一种结合小波变换和图像分割网络的QRS波识别方法专利检索-均值漂移过程视听技术与设备专利检索查询-专利查询网

一种结合 小波变换和图像分割网络的QRS波识别方法

阅读：173发布：2020-05-12

专利汇可以提供一种结合小波变换和图像分割网络的QRS波识别方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种结合小波变换和图像分割网络的QRS波识别方法，主要涉及深度学习以及医学图像处理领域。发明的流程如图所示，本发明技术方案主要包括如下要点：1)将一维心电信号通过小波变换的方法张成二维频谱图像，作为心电信号的浅层特征；2)然后对于二维频谱图像做反转和裁剪，以适应后期训练网络；3)将处理后的频谱图输入图像分割网络(U-net)进行逐像素二分类预测；4)最后对分割网络输出图像结果QRS波定位计算，得到具体QRS波的定位点。与传统方法P&T、XQRS、GQRS方法相比，该发明综合利用了小波变换抗干扰的能力和深度学习网络速度快精度高的特点，从而达到提高QRS波识别精度的目的。，下面是一种结合小波变换和图像分割网络的QRS波识别方法专利的具体信息内容。

权利要求

1.一种结合小波变换和图像分割网络的QRS波识别方法，其特征在于，所述方法包括：
步骤(1)对训练样本库中每个一维心电数据进行降噪处理，得到良好的训练数据样本，每个一维心电数据样本大小为5000；
步骤(2)为得到心电信号的频域信息，对步骤(1)中的训练数据样本进行小波变换，将一维心电信号张成二维频谱图像，每张图像大小为5000*512；
步骤(3)为扩大样本容量、减小后期网络的训练计算量，对步骤(2)中所得到的二维频谱图像进行切割处理，分成5分，每个切割之后频谱图的大小为1200*512；
步骤(4)将步骤(3)中切割之后频谱图输入图像分割网络，对其进行训练，得到可以进行逐像素二分类预测的灰度图；
步骤(5)将步骤(4)中预测的灰度图进行QRS波定位计算，得到具体QRS波的定位点。
2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中的降噪处理具体包括：利用低通滤波器去除肌电干扰信号、利用带馅滤波器抑制工频干扰信号、利用零相移滤波器纠正基线漂移。
3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中小波变换具体包括：对于小波函数本方法选择Mexican Hat函数，设置小波变换的宽度为256，由于目标检测网络对图片的中心位置具有偏向性，所以对小波变换后的频谱图进行翻转拼接，使得QRS波位置始终处于图片的中心。
4.根据权利要求1所述的方法，其特征在于，所述步骤(3)中的过程具体包括：对(2)中分辨率为5000*512的二维频谱图像，进行滑窗切割，窗口大小设置为1200，对图像的初始位置与终点位置分别填充100个单位的0像素值，最终取得的1200*512分辨率图片的中心位置图像数据，即前后除去100像素值的数据，只留下中心QRS波的数据，每一张原始图像被分割为5张1000*512分辨率的二维心电图像，采用滑窗切割的方法对图片进行切片时，可以很好的将图像边缘数据向中心移动，减小边缘检测的难度，提高训练精度。
5.根据权利要求1所述的方法，其特征在于，所述步骤(4)中数据输入图像分割网络具体包括：将步骤(3)中切割之后频谱图像的数据制作网络模型可接受的数据集，以原始QRS波的位置为中心设置宽为64，高为512作为输入图像分割网络(U-net)的label，并随机选取
80％的原始心电二维图像数据作为U-net的训练验证集，剩余数据作为网络测试集，将准备好的训练验证集输入U-net网络进行数据训练，网络训练好之后，将测试集输入U-net网络对模型进行测试，得到可以进行逐像素二分类预测的灰度图。
6.根据权利要求1所述的方法，其特征在于，所述步骤(5)中QRS波定位计算具体包括：
对步骤(5)中的由测试图像输入U-net网络得到的二分类预测灰度图的每一张，进行如下操作：从图像的第一列开始判断，若第一列中70％及以上的像素点都为1，则第一列属于QRS波所在范围内，记录第一列所在位置；反之不记录第一列信息，转到下一列。若前一列信息被记录时，当前列仍属于QRS波所在范围内，则不记录当前列所在信息；当前列不属于QRS波所在范围内，则记录当前列信息，若前一列信息没有被记录时，当前列属于QRS波所在范围内，则记录当前列所在信息；当前列不属于QRS波所在范围内，则不记录当前列信息，以此类推，直至遍历这张图片所有列，得到满足条件的列所在位置，每相邻两项取均值，则为QRS波定位的具体位置。

