[发明专利]基于滤波和卷积神经网络的低质量心电信号中QRS点识别

说明书

本发明公开了基于滤波和卷积神经网络的心电信号QRS点检测方法，它包括：1）原始心电信号的去噪；2）生成过检测QRS点；3）初步去除过检测类QRS点中的非QRS点以及数据集制作；4）通过卷积神经网络筛选QRS点坐标；运用现代的卷积神经网络算法对心电信号进行底层卷积，随后对底层卷积所得到的特征通过LSTM层和Dense层进一步提取特征，得到最终特征进而输入到分类器进行分类得到QRS点分类结果；此方法对心电信号QRS点的识别得到了较高的准确率。

技术领域

本发明涉及医学信号处理技术领域,更确切地说一种基于滤波技术和卷积神经网络的低质量心电图的QRS点检测方法。

背景技术

心电信号是一种通过心电图机采集到的能够体现人类心脏特征的一维信号，是心血管疾病的检测和诊断的一种重要且常用的手段。而QRS波群则是心电信号中所含能量最高的一部分波形，也是心电信号中最容易识别的一部分。通常医生会通过QRS波群来确定心电信号的其他波形的位置。而通过便捷式可穿戴设备以及动态心电图设备采集到的心电信号往往因为各种原因导致心电信号产生严重的畸形，从而导致心电信号QRS点的识别难度增大，严重影响医生对心电信号的观测和对病人疾病的诊断。

发明内容

本发明的目的是为解决由于噪声干扰，心电信号的QRS点识别精度低的问题，而提供一种基于滤波技术和卷积神经网络的低质量心电信号的QRS点检测方法。

基于滤波技术和卷积神经网络的心电信号QRS点检测方法，它包括：

1）原始心电信号的去噪

读取一组原始心电信号矩阵e，对原始心电信号矩阵e进行切比雪夫型带通滤波，得到去噪信号矩阵x；读取每一个原始心电信号的人工标记的QRS点矩阵ref，为下文制作标签做准备；

2）生成过检测QRS点

对去噪信号矩阵x进行希尔伯特变换，得到变换后信号矩阵x1，对变换后信号矩阵x1取绝对值，得到去噪信号的包络信号矩阵x2。识别包络信号矩阵x2的波峰点和波谷点，并将包络信号矩阵x2的波峰点以及波谷点的集合作为该条心电信号的过检测类QRS点的包络幅度值存入矩阵H_place1，并将包络信号矩阵x2的波峰点以及波谷点下标集合作为该条心电信号的过检测类QRS点的坐标点，存入矩阵R_place1。其中矩阵R_place1和矩阵H_place1的元素是一一对应的。 过检测类QRS点即为该条信号中可能是QRS点的点。

3）初步去除过检测类QRS点中的非QRS点以及数据集制作

a．设整数B为不应期，其取值范围为0至300之间的任意整数，此处使用不应期去除过检测类QRS点中的非QRS点是指矩阵R_pla两相邻元素R1,R2差值小于B，且在矩阵H_pla里两个相邻元素H1,H2数值较小的元素，继而得到矩阵R_place2和H_place2。其中元素R1在矩阵R_pla的下标与元素H1在矩阵H_pla的下标相同，元素R2在矩阵R_pla的下标与元素H2在矩阵H_pla的下标相同。

c.计算矩阵H_place2中最后8个元素的和与前8个元素的和的差，在乘以0.008，得到阈值thr。

d.去除矩阵H_place2中小于thr的包络幅度值以及在的矩阵R_place2中对应的坐标点，分别得到矩阵R_place3和H_place3。

e. 在原始心电信号e中以R_place3中的元素为下标， 向前截取P个点，向后截取Q个点，每个心拍截取W=P+Q个点的过检测类QRS点数据样本，作为卷积神经网络模型的输入X。将所有心电信号以上述截取方法对R_place3中的所有元素进行截取，形成数据集U, 其中数据集U中的每个样本都是上述1*W维的初步筛选后的过检测类QRS点数据样本。