[发明专利]一种基于Mask R-CNN网络及心电图的参数获取方法

说明书

一种基于Mask R‑CNN网络及心电图的参数获取方法,通过7个步骤，该方法首次把心电信号转换为二维的黑白图像进而利用Mask R‑CNN网络的得到总预测损失函数和掩膜图像，本发明通过心电信号转换为二维的黑白图像从而能够模拟人眼识别心电波图像的行为，而且本发明克服了心电分类模型实现复杂、适应性较差等问题，具有处理简单、实用性高的优点。

技术领域

本发明涉及心电图技术领域，特别涉及一种基于Mask R-CNN网络及心电图的参数获取方法。

背景技术

心电图(Electrocardiogram,ECG)是获取心脏活动的时间序列信号，由于ECG信号是间接获取心脏活动的数据，非常容易受到各种不同信号的干扰，往往需要先忽略干扰信号后再对心电波波形进行判断。

虽然心电图检测容易受到信号干扰，但是心电图检测具备无创和费用较小的优点，使其成为临床最为常用的检测手段之一。心电图自动参数获取方法可以实现心电图信号的识别和分类，是计算机辅助心电图分析不可或缺的技术手段，也是心电图领域的研究热点之一。

目前ECG自动参数获取可以归结为两种：第一种为基于数理特征的传统参数获取方法。常见的数理特征可以是小波特征、各种高阶统计指标、功率谱等。通过这些特征量，结合时域特征指标以及一些传统的分析方法，比如主成分分析、独立主成分分析等手段进行ECG的参数获取方法。以上这些传统分类参数获取方法首先要克服ECG干扰信号的影响，而且对噪声信号的适应性比较差，并且以上数理特征的特征量与ECG信号的异常特征之间并不存在直接的映射关系，所以数理特征并不能充分挖掘出ECG的异常特征。传统的时间序列参数获取方法高度依赖于提取的特征，但是很难提取捕获时间序列数据的内在属性中正确和关键的信息。所以该类方法步骤繁琐、实用性较差。

第二种为是基于人工智能的ECG自动参数获取方法。人工智能识别步骤相对简单且准确度较高，能够提高处理效率。深度神经网络的最近应用之一是时间序列分类，专门处理大量数据的时间序列分类问题，从而被广泛用于医疗保健系统、自然语言处理、生物信息学等各种应用中。例如，Feng等(FENG Y R,CHEN W,CAI G Y.Biometric Extraction andRecognition based on ECG Signals[J].ComputerDigital Engineering,2016,46(6):1099-1103)提出将ECG信号使用多重小波算法进行滤波之后，再采用SVM分类器进行参数获取方法。Venkatesan等(VenkatesanC,Karthigaikumar P,Varatharajan R.A novel LMSalgorithm for ECG signal preprocessing and KNN classifier based abnormalitydetection[J].Multimedia ToolsApplications,2018.)提出基于K最邻近分类算法完成心律失常参数获取方法，实现ECG信号的参数获取方法。Zhang等(ZHANG K,LI X,XIE X J,et al.Study on Arrhythmia Detection Algorithm based on Deep Learning[J].Chinese Medical Equipment Journal,2008,39(12):6-9+31)采用卷积神经网络(Convolutional Neural Networks,CNN)和长短时记忆神经网络(Long Short-TermMemory,LSTM)复合算法，对5种不同心拍进行自动参数获取方法。Rajpurkar等(RajpurkarP,Hannun A Y,Haghpanahi M,et al.Cardiologist-Level Arrhythmia Detection withConvolutional Neural Networks[J].2017.)和Hannun等(Hannun A Y,Rajpurkar P,Haghpanahi M,et al.Cardiologist-level arrhythmia detection and classificationin ambulatory electrocardiograms using a deep neural network[J].Naturemedicine,2019,25(1):65-69.)采用34层卷积神经网络，利用来自超过5万位对像的91232条记录组成的大型数据集，将心电信号分为包括窦性心律在内的11种心律。基于人工智能的ECG参数获取方法对ECG信号的检测一般分为三个步骤:信号预处理，特征学习和ECG分类。经过训练后的网络架构，能够快速检测到心电信号参数。以上基于人工智能的ECG参数获取方法的最大问题是把ECG信号分类作为时间序列分类问题对待缺乏模拟人眼识别心电波图像的行为能力，从而适应性较差。