说明书全文

一种结合小波变换和图像分割网络的QRS波识别方法

技术领域

[0001] 本发明属于医学图像处理、深度学习领域，涉及一种结合小波变换和图像分割网络的QRS波识别方法。

背景技术

[0002] 心电图是目前应用最广泛的临床检查方法之一，能有效地反应人体心脏电活动引发的皮肤电变化，它不仅能直接的帮助医生诊断心血管类疾病，更能间接的诊断影响心脏活动的问题。QRS波是EGG中最显著的部分，它反映了心室收缩时心脏的微电流信号，其能量占了心电信号很大的百分比，是判断心脏健康程度的重要检测对象，有重要的研究价值。基于计算机的心电图分析通常是对QRS波群检测，QRS波群是心电数据中信息量最大的波形，在视觉上也最为显著。

[0003] 对于QRS波检测这一问题，就是在一维心电信号中定位QRS波的位置。至今国内外诸多著名学者都致力于QRS波识别算法的研究，传统解决这类问题的方法主要有：导数,滤波器组,小波变换,P&T，GQRS算法定位，XQRS检测算法等。其中滤波器组，不但设计成本高昂，灵活性也很差。小波变换抗噪声能力相对较强且相对灵活。WFDB当中心电检测工具(例如：GQRS算法定位，XQRS检测算法等)凭借速度快的优势，也逐渐得到了广泛的应用。但这些算法都是集中在如何处理一维心电信号的基础之上，检测精度也一直达不到理想的数值。

[0004] 目前，在专利系统中能查到的方法主要有：一种基于改进小波变换的QRS波识别方法、一种可集成的心电信号去噪和QRS波识别的快速算法。最近以小波变换为基础QRS波检测的算法也层出不穷，由此可见小波变换的方法实用性强，在该领域上展现出很强的灵活性，也具备一定抵抗外界信号干扰的能力，但完全依赖于小波变换的QRS波识别，在处理速度和识别精度上都达不到良好的效果。

发明内容

[0005] 本发明的目的是针对当前QRS波定位方法在识别精度上受到限制，提供一种新的解决问题的思路，一种新的结合小波变换和图像分割网络的QRS波识别方法。该方法将一维心电信号通过小波变换的方法张成二维频谱图像，并将其输入图像分割网络当中，通过训练得到定位结果，最终提高QRS波识别率。

[0006] 为实现上述目的，本发明采用的技术方案是：

[0007] 一种结合小波变换和图像分割网络的QRS波识别方法，包括以下步骤：

[0008] (1)对训练样本库中每个一维心电数据进行降噪处理，得到良好的训练数据样本，每个一维心电数据样本大小为5000；

[0009] (2)为得到心电信号的频域信息，对(1)中的训练数据样本进行小波变换，将一维心电信号张成二维频谱图像，每张图像大小为5000*512；

[0010] (3)为扩大样本容量、减小后期网络的训练计算量，对(2)中所得到的二维频谱图像进行切割处理，分成5分，每个切割之后频谱图的大小为1200*512；

[0011] (4)将(3)中切割之后频谱图输入图像分割网络，对其进行训练，得到可以进行逐像素二分类预测的灰度图；

[0012] (5)将(4)中预测的灰度图进行QRS波定位计算，得到具体QRS波的定位点。

[0013] 作为本方法的进一步改进，所述步骤(1)中的降噪处理具体包括：利用低通滤波器去除肌电干扰信号、利用带馅滤波器抑制工频干扰信号、利用零相移滤波器纠正基线漂移。

[0014] 作为本方法的进一步改进，所述步骤(2)中的小波变换具体包括：对于小波函数本方法选择Mexican Hat函数，设置小波变换的宽度为256。由于目标检测网络对图片的中心位置具有偏向性，所以对小波变换后的频谱图进行翻转拼接，使得QRS波位置始终处于图片的中心。

[0015] 作为本方法的进一步改进，所述步骤(3)中的图像切割处理具体包括：对(2)中分辨率为5000*512的二维频谱图像，进行滑窗切割，窗口大小设置为1200，对图像的初始位置与终点位置分别填充100个单位的0像素值，最终取得的1200*512分辨率图片的中心位置图像数据，即前后除去100像素值的数据，只留下中心QRS波的数据，每一张原始图像被分割为5张1000*512分辨率的二维心电图像。采用滑窗切割的方法对图片进行切片时，可以很好的将图像边缘数据向中心移动，减小边缘检测的难度，提高训练精度。

