阅读说明：本技术 一种基于目标检测的r波识别方法及装置 (R wave identification method and device based on target detection ) 是由 王瑶 朱涛 于 2020-06-28 设计创作，主要内容包括：本发明涉及心电信号R波识别技术领域,公开了一种基于目标检测的R波识别方法,包括以下步骤：采集心电信号,根据所述心电信号绘制心电图；在所述心电图中R波位置处打上标注框,得到样本数据集；采用所述样本数据集对目标检测网络进行训练,得到目标检测模型；根据所述目标检测模型对待测心电信号的R波位置进行识别。本发明具有心电信号R波识别效果不依赖于心电信号的信号处理过程的技术效果。(The invention relates to the technical field of electrocardiosignal R wave identification, and discloses an R wave identification method based on target detection, which comprises the following steps: acquiring electrocardiosignals, and drawing an electrocardiogram according to the electrocardiosignals; marking a marking frame at the position of the R wave in the electrocardiogram to obtain a sample data set; training a target detection network by adopting the sample data set to obtain a target detection model; and identifying the R wave position of the electrocardiosignal to be detected according to the target detection model. The invention has the technical effect that the R wave recognition effect of the electrocardiosignals does not depend on the signal processing process of the electrocardiosignals.)

一种基于目标检测的R波识别方法及装置

技术领域

本发明涉及心电信号R波识别技术领域，具体涉及一种基于目标检测的R波识别方法、装置以及计算机存储介质。

背景技术

现今对ECG信号(心电信号)进行识别的主要出发点即确定其中的QRS波，而其中最为重要的就是准确找到R波位置。目前广泛使用的R波识别方法有：应用广泛的PT算法(Pan-Tompkins)、新型的诸如基于幅值和斜率的R波识别技术、采用采样点二阶差分值提取特征对R波进行识别等方法。

现有技术中，差分阈值、小波变换或者是波形特征识别等方法，对ECG信号质量要求都较高。如果识别到的ECG信号误差情况较严重时，识别的准确率也将大大降低。所以在实行上述方法之前都需要对心电信号波形进行多重信号处理，识别效果严重依赖信号处理效果。

发明内容

本发明的目的在于克服上述技术不足，提供一种基于目标检测的R波识别方法、装置以及计算机存储介质，解决现有技术中R波识别精度依赖于心电信号处理效果的技术问题。

为达到上述技术目的，本发明的技术方案提供一种基于目标检测的R波识别方法，包括以下步骤：

采集心电信号，根据所述心电信号绘制心电图；

在所述心电图中R波位置处打上标注框，得到样本数据集；

采用所述样本数据集对目标检测网络进行训练，得到目标检测模型；

根据所述目标检测模型对待测心电信号的R波位置进行识别。

本发明还提供一种基于目标检测的R波识别装置，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，实现所述基于目标检测的R波识别方法。

本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现所述基于目标检测的R波识别方法。

与现有技术相比，本发明的有益效果包括：本发明首先根据心电信号绘制心电图，将心电信号转换为图像信号，从而也将对心电信号识别问题转换图像识别问题。而目标检测技术在图像处理上的应用具有较高的准确率，因此将R波识别问题转换为了图像识别问题后，即可采用目标检测技术对对心电图中R波位置处的目标框进行识别，进而实现R波位置的识别结果。本发明基于目标检测进行R波位置识别，目标检测具有较高的识别准确率，因此识别时对心电信号质量要求较低，R波识别效果并不严重依赖于信号处理手段。在应用时，由于不需要信号处理，因此识别速率快，可以边采集边识别，实现实时识别。

附图说明

图1是本发明提供的基于目标检测的R波识别方法一实施方式的流程图。

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提供了基于目标检测的R波识别方法，包括以下步骤：

S1、采集心电信号，根据所述心电信号绘制心电图；

S2、在所述心电图中R波位置处打上标注框，得到样本数据集；

S3、采用所述样本数据集对目标检测网络进行训练，得到目标检测模型；

S4、根据所述目标检测模型对待测心电信号的R波位置进行识别。

目前，目标检测深度学习技术主要应用在图像处理上，诸如人脸识别，行走识别等，在这些领域已经取得了不错的成果，能够实现较高的准确率。本发明实施例基于这一点，先将心电信号转换成图片形式，然后将目标检测技术应用到心电信号识别中，实现对R波位置的识别。而且，将心电信号转换成图片形式更符合医生的诊断场景，将目标检测与心电图两者结合起来，更有利于发挥优势，提高R波检测准确率。

具体的，首先采集所需ECG信号，即心电信号。本发明实施例对采集的心电信号质量不做要求，优选尽可能丰富所采集的心电信号的种类，使得样本数据集包含不同情况下采集到的心电信号，以提高模型训练复杂度，使得训练得到的目标检测模型可以应对多样的心电图，在实际应用时适应面更广。

