[发明专利]一种高精度的心电图特征点检测方法

说明书

本发明公开一种高精度的心电图特征点检测方法，采用已标注特征波位置信息的心电图数据构建模型训练集、超参数验证集和测试评估集；建立多分支编解码网络模型；对心电图进行R峰检测；将测试评估集输入优化的多分支编解码网络模型；采用超参数验证集得到特征波的起止时刻；对特征波的起止时刻进行峰值检测，得到特征波的峰值时刻，完成心电图特征点检测。通过多频带心电图多特征波联合检测的概率图模型，提高了输入信号信噪比，清晰地表征了各特征波隐变量之间的关联推断关系；根据概率图模型的条件概率因子分解，设计了具有注意力机制的多分支编解码网络模型，降低了心电图信号特征提取对波形变异和噪声的敏感性，提高了心电图特征点检测精度。

技术领域

本发明涉及心电图检查技术领域，特别涉及一种高精度的心电图特征点检测方法。

背景技术

心电图(Electrocardiograph,ECG)检查是心血管疾病诊断的主要手段之一。心电图特征波的幅值和间期异常是反映心血管系统病变的重要指征。因此，心电图特征波峰值点和起止点(简称特征点)的准确检测对心血管疾病的诊疗具有重要意义。

近年来，研究人员提出很多心电图特征点检测方法，可大致分为信号处理和深度学习两类。信号处理方法采用小波变换、扩展卡尔曼滤波等技术，利用时频变换提高信号的稀疏性或者依据先验模型对特征波进行参数估计，从而实现心电图特征点检测。此类方法严重依赖经验参数的设置，难以适应心电图特征波形态的多样性，检测精度较低。深度学习方法常采用卷积神经网络、循环神经网络等通用架构,以数据驱动的方式，直接从心电图信号中自动提取潜在特征，实现心电图特征点检测，能够较好地适应心电特征波形态的多样性，但是既未直接利用心电特征波之间的频域分布差异，也未在网络结构上清晰地表征特征点位置之间的关联推断关系，需要大量训练样本，泛化能力有待进一步提高。

发明内容

为解决上述现有技术中所存在的检测精度低的问题，本发明提供一种高精度的心电图特征点检测方法，心电特征波之间的频域分布差异，构建多支路输入，提高各个心电特征波输入的信噪比；并利用了心电图特征波位置之间的关联关系，在特征层和决策层分别实现不同支路之间的信息融合，增强QRS波群及P-T波潜在特征的提取与特征点的推断，降低了对波形变异和噪声的敏感性，从而能够进一步提高心电图特征点检测精度。

为了实现上述技术目的，本发明提供了一种高精度的心电图特征点检测方法，包括：

S1，采用已标注特征波的位置信息的心电图数据构建模型训练集、超参数验证集和测试评估集；

S2，建立具有注意力机制的多分支编解码网络模型；

S3，对心电图进行R峰检测，标记得到所述特征波的出现时段；

S4，采用所述模型训练集优化所述多分支编解码网络模型的参数，将所述测试评估集输入优化后的所述多分支编解码网络模型，得到所述特征波在所述出现时段的估计序列；

S5，基于所述估计序列，采用所述超参数验证集得到所述特征波的起止时刻；

S6，基于所述特征波的所述起止时刻进行峰值检测，得到所述特征波的峰值时刻，完成心电图特征点检测。

可选的，所述特征波包括：QRS波群、P波和T波。

可选的，所述特征波的所述出现时段的获取过程包括：

对所述心电图进行R峰检测，根据检测结果将所述心电图切割成逐个心拍片段；

采用重采样法统一各个心拍的时间采样点数，标记得到所述特征波的出现时段。

可选的，所述模型训练集的优化器选用Adam优化器，初始学习率为0.0005。

可选的，所述模型训练集为：