[0016] 作为本方法的进一步改进，所述步骤(4)中的数据输入图像分割网络具体包括：

[0017] 步骤1.将(3)中切割之后频谱图像数据制作数据集，以原始QRS波的位置为中心设置宽为64，高为512作为输入图像分割网络(U-net)的label，并随机选取80％的原始心电二维图像数据作为U-net的训练验证集，剩余作为测试集；

[0018] 步骤2.将步骤1中的训练验证集输入U-net网络进行训练；

[0019] 步骤3.将步骤1中的测试集输入U-net网络进行测试，得到可以进行逐像素二分类预测的灰度图；

[0020] 作为本方法的进一步改进，所述步骤(5)中的QRS波定位计算具体包括：对(5)中的由测试图像输入U-net网络得到的二分类预测灰度图的每一张，进行如下操作：从图像的第一列开始判断，若第一列中70％及以上的像素点都为1，则第一列属于QRS波所在范围内，记录第一列所在位置；反之不记录第一列信息，转到下一列。若前一列信息被记录时，当前列仍属于QRS波所在范围内，则不记录当前列所在信息；当前列不属于QRS波所在范围内，则记录当前列信息。若前一列信息没有被记录时，当前列属于QRS波所在范围内，则记录当前列所在信息；当前列不属于QRS波所在范围内，则不记录当前列信息。以此类推，直至遍历这张图片所有列。得到满足条件的列所在位置，每相邻两项取均值，则为QRS波定位的具体位置。

[0021] 本发明的创新之处在于：本发明提出将传统心电识别方法和深度学习中图像分割相结合，将传统QRS波在一维上定位扩展到二维频谱图像上的识别，并结合深度学习图像分割技术，对二维频谱图进行逐像素分类预测。总之，本发明扩充了现有的QRS波识别方法，能够有效地分析信号的奇异性，包括图像的边缘点。既能综合利用小波变换抗噪声干扰的能力，又能利用深度学习来提高识别准确率。附图说明

[0022] 附图是本发明整个过程流程图

具体实施方式

[0023] 以下将结合附图所示的各实施方式对本发明进行详细描述。但这些实施方式并不限制本发明，本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。

[0024] 本发明公开了一种结合小波变换和图像分割网络的QRS波识别方法。，具体实施步骤包括：

[0025] (1)对训练样本库中每个一维心电数据进行降噪处理，得到良好的训练数据样本，每个一维心电数据样本大小为5000；

[0026] (2)为得到心电信号的频域信息，对(1)中的训练数据样本进行小波变换，将一维心电信号张成二维频谱图像，每张图像大小为5000*512；

[0027] (3)为扩大样本容量、减小后期网络的训练计算量，对(2)中所得到的二维频谱图像进行切割处理，分成5分，每个切割之后频谱图大小为1200*512；

[0028] (4)将(3)中切割之后频谱图输入图像分割网络，对其进行训练，得到可以进行逐像素二分类预测的灰度图；

[0029] (5)将(4)中预测的灰度图进行QRS波定位计算，得到具体QRS波的定位点。

[0030] 作为本方法的进一步改进，所述步骤(1)中的降噪处理具体包括：利用低通滤波器去除肌电干扰信号、利用带馅滤波器抑制工频干扰信号、利用零相移滤波器纠正基线漂移。

[0031] 作为本方法的进一步改进，所述步骤(2)中的小波变换具体包括：对于小波函数本方法选择Mexican Hat函数，设置小波变换的宽度为256。由于目标检测网络对图片的中心位置具有偏向性，所以对小波变换后的频谱图进行翻转拼接，使得QRS波始终显示在图片的中心。

[0032] 作为本方法的进一步改进，所述步骤(3)中的图像切割处理具体包括：对(2)中分辨率为5000*512的二维频谱图像，进行滑窗切割，窗口大小设置为1200，对图像的初始位置与终点位置分别填充100个单位的0像素值，最终取得的1200*512分辨率图片的中心位置图像数据，即前后除去100像素值数据，只留下中心QRS波的数据，每一张原始图像被分割为5张1000*512分辨率的二维心电图像。采用滑窗切割的方法对图片进行切片时，可以很好的将图像边缘数据向中心移动，减小边缘检测的难度，提高训练精度。

