[发明专利]一种结合深度学习和电生理知识的多导联心电信号特征点提取方法

说明书

本发明涉及心电信号提取点提取方法技术领域，公开了一种结合深度学习和电生理知识的多导联心电信号特征点提取方法，首先，多导联心电信号获取模块用于提取12导联心电信号；其次，特征点提取模块通过基于U‑net框架的卷积神经网络(CNN)和长短期记忆网络(LSTM)提取心拍的形态特征和采样时刻的强时序相关性特征，并通过底层和高层信息的融合强化波形各个时刻更加精细的特征，之后通过固定阈值法提取特征点；最后，特征点位置修正模块通过基于电生理学知识的多导联互参方法和动态阈值自适应调整策略进一步提升特征点提取精度，够显著降低特征点提取的漏诊率和误诊率。

技术领域

本发明涉及心电电信号特征点提取方法技术领域，具体为一种结合深度学习和电生理知识的多导联心电信号特征点提取方法。

背景技术

心电信号是一种由心脏产生的微弱电生理信号，能够评估心脏状态和诊断相关心血管疾病，主要由四波P波、QRS波、T波、U波和四段PR间期、QRS时间、ST段和QT间期组成。其关键特征点提取与定位技术是心电诊断和分析的基础，对诊断心律失常、心肌梗死和房室肥大等心血管疾病具有重要意义。现有针对心电QRS波波群峰值点的方法包含滤波与差分阈值、数学形态学、小波变换、Hilbert变换、经验模态分解、希尔伯特-黄变换、基于人工特征提取的机器学习和深度学习等；对QRS波起止点的识别一般是在峰值点识别的基础上设置时间窗基于斜率阈值法搜索QRS波的起止点，也有研究者通过局部变换法、最小二乘拟合法和机器学习等方法识别，且小波分析法、梯形面积法和时间窗搜索法等被用于T波峰值点和终止点的提取中。

上述方法中大都需要依赖于经验参数和人工设计的各种特征，缺乏泛化性和鲁棒性，而现有基于深度学习的检测方法虽然能够自动提取波形各个时刻的特征，但对于心电信号中含特异QRS波群、形态复杂的ST-T段和恶性心律失常等情况，识别准确率仍有待提高，漏诊率和误诊率高。所以目前心电信号提取存在精准度较低、漏诊率和误诊率较较高等缺点。

发明内容

（一）解决的技术问题

针对现有技术的不足，本发明提供了一种结合深度学习和电生理知识的多导联心电信号特征点提取方法，具备精准度较高、漏诊率和误诊率低等优点，解决了背景技术中提出的问题。

（二）技术方案

为实现上述精准度较高、漏诊率和误诊率低目的，本发明提供如下技术方案：

本发明要解决的另一技术问题是提供一种结合深度学习和电生理知识的多导联心电信号特征点提取方法，包括以下步骤：

（1）多导联心电信号获取模块：通过信号采集传感器、隔离电路、放大电路、滤波电路和模/数转换电路获取多导联心电信号，并将多导联心电信号分离为十二导联信号；

（2）特征点提取模块：将预处理后的心电数据输入预先训练好的模型对心电信号特征点进行检测，获取每个时刻采样点属于QRS波起止点、QRS波峰值点、QRS波终止点、T波峰值点和T波终止点的概率，并基于固定阈值法提取特征点；

（3）特征点位置修正模块：在步骤（2）的基础上，基于动态阈值自适应调整策略和基于电生理知识的多导联互参方法进一步修正QRS波起止点、QRS波峰值点、T波峰值点和T波终止点的位置。

优选的，所述特征点提取模块包括构建数据集，将带标注的多导联心电数据分别通过基于db6小波的离散小波变换去除基线干扰和0.5～40Hz的三阶巴特沃斯带通滤波器去除高频和低频噪声，截取各导联心电数据长度为N，80%的数据为训练集，20%的数据为测试集，待完成构建数据集后，如过某个采样点被标记为QRS波起始点，则认为采样点的前0.075s和后0.075s的采样点也为QRS波起止点，即具有相同的标签。

优选的，所述特征点提取模块在构建数据集处理完毕后进行模型的建立与训练环节，模型的建立与训练环节采用以下两个步骤：建立基于U-net框架的卷积神经网络；建立基于U-net框架的长短期记忆网络并对模型进行训练。