[发明专利]一种基于深度学习的心电参数计算方法

说明书

本发明属于医疗数据技术领域，尤其是涉及一种基于深度学习的心电参数计算方法。一种基于深度学习的心电参数计算方法，包括以下步骤：S1、数据集构建；S2、标签预处理；S3、数据集标准化及扩充；S4、模型训练；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。本发明所要解决的技术问题是实际应用中心电数据的波段切分主观性强、变异度大、受采集环境影响过大、以及传统方法适应性差和准确率有待提升等问题，提供一种基于深度学习的心电参数计算方法。

技术领域

本发明属于医疗数据技术领域，尤其是涉及一种基于深度学习的心电参数计算方法。

背景技术

心电图(Electrocardiography、ECG或者EKG)是一种经胸腔的以时间为单位记录心脏的电生理活动，并通过皮肤上的电极捕捉并记录下来的诊疗技术。这是一种无创性的记录方式。

心电图的工作原理：在每次心跳心肌细胞去极化的时候会在皮肤表面引起很小的电学改变，这个小变化被心电图记录装置捕捉并放大即可描绘心电图。在心肌细胞处于静息状态时，心肌细胞膜两侧存在由正负离子浓度差形成的电势差，去极化即是心肌细胞电势差迅速向 0变化，并引起心肌细胞收缩的过程。在健康心脏的一个心动周期中，由窦房结细胞产生的去极化波有序的依次在心脏中传播，先传播到整个心房，经过“内在传导通路”传播至心室。如果在心脏的任意两面放置2个电极，那么在这个过程中就可以记录到两个电极间微小的电压变化，并可以在心电图纸或者监视器上显示出来。心电图可以反应整个心脏跳动的节律，以及心肌薄弱的部分。

通常在肢体上可以放置2个以上的电极，他们两两组成一对进行测量(如左臂电极(LA)，右臂电极(RA)，左腿电极(LL)可以这样组合：LA+RA，LA+LL，RA+LL)。每个电极对的输出信号称为一组导联。导联简单的说就是从不同的角度去看心脏电流的变化。心电图的种类可以以导联来区分，如3导联心电图，5导联心电图与12导联心电图，等等。12导联心电图是临床最常见的一种，可以同时记录体表 12组导联的电位变化，并在心电图纸上描绘出12组导联信号，常用于一次性的心电图诊断。3导联及5导联心电图多用于需要通过监视器连续检测心电活动的情况，如手术过程中或在救护车转运病人时的监护中。根据仪器的不同，这种连续监测的结果有时可能不会被完整地记录下来。

心电图是测量和诊断异常心脏节律的最好方法，用以诊断心电传导组织受损时心脏的节律异常，以及由于电解质平衡失调引起的心脏节律的改变。在心肌梗塞(MI)的诊断中，它可以特异性的分辨出心肌梗塞的区域。同时，心电图也是诊断心律失常疾病最为重要的检查。

对于心电图医生来说，诊断一份心电图不仅仅只是写上诊断名称，还需记录心电图的参数，包括心律、PR间期、QT间期等。而这些参数依靠医生的手动获取，将会降低医生的诊断效率，并且医生对于精细的参数估算可能存在误差。因此，运用自动化的方法获取心电参数，将大大提升医生的工作效率，并且降低准确性。

心电参数的获取依赖于心电波段的划分，而目前波段的划分的方法主要是信号处理方法。信号处理的方法包括：幅度法、斜率法、面积法、数学形态学、小波变换、分形理论等。这些信号处理方法虽然能够有效处理心电信号，但是泛化性比较差，对于波形变化幅度大，不常见的波形处理效果不甚理想。

发明内容

本发明所要解决的技术问题是实际应用中心电数据的波段切分主观性强、变异度大、受采集环境影响过大、以及传统方法适应性差和准确率有待提升等问题，提供一种基于深度学习的心电参数计算方法。为此，本发明采用以下技术方案：

一种基于深度学习的心电参数计算方法，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；