模型可获取到数据段的预测标签值，根据预测标签值即可获知数据段是否包括QRS波群。

优选的，以不同的切割大小对每一条样本数据进行切割，得到两组大小不同的数据段，具体为：

以设定步长以及第一设定大小等间隔等大小切割每一条所述样本数据，得到第一组数据段；

以设定步长以及第二设定大小等间隔等大小切割每一条所述样本数据，得到第二组数据段。

具体的，样本数据采样频率为500HZ，第一设定大小为0.25s，即切割大小为125个单位长度，选定切割步长为5个单位长度，后文中均以单位长度个数来描述切割大小以及切割步长。0.25s是根据人体心电信号周期的范围来确定的，人体心电信号的心率为30--300bpm之间，也即为单个心电周期的长度为0.2s--2s，一般QRS波群宽度0.12-0.2s之间，选择数据切割窗的大小需要稍微大于QRS波群的宽度，通过实验发现选择数据切割窗的大小在0.25s左右时，检测效果最优。整段样本数据signal的长度个数为5000个，那么切割后的第一组数据段为：signal[1，2，…，125]、signal[6，7，…，130]、···signal[4876，4877，…，5000]。第二设定大小为0.15s，即切割大小为75个单位长度，选定切割步长为5个单位长度，整段样本数据signal的长度个数为5000个，那么切割后的第二组数据段为：signal[1，2，…，75]、signal[6，7，…，80]、···signal[4925，4926，…，5000]。

优选的，标定样本数据，具体为：

标定所述样本数据的R波峰位置。

本优选实施例通过人工标定的方法标定R波峰位置，当标定的R波峰位置与实际的R波峰位置的距离不超过QRS波群的大小，即可判定为标定有效。

优选的，为数据段添加体现其是否包含QRS波群的训练标签，具体为：

以距离所述数据段最近的R波峰位置为中心，在所述样本数据上切割出与所述数据段相同大小的参考段；

计算所述数据段与其参考段的IOU值；

根据所述IOU值为所述数据段添加训练标签值。

优选的，根据所述IOU值对所述数据段添加训练标签值，具体为：

当所述IOU值小于第一设定阈值时，为所述数据段添加无QRS波标签值；

当所述IOU值大于第二设定阈值时，为所述数据段添加有QRS波标签值；

当所述IOU值大于所述第一设定阈值且小于所述第二设定阈值时，不进行标签添加。

本优选实施例引入了IOU，即Intersection over Union的概念，IOU是一种测量在特定数据集中检测相应物体准确度的一个标准。通过IOU来确定切割后的样本数据段中，哪些样本数据段是正样本，即包含QRS波群段，哪些样本数据段是负样本，即不包含QRS波群段，利于后续的训练。为了保证数据有效性。对整条样本数据进行切割后，对切割后的样本数据段计算与其参考段的IOU值。其中：参考段的大小与样本数据段相同，参考段中点位于标定距离样本数据段最近的的R波峰位置处，首尾分别为基于中点往前和往后平移“窗口大小除以2减1”个点，第一组数据段的参考段平移125/2-1＝62个单位长度，第二组数据段的参考段平移75/2-1＝37个单位长度。第一设定阈值取0.3，第二设定阈值取0.7，无QRS波标签值取0，有QRS波标签值取1。当IOU值∈[0.3，0.7]时，将该条样本数据段舍弃，不作为训练样本，因此不进行标签的添加；当IOU＜0.3时，标定该条样本数据段对应标签为0，说明此条样本数据段中无QRS波群；当IOU>0.7时，标定该条样本数据段对应标签为1，说明此条样本数据段中含有QRS波群。

优选的，以两个标签预测模型的预测结果作为输入对神经网络进行训练，得到融合预测模型，具体为：

将两个所述标签预测模型的预测结果修改为大小一致后输入所述神经网络进行训练，得到所述融合预测模型。

样本数据长度为5000，两组数据段的宽度分别为125与75，切割步长为5，标签预测模型model_125的预测结果pre_125的大小为：(5000-125)/5+1＝976，标签预测模型model_75的预测结果pre_75的大小为：(5000-75)/5+1＝986。将预测结果pre_125前后分别补0，与预测结果pre_75的维度一致，得到预测结果pre_125表示为A＝[a1，a2...，a986]，预测结果pre_75表示为B＝[b1，b2...，b986]。将大小一致的两个预测结果融合得到C＝[a1，b1，a2，b2，...，a986，b986]。将融合得到的输入数据C＝[a1，b1，a2，b2，...，a986，b986]作为输入进行训练，得到融合预测模型。

