[发明专利]一种基于FASTER-RCNN的QRS波检测方法

说明书

本发明提供了一种基于FASTER‑RCNN的QRS波检测方法，主要涉及图像处理领域。该方法主要包括如下要点：1)利用小波变换将一维心电信号转化为二维图像数据；2)滑动切割图像数据，使得QRS波位于中心位置并构建训练验证集与测试集；3)构造基于VGG‑16的FASTER‑RCNN检测网络，并对检测网络进行训练和验证；4)基于第二届中国生理信号挑战赛的评分标准计算QRS复合波检测评分和心率评分。与传统的QRS波检测方法相比，本发明引入深度学习中目标识别网络，在保证检测精度的同时也保证了网络训练过程简单，识别速度快，可广泛地应用于医学图像等领域。

技术领域

本发明涉及一种图像识别方法，准确的说是一种基于FASTER-RCNN的QRS波检测方法，属于图像处理领域。

背景技术

心电图是目前应用最广泛的临床检查方法之一，能有效地反应人体心脏电活动引发的皮肤电变化，它不仅能直接的帮助医生诊断心血管疾病，更能间接的诊断影响心脏活动的问题。 QRS波是EGG中最显著的部分，它反映了心室收缩时心脏的微电流信号，是判断心脏健康程度的重要检测对象。

基于计算机的心电图分析通常是对QRS波群检测，QRS波群是心电数据中信息量最大的波形，在视觉上也最为显著。因此在心电特征波形的检测中，通常先对QRS波进行定位。所以QRS波的检测是所有心电波形检测的基础环节，QRS波检测的准确度也成为了心电信号自动分析的焦点和难点。目前针对QRS波检测的算法层出不穷，但这些算法所需要的滤波器组设计成本高昂，灵活性差，QRS波检测精度不高。

随着深度学习的不断发展，产生了R-CNN、YOLO、SSD等目标检测网络。R-CNN网络虽然能保证检测精度，但是网络训练过程繁琐，训练时间过长。YOLO与SSD网络虽然耗时少，但存在检测精度不够的问题，因此上述现有技术不能保证检测精度的同时也保证网络训练过程简单，识别速度快，在工程运用中较少。

发明内容

本发明的目的在于：针对上述现有技术存在的局限性，提出一种基于FASTER-RCNN的QRS 波检测方法，将深度学习中目标识别的方法引入进来，以提高QRS波检测的准确度和速度。

为了达到上述目的，本发明包括以下步骤：

步骤1)获取第二届中国生理信号挑战赛的心电信号数据，采用小波变换将一维心电信号转换为二维图像数据；

步骤2)滑动切割每一张二维图像数据，使得图片中的QRS波位于中心位置，切割结果为 5张图像，按照8:2的比例划分为检测网络的训练验证集和测试集；

步骤3)构造基于VGG-16的FASTER-RCNN检测网络，包括特征提取网络、RPN网络；

步骤4)将上述检测网络使用训练集进行模型训练，选出在验证集上表现最优的模型；

步骤5)将待测图像送入上述选出的模型进行预测，得到QRS波对应的位置和分数，并基于第二届中国生理信号挑战赛的评分标准计算QRS复合波检测评分和心率评分。

上述步骤1)中所述的小波变换是指：选取在时域和频域具备良好的局部化性质的Mexican Hat小波，设置变换宽度为256，将时域下的一维心电信号全部变换到频域中去，从而转化为二维图像中QRS波的检测问题。

上述步骤2)中所述的滑动切割图像是指：对原始5000*512分辨率图像的初始位置和终点位置分别填充100个单位的0像素值，滑动窗口大小为1200，在滑动切割图像后得到5张1000*512分辨率的二维心电图像，并按照8:2的比例划分为检测网络的训练验证集和测试集。

上述步骤3)中所述的特征提取网络是指：由VGG-16网络下采样到conv5_3这一共享卷积层，输出记为feature-map。