虽然本实施例对心电信号质量不做要求，识别效果也不依赖于心电信号质量，但是，在建模之前对心电信号进行信号处理，肯定是有利于提高模型的识别准确率的。因此，用户可以根据需求选择是否进行信号处理，如果对识别准确率要求较高，则优选进行信号处理，如果对识别速率要求较高，则优选不进行信号处理。信号处理包括基线滤波、肌电干扰等。

在采集到心电信号后，根据采集的心电信号绘制心电图，从而实现心电信号的可视化，一方面便于后续从图像处理的角度进行心电信号识别，另一方面便于医生直接对可视化的心电图进行R波标注。

将心电信号转换为心电图后，对心电图上R波位置处打标注框，从而得到训练用样本数据。采用样本数据对目标检测网络进行训练，得到能对心电图中R波位置进行识别的目标检测模型，从而实现对心电信号的R波识别。本发明中目标检测网络可以采用任意一种目标检测类深度学习网络实现，诸如Mask-RCNN、RCN、Faster-rcnn等。在图像识别中对目标框的识别已取得较好成果，此处运用在R波位置处的目标框的识别中，设置好基础参数以及评价指标，采用上一步已经标注好的心电图，输入到模型中，训练模型即可。

通过目标检测算法得到目标检测模型后，即可根据目标检测模型检测待测心电信号的R波位置处的目标框，根据目标框坐标得到R波位置。

识别出R波后，根据需求，可以根据R波进一步确定QRS波位置、P波位置等。

本发明基于图像的目标检测进行R波位置识别，由于目标检测具有较高的识别准确率，因此在进行R波识别时对心电信号质量要求较低，R波识别效果并不严重依赖于信号处理手段，由此可以减少信号处理技术的难度，提高算法处理速度。在应用时，无需进行信号处理，因此识别速率快，可以边采集边识别，实现实时识别。

优选的，采集心电信号，根据所述心电信号绘制心电图，还包括：

提高所述心电图的图像像素。

提高心电图的图像像素，可以提高心电图的图像质量，有利于进一步提高目标检测模型的检测精度。可以采用RAISR等超分辨率图像技术，将低分辨率图像转换为高分辨率图像、从而提高图像像素，保证图像质量。

优选的，在所述心电图中R波位置处打上标注框，具体为：

以R波位置作为基准点，在所述基准点前后固定距离处打上所述标注框。

根据医生标注的R波位置，以R波位置为基准点，以基准点前后固定距离确定标注框。标注框的宽度，即时长，根据人类心率的正常范围进行设置。具体的，心率正常范围一般为1分钟60-100次，因此每次时长为0.6-1.0秒，则标注框的宽度在0.6-1.0秒范围之内。本实施例取0.7秒。因此在基准点前后各取0.35s范围，作为标注框范围，在标注框范围处打上标注框，形成一个以R波为中间点的标注框。

优选的，采用所述样本数据集对目标检测网络进行训练，得到目标检测模型，具体为：

以所述心电图作为输入，以所述标注框作为输出，对所述目标检测网络进行训练，得到所述目标检测模型。

优选的，本方法还包括；

将所述样本数据集分为两部分，得到第一样本数据集和第二样本数据集；

采用所述第一样本数据集对目标检测网络进行训练，得到所述目标检测模型；

将所述第二样本数据集中的心电图输入所述目标检测模型，得到R波的预测框，根据所述预测框获取R波位置的预测坐标，生成R-R间期预测序列；

根据所述第二样本数据集中心电图上的标注框获取R波位置的标注坐标，生成R-R间期标注序列；

根据所述R-R间期标注序列判断所述R-R间期预测序列的预测正确性，并生成R波位置的判断序列；

以R-R间期预测序列作为输入，以所述判断序列作为输出，对回归模型进行训练，得到R波校正模型；

结合所述目标检测模型以及R波校正模型对待测心电信号的R波位置进行识别。

噪声较大的心电图存在大量凸出波形，不属于R波，但在形态上跟R波有相似之处，因此，仅仅基于目标检测进行R波识别时，收到噪声影响，仍然可能出现误识别的问题，影响识别精度。因此本实施例在目标检测的基础之上，采用回归模型训练的方法对目标检测结果进行进一步修正。

