[发明专利]一种心电图数据压缩方法、终端设备及存储介质

说明书

本发明涉及一种心电图数据压缩方法、终端设备及存储介质，该方法中包括压缩流程和解压流程。在压缩流程中，针对心电图数据切分后的每个原始片段，均对卷积自编码器模型进行训练，提取训练后的模型中解码器的可学习参数和编码器生成的隐变量并结合后，作为该原始片段的压缩数据；按顺序将所有压缩数据连接并打包为压缩文件。在解压流程中，根据压缩文件提取的可学习参数和隐变量，将隐变量输入加载了可学习参数的解码器中，输出解压片段；按顺序将解压片段连接为解压后的心电图数据。本发明不依赖神经网络的泛化性能，相比通用的卷积自编码器，具有更高的数据还原质量，码率的妥协也有限。

技术领域

本发明涉及数据压缩领域，尤其涉及一种心电图数据压缩方法、终端设备及存储介质。

背景技术

动态和实时监测等长程心电数据采集系统对于检查机构的本地存储或者远程协同诊断的网络带宽都提出了挑战。以12导动态心电图为例，记录佩戴者24小时的心电数据，在采样率为200HZ，采样精度12bit时，需要350兆字节来保存数据。基于7z等压缩算法的无损压缩，至多可以把数据压缩到原来的三分之一大小。如果采用有损压缩，如经典的基于变换和预测编码的技术，则没有充分考虑到心电图QRS伪周期模式和对诊断无用信息的冗余，仍然具有很大的提升空间。

发明内容

为了解决上述问题，本发明提出了一种心电图数据压缩方法、终端设备及存储介质。

具体方案如下：

一种心电图数据压缩方法，包括压缩流程和解压流程，其中：

压缩流程：

S101：将待压缩心电图数据切分为额定长度的原始片段；

S102：构建卷积自编码器模型，针对每个原始片段，使用该原始片段对卷积自编码器模型进行训练，以使模型的损失函数满足要求，提取训练后的模型中解码器的可学习参数和编码器生成的隐变量并结合后，作为该原始片段的压缩数据；

S103：按顺序将所有原始片段的压缩数据连接并打包为待压缩心电图数据的压缩文件；

解压流程：

S201：按照各原始片段对应的压缩数据的长度将压缩文件的内容切分为多个压缩数据；

S202：根据各压缩数据提取对应的解码器的可学习参数和编码器生成的隐变量；

S203：构建与步骤S102相同的卷积自编码器模型，将解码器的可学习参数加载到卷积自编码器模型的解码器中后，将编码器生成的隐变量输入解码器中，输出压缩数据对应的解压片段；

S204：按顺序将各解压片段连接起来，生成解压后的心电图数据。

进一步的，步骤S101中切分之前还包括：按照固定的采样率对待压缩心电图数据进行重采样。

进一步的，重采样的采样率为200HZ。

进一步的，步骤S102之前还包括：对各原始片段对应的波形类型进行识别，并根据不同波形类型为原始片段设定不同的掩码；设定卷积自编码器模型停止训练的条件为损失函数小于损失函数阈值与掩码的乘积。

进一步的，卷积自编码器模型的损失函数采用L1损失。

进一步的，解码器的可学习参数和编码器生成的隐变量均采用半精度浮点数格式。

进一步的，原始片段对应的波形类型包括：p波、QRS波、伪差和采集质量差。

进一步的，掩码设置的方法包括：在P波的前后30毫秒和QRS波的前后60毫秒设置为0.5，在伪差和采集质量差的位置设置为5，其余位置设置为1。