[发明专利]一种鲁棒的心电R峰检测方法

说明书

本发明公开了一种鲁棒的心电R峰检测方法，包括以下步骤：S1、采用已人工标注R峰位置的ECG信号，构建训练数据集；S2、搭建并训练具有注意力机制的R峰概率估计模块，通过训练好的R峰概率估计模块估计得出待选R峰时段；S3、对待选R峰时段的解码向量进行峰值检测，选择R峰概率局部最大值，从而确定具体R峰时刻。本发明综合利用整段ECG信号的时序信息，抵御QRS波形畸变和大幅伪迹的干扰，从而能够进一步提高R峰检测精度，为病理特征提取提供可靠的依据。

技术领域

本发明涉及R峰检测的技术领域，尤其涉及到一种鲁棒的心电R峰检测方法。

背景技术

精准的R峰检测是心电图病理特征可靠提取的基础，比如用于房颤检测的心率变异特征需要准确地计算R-R峰间距。而且R峰是心室去电极化的关键时间点，是精确分析心率变异性、脉搏传导时间的重要依据。但是由于皮肤接触电阻变化、肌电、运动和电磁波等噪声因素的干扰，R峰检测尤为困难。已有的R峰检测方法，比如经典的Pan-Tomkins算法，但该算法具有以下缺点：

(1)无法适应QRS波形畸变和大幅伪迹干扰，导致误检和漏检事件的发生。

(2)现有的深度学习的方法都是对单个滑动窗内的ECG信号进行分类，无法利用整条ECG信号潜在的时序信息，比如R峰的准周期性。

发明内容

本发明的目的在于克服现有技术的不足，提供一种鲁棒的心电R峰检测方法，通过具有注意力机制的神经网络，综合利用整段ECG信号的时序信息，抵御QRS波形畸变和大幅伪迹的干扰，从而能够进一步提高R峰检测精度，为病理特征提取提供可靠的依据。

为实现上述目的，本发明所提供的技术方案为：

一种鲁棒的心电R峰检测方法，包括以下步骤：

S1、采用已人工标注R峰位置的ECG信号，构建训练数据集；

S2、搭建并训练具有注意力机制的R峰概率估计模块，通过训练好的R峰概率估计模块估计得出待选R峰时段；

S3、对待选R峰时段的解码向量进行峰值检测，选择R峰概率局部最大值，从而确定具体R峰时刻。

进一步地，所述R峰概率估计模块由编码子模块、掩码估计子模块以及解码子模块组成。

进一步地，所述步骤S2搭建并训练具有注意力机制的R峰概率估计模块的具体过程如下：

S2-1、将心电信号输入到编码子模块中，学习变换域，提取R峰信息，同时也是将输入的心电信号转化成一个固定长度的向量；

S2-2、将转化后的向量，输入到掩码估计子模块中估计掩码；

S2-3、将掩码估计子模块的输出输入到解码子模块中，即为编码的逆过程。

进一步地，步骤S2-1中，所述编码子模块编码采用一维卷积神经网络。

进一步地，步骤S2-2中，所述掩码估计子模块采用TCN、RNN、LSTM或GRU神经网络。

进一步地，步骤S2-3中，所述解码子模块包括一维反卷积单元、非线性激活单元、一维卷积单元；所述非线性激活单元连接于一维反卷积单元和一维卷积单元之间。

进一步地，所述步骤S2-3的具体过程如下：

S2-3-1、ECG信号至R峰标签序列的映射是非线性的，当信号栈式堆叠时，使用非线性激活单元进行调整，同时使用非线性激活函数，防止过拟合和梯度消失问题；

S2-3-2、在非线性激活单元之后接入一个一维卷积单元起平滑作用，避免输出的概率序列中高频成分的干扰；