[发明专利]定位R波位置的方法及系统、使用LSTM神经网络的R波自动检测方法

说明书

定位R波位置的方法及系统、使用LSTM神经网络的R波自动检测方法，属于心脏疾病数据处理领域，为了解决深度学习网络进行心电R波自动检测后处理数据能精确定位R波位置的问题，训练模型对测试心电数据进行R波候选区间提取，得到测试数据被检测为R波的预测概率分布；将R波的预测概率分布转变为多个R波区间；将R波区间转变为R波位置点；筛选R波位置点以定位R波，效果是后处理数据精确定位R波是为了减小误检和漏检，提高了检出率。

技术领域

本发明属于心脏疾病数据处理领域，涉及一种定位R波位置的方法及系统、使用LSTM神经网络的R波自动检测方法。

背景技术

心脏疾病的特点是发病率高，速度快，严重的心脏疾病(房颤、心肌梗死等)，必须在短时间内进行急救，否则会带来严重后果。目前的常规检查，甚至体检，都会有心电图检测，每天会有大量的心电病例需要诊断。临床医生诊断工作强度巨大，而且长时间的阅图很容易产生疲劳，进而造成漏诊和误诊。

心电ECG(Electrocardiography)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。目前，临床医学上最常用的诊断心脏疾病的医疗手段就是使用心电图诊断。医护人员对心电图的诊断主要依靠P波、PR间期、QRS波群、ST波等多种特征进行总和诊断。为了减少医师的工作强度，提高诊断的准确性，实现心电图自动检测是势在必行的。

在心电特征检测算法中，最首要检测的特征就是R波，R波是最明显的特征，同时R波定位的准确性直接影响到其他特征检测的准确性。目前，对心脏R波的检测已经进行了大量的研究工作。医院的心电设备集成了传统的R波检测算法，主要融合斜率法、阈值法，模板法、香农信息熵等多种算法而成。现有方法中有些准确率虽然已经很高，但是普遍存在着算法难度大，需要复杂的数据预处理及较大团队研发等缺点。近年来，深度学习取得了重大突破，在图像语义分割，自然语言方面都有所进展。在心电R波检测、心脏疾病分类也有相关研究使用了深度学习技术。Pranav Rajpurkar等人在2017年提出了“Cardiologist-LevelArrhythmia Detection with Convolutional Neural Networks”，该方法使用34层卷积神经网络实现14种心脏病症分类，取得了不错的效果。但是该方法使用独有的数据集(未公开)，标记疾病类型，直接训练分类网络，没有使用R波定位检测，不具有广泛推广实用性。

申请公布号CN108836316A的中国专利申请公开了一种基于BP神经网络的心电信号R波提取方法，提到使用BP神经网络模型提取R波。该方法使用BP神经网络模型由特征信息的正向传播和误差的反向传播的特点，但是BP求导算法注定了它可能会将损失函数局限于某个极小值，而不是最小值。开源的心电权威数据库MIT-BIH(由美国麻省理工学院提供的研究心律失常的数据库)中，带有R波标记的数据并非完全是正常心电数据，其中夹杂着各种病症，有些R波特征并不明显，极其容易出现损失函数局限在某个极小值处，导致训练模型产生偏差。并且该方法并没有具体验证BP神经网络训练模型的准确率，从而无法评价BP神经网络对心电数据的学习能力。MIT-BIH是心率失常数据库，并不完全都是窦性心律的心电波形，使用深度网络提取心电特征，需要经过严格数据预处理筛选和R波精确定位后处理阶段。

申请公布号CN104783786A的中国专利申请公开了一种心电图特征识别系统及方法，提到心电图特征的前处理模块和后处理模块。该方法重在识别P波、T波、QRS波的特征点，但是该方法所述ECG信号是已经经过滤波和基线调整的信号，并且P波、QRS波、T波的特征通过R波和RR间期作为评价标准，RR间期是通过信号本身来计算，并没有对R波进行精确定位，这样会导致对心电设备的依赖性较高。