[0033] 作为本方法的进一步改进，所述步骤(4)中的数据输入图像分割网络具体包括：

[0034] 步骤1.将(3)中切割之后频谱图像数据制作数据集，以原始QRS波的位置为中心设置宽为64，高为512作为输入图像分割网络(U-net)的label，并随机选取80％的原始心电二维图像数据作为U-net的训练验证集，剩余作为测试集；

[0035] 步骤2.将步骤1中的训练验证集输入U-net网络进行训练；

[0036] 步骤3.将步骤1中的测试集输入U-net网络进行测试，得到可以进行逐像素二分类预测的灰度图。

[0037] 作为本方法的进一步改进，所述步骤(5)中的QRS波定位计算具体包括：对(5)中的由测试图像输入U-net网络得到的二分类预测灰度图的每一张，进行如下操作：从图像的第一列开始判断，若第一列中70％及以上的像素点都为1，则第一列属于QRS波所在范围内，记录第一列所在位置；反之不记录第一列信息，转到下一列。若前一列信息被记录时，当前列仍属于QRS波所在范围内，则不记录当前列所在信息；当前列不属于QRS波所在范围内，则记录当前列信息。若前一列信息没有被记录时，当前列属于QRS波所在范围内，则记录当前列所在信息；当前列不属于QRS波所在范围内，则不记录当前列信息。以此类推，直至遍历这张图片所有列。得到满足条件的列所在位置，每相邻两项取均值，则为QRS波定位的具体位置。

[0038] 本发明效果可以通过以下实验进一步说明：

[0039] 1)实验条件

[0040] 实验仿真环境为：Pycharm编译器和python语言编写，单个CPU 内核在3.70Ghz的i7-8700K CPU。

[0041] 2)实验内容

[0042] 2.1)实验数据来源

[0043] 本实验使用第二届中国生理信号挑战赛(CPSC 2019)公布的心电数据集，从11家大型医院收集得来，其中包括正常和体现八类病症的ECG数据。该数据集由ECG数据以及QRS波所在位置两部分组成，共有2000组，每个ECG数据长度5000。

[0044] 2.2)实验步骤：

[0045] 首先对训练样本库中每个一维心电数据进行降噪处理，得到良好的训练数据样本，并对其进行小波变换，将一维心电信号张成二维频谱图像。其次对二维频谱图像进行滑窗有重叠切割处理，分成5分，每个切割之后频谱图大小为1200*512。最后将切割之后频谱图像数据制作数据集，以原始QRS波的位置为中心设置宽为64，高为512作为输入图像分割网络(U-net)的label，并随机选取80％的原始心电二维图像数据作为U-net的训练验证集，输入U-net网络对其进行训练，得到可以进行逐像素二分类预测的灰度图。

[0046] 实验结果分析

[0047] 以下是本发明方法与P&T、XQRS、GQRS方法比较结果。

[0048] 方法 P&T XQRS GQRS Ours识别精度(％) 32.66 41.18 34.06 69.00

[0049] 表1 CPSC 2019数据测试结果

[0050] 从表1中可以看出，本发明方法的识别率远远高于传统P&T、XQRS、GQRS方法。可以说明本发明方法在QRS波定位问题上，在识别准确率方面具有较好的性能。

[0051] 应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施方式中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

[0052] 上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

标题	发布/更新时间	阅读量
一种用于水损害检测的探地雷达图谱自适应选取方法	2020-05-08	564
一种面向无人船组合导航信息融合的多尺度数据分块算法	2020-05-11	374
一种基于遗传算法的视觉惯性组合的SLAM方法	2020-05-16	526
眼部疲劳度检测系统及方法	2020-05-08	737
一种双发油动变桨距多旋翼飞行器的飞行控制方法	2020-05-12	840
性能退化产品可靠度置信区间估计数值仿真方法	2020-05-12	535
一种基于行为的室内定位和地标语义标识的方法	2020-05-14	204
一种陀螺漂移量的自适应调节方法	2020-05-08	272
空中移动目标的反制系统及其反制方法	2020-05-12	718
判断目标行人在非重叠相机视角中出现的匹配方法	2020-05-11	320

一种结合小波变换和图像分割网络的QRS波识别方法

一种结合小波变换和图像分割网络的QRS波识别方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：