[发明专利]一种基于深度学习的心电参数计算方法

权利要求书

1.一种基于深度学习的心电参数计算方法，其特征在于包括以下步骤：

S1、数据集构建，从现有的心电数据中提取长度为10秒的12导联心电数据以形成心电数据集，将提取的心电数据按照8：2的比例分为训练集和测试集，并对提取的心电数据进行标签标注；

S2、标签预处理，将步骤S1所得的标签及每个标签对应的数据，生成与该数据尺寸相同的4通道概率分布标签，记为第一标签；

S3、数据集标准化及扩充，将提取的心电数据缩放至同一尺度，并对每个心电数据进行z-score标准化，并采用数据集扩增方式对心电数据集进行扩充；S4、模型训练，建立基于一维卷积神经网络的U-Net模型，将心电数据集输入模型并输出与每个心电数据尺寸相同的4通道概率分布标签，记为第二标签，将第二标签与第一标签进行比对和计算直至模型收敛，将模型所得的分割波形进行保存；S5、模型验证，根据第二标签预测点位所属的波段，并将预测的波段与第一标签的波段进行对比，计算相应的Dice指标。

2.根据权利要求1所述的一种基于深度学习的心电参数计算方法，其特征在于所述步骤S1中的标注方法为分别进行心电波段和点位的标注，所述心电波段的标注包括P波、QRS波群和T波，所述点位的标准包括P波起始点、QRS波群起始点、QRS波结束点、T波起始点、T波结束点。

3.根据权利要求2所述的一种基于深度学习的心电参数计算方法，其特征在于所述步骤S2中的标签为标注点位的标签，若标注点位属于P波区域，则标签为(0,1,0,0)，若属于QRS波群区域，则标签为(0,0,1,0)，若属于T波区域，则标签为(0,0,0,1)，若属于其他区域，则标签为(1,0,0,0)。

4.根据权利要求1所述的一种基于深度学习的心电参数计算方法，其特征在于所述步骤S3中的扩充方法为平移、或加噪声、或乘算随机系数中的一种或多种。

5.根据权利要求2所述的一种基于深度学习的心电参数计算方法，其特征在于所述步骤S5还包括生成预测的P波起始点、QRS波群起始点、QRS波群结束点、T波起始点、T波结束点，并将5个点位分别与第一标签的5个点位进行对比，计算两者之间的距离，并根据预测的5个点位，计算PR间期、QRS间期、QT/QTc间期、心率。