纵观完整心电图，可以根据R波位置计算R-R间期，从而得到这一段心电信号的心率值。人的心率值都是有一定的范围，哪怕是心动过速也是有规律可以循，而不是随意变换，因此间距过近或过远的R波位置所得到的心率值不符合现今统计得到的人类心率范围，应该将其删除。本实施例正是利用这一点对目标检测模型得到的识别结果进行修正。具体做法是，将样本数据集中样本数据分为两部分，一部分用户训练目标检测模型，另一部分输入已经完成训练的目标检测模型中，得到预测结果，即R波的预测框。根据标注框标注时，标注框的边界距离R波的固定距离，获取R波的位置坐标。例如，本实施例中，R波位置位于标注框的中心，因此取R波的预测框在时间轴方向上的中点坐标，作为R波位置的预测坐标，综合整张心电图所有R波的预测坐标得到R-R间期预测序列。采用同样的方法，利用样本数据中已经标注好的标注框，可以得到R-R间期标注序列。以R-R间期预测序列作为输入数据，输入用于连续变量预测的回归模型，以根据R-R间期标注序列得到判断序列作为输出，对回归模型进行训练，得到模型参数，从而得到可以对R-R间期序列进行修正的R波校正模型。回归模型可以采用线性回归、逻辑回归、主成分回归等实现，也可以采用深度学习领域的RNN模型以及RNN变种模型实现。RNN变种模型包括LSTM、GRU等。优选采用RNN模型以及RNN变种模型实现。

这一步中，标签是人工标注的真实的R波位置序列，确定选用的回归模型方法后，进行训练，得到矫正R波位置的模型。结合R波校正模型和目标检测模型即可实现更高精度的R波识别。R波校正模型可以对目标检测模型的检测结果进行校正，剔除掉较强的肌电干扰等导致的R波噪声对R波识别的干扰，使得R波识别结果更为准确，特别是针对存在强干扰的心电信号识别具有更为有效的识别效果。同时，基于R波校正模型，进一步降低了R波识别对信号处理效果的依赖性，在心电信号没有进行信号处理，存在较大干扰噪声时，仍然可以准确识别R波。

本优选实施例通过整张心电图的R波分布，通过回归模型，剔除掉类R波噪声对于R波识别的强干扰，得到更为准确的R波位置，基于更精确的R波位置确定QRS波位置以及相关数据，对下一步病症识别提供更精准的判断基础。在这一过程中，其实并不局限于采用回归模型实现等，可以采用实例分割等手段对错误的R波位置进行删除，还可以人工依据理论进行删除，但鉴于准确度，更建议采用回归模型训练实现。

优选的，根据所述R-R间期标注序列判断所述R-R间期预测序列的预测正确性，并生成R波位置的判断序列，具体为：

根据所述R-R间期标注序列，将存在R波的时刻置为“1”，不存在R波的时刻置为0，得到所述判断序列。

例如，心电信号为包括50个采样值的序列，通过目标检测模型预测该心电信号的R-R间期预测序列为{1,3,6,8,10,15,20,23,30}，则表示预测结果为，该心电信号在第1、3、6、8、10、15、20、23、30个采样位置处存在R波。而与该心电信号相应的R-R间期标注序列为{1,6,15,20,30}，则表示该心电信号实际只在第1、6、15、20、30个采样位置处存在R波，即第3、8、10、23个采样位置处的预测结果错误，从而得到判断序列为{1,0,1,0,0,1,1,0,1}。

优选的，结合所述目标检测模型以及R波校正模型对待测心电信号的R波位置进行识别，具体为：

根据所述待测心电信号绘制待测心电图，将所述待测心电图输入所述目标检测模型，得到待测心电信号的R波位置处的目标框，根据所述R波位置处的目标框生成待测心电信号的R-R间期序列；

将所述R-R间期序列输入所述R波校正模型，得到校正后的R-R间期序列；

根据校正后的R-R间期序列得到待测心电信号的R波位置。

通过R波校正模型对目标检测模型的预测结果进行修正，删除其中识别错误的R波位置，得到最终结果。

优选的，将所述R-R间期序列输入所述R波校正模型，得到校正后的R-R间期序列，具体为：

将所述R-R间期序列输入所述R波校正模型得到各位置处的R波概率；

筛选出R波概率大于设定概率的位置，得到校正后的R-R间期序列。

回归模型的输出为各时刻R波的存在概率，设置设定概率，例如0.9，将大于设定概率的时刻位置筛选出来，得到校正后的R-R间期序列。

实施例2

本发明的实施例2提供了基于目标检测的R波识别装置，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，实现实施例1提供的基于目标检测的R波识别方法。

本发明实施例提供的基于目标检测的R波识别装置，用于实现基于目标检测的R波识别方法，因此，基于目标检测的R波识别方法所具备的技术效果，基于目标检测的R波识别装置同样具备，在此不再赘述。

实施例3

本发明的实施例3提供了计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现实施例1提供的基于目标检测的R波识别方法。

本发明实施例提供的计算机存储介质，用于实现基于目标检测的R波识别方法，因此，基于目标检测的R波识别方法所具备的技术效果，计算机存储介质同样具备，在此不再赘述。

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。