优选的，两个所述标签预测模型采用的神经网络为ResNet神经网络，所述融合预测模型采用的神经网络为GRU神经网络。

得到两组数据段以及相应的训练标签值后，本优选实施例通过32层的ResNet神经网络进行训练。ResNet神经网络有一维卷积结构、二维卷积结构以及多维卷积结构，本实施例应用的ResNet神经网络是一维卷积结构。

融合预测模型model_C采用的是常见的GRU神经网络，GRU神经网络的优点是：能够对输入数据序列的前后进行综合考虑，融合得到的输入数据序列C＝[a1，b1，a2，b2，...，a986，b986]的前后刚好是两种不同的标签预测模型的预测结果，因此在训练过程中，能够提取输入数据序列C中的前后数据点的关系特征，能够改善单独采用标签预测模型model_125进行预测时出现的窄qrs波群漏检的情况。

优选的，根据两个所述标签预测模型以及所述融合预测模型进行病例数据的QRS波群定位，具体为：

以所述第一设定大小切割所述病例数据得到第一组病例数据段，以所述第二设定大小切割所述病例数据得到第二组病例数据段，将所述第一组病例数据段和第二组病例数据段分别输入对应的标签预测模型，得到第一预测标签值和第二预测标签值；

将所述第一预测标签值和第二预测标签值输入所述融合预测模型得到融合预测标签值；

将所述融合预测标签值与所述训练标签值比较，判断相应病例数据段是否包含QRS波群，得到包含QRS波群的病例数据段。

得到融合预测模型后，即可获得病例数据段的融合预测标签值，根据融合预测标签值即可判断相应病例数据段是否包含QRS波群，从而实现QRS波群的定位。

具体的，对于第一标签预测模型，将病例数据切割成大小为125个单位长度的病例数据段，病例数据的切割需符合第一标签预测模型建立时的IOU标准。分别将各125个单位长度的病例数据段输入到训练好的第一标签预测模型中进行标签值的预测，得到的第一标签预测值。对于第二标签预测模型，将病例数据切割成大小为75个单位长度的病例数据段，病例数据的切割需符合第二标签预测模型建立时的IOU标准。分别将各75个单位长度的病例数据段输入到训练好的第二标签预测模型中进行标签值的预测，得到的第二标签预测值。将第一标签预测值和第二标签预测值输入融合预测模型的融合预测标签值。本实施例中融合预测标签值c_out＝[0，0，0，1，1，1，0，0，....，0，0，1]，其中，0和1均为预测标签值，0代表该数据段不包括qrs波群，1代表该数据段包括qrs波群。c_out中值为1对应的标号分别为：4，5，6，....，986，由于切割步长为5，那么经过换算其在原始信号对应的标号为：20，25，30，....，4930，从而得到包含QRS波群的病例数据段，实现QRS波群的定位。

具体地：以下通过编号为100的病例预测结果进行演示，如图2所示。

图2中示出了第一标签预测模型model_125、第二标签预测模型model_75、融合预测模型model_C对同一病例数据进行QRS定位的输出结果。

图2中，label为输出的数据标签，为了方便识别，对label值进行放大3倍处理，显示幅值为3。显示幅值为2的是model_125的预测结果；显示幅值为1的是model_75的预测结果；显示幅值为4的是model_C的预测结果；

从图2可以看出，与数据标签进行比对，单独采用第一标签预测模型model_125或第二标签预测模型model_75进行定位QRS波群时，容易引起误检。具体如图2中x轴在200、400、700等处的情况。而经过融合预测模型model_C后的输出结果能够极大减少该类情况的发生，通过后期结果处理后，融合预测模型model_C在QRS定位上表现更加优秀。

实施例2

本发明的实施例2提供了心电信号QRS波群定位装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现以上实施例提供的心电信号QRS波群定位方法。

本发明提供的心电信号QRS波群定位装置，用于实现心电信号QRS波群定位方法，因此，上述心电信号QRS波群定位方法所具备的技术效果，心电信号QRS波群定位装置同样具备，在此不再赘述。

具体的，本实施例中心电信号QRS波群定位方法包括以下步骤：

分别以两组大小不同的数据段作为输入对神经网络进行训练，得到两个标签预测模型；

以两个标签预测模型的预测结果作为输入对神经网络进行训练，得到融合预测模型；

根据两个所述标签预测模型以及所述融合预测模型进行病例数据的QRS波群定位。

以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。