[发明专利]一种基于迁移学习的动态心电图R波T波识别系统

说明书

本发明涉及心电信号分析技术领域，具体公开了一种基于迁移学习的动态心电图R波T波识别方法，包括动态ECG信号便携采集模块，ECG信号去噪模块，ECG信号分割模块，卷积神经网络识别模块和ECG信号结果综合显示模块。动态ECG信号便携采集模块用于便携式动态心电图采集和存储；ECG信号去噪模块用于对动态心电信号进行去噪处理；ECG信号分割模块用于对心电信号进行分割和切割；卷积神经网络识别模块使用迁移学习的方法对R波和T波进行识别；ECG信号结果综合显示模块用于综合输出波峰坐标。采用本发明的系统，基于迁移学习对R波和T波进行识别，解决T波训练数据量小而且识别难度大的问题。

技术领域

本发明属于心电信号分析技术领域，更具体的涉及一种基于迁移学习的动态心电图R波T波识别系统。

背景技术

在ECG信号应用于临床的过程中，对整条ECG信号中的每一个心拍中的QRS波群和T波波峰进行识别有助于医生在临床诊断过程中对病发信号段进行定位，对疑似病发信号段量化判断提供参考依据。然而由于动态ECG信号采集设备需要在病人身体上进行长时间的佩戴，病人的运动会对给ECG信号的采集造成很大的噪声，所以动态ECG信号的R波T波识别的较难识别。同时T波的信号特征较为单一容易被噪声干扰，所以T波的识别难度很高。

现有应用的动态心电图R波和T波识别方式有以下几种：

有使用数字信号处理的方法对心电信号进行处理，如EWT和结构特征提取的心电信号和基于Douglas-Peucker算法的多边形近似理论和自适应门限阈值理论【CN110477906A[中文]、CN110477906A[英文]、CN110477906B[中文]、CN111956210A、CN202010880573.3】，这种方式通过设计R波信号时域和频域特征对心电信号的特称进行量化并设计适应性阈值来对目标信号进行检测；这种方式检测鲁棒性差，不能应对带有较多噪声的动态心电数据。有使用目标检测方式对心电数据进行模型训练的方式【CN202010596685.6】，这种方式大多使用滑窗对心电信号进行遍历，未使用end2end进行训练导致心拍波峰定位易于出现偏移。同时，现在的心拍波峰检测技术仅仅支持单一的波峰进行检测，而且T波检测准确率很低，不能满足临床上检测准确率的要求。同时由于现在公开的已标注数据集中对于QRS波群进行标注的数据量很大，但是对于心电图中T波标记难度较高，标记的花费较大，所有现在公开的已经标注数据集中对于T波标注的数据量很小。同时T波的心电图特征不够明显，导致普通算法对T波进行识别效果较差。

发明内容

针对上述现有技术存在的不足，本发明提供一种基于迁移学习的动态心电图R波T波识别系统，目的在于通过使用全卷积神经网络对心电信号进行end2end训练，通过对于拥有大量数据量的QRS波群数据集对神经网络进行预训练，依据QRS波群和T波在心电信号的特征中具有明显依赖关系的先验知识，对神经网络进行迁移学习的训练，使用检测较为简单的QRS波群检测作为基础进行迁移学习，实现QRS波群和T波波峰的高精度识别。

具体技术方案如下：

一种基于迁移学习的动态心电图R波T波识别系统，其与现有技术的区别在于，包括动态ECG信号便携采集模块，ECG信号去噪模块，ECG信号分割模块，卷积神经网络识别模块以及ECG信号结果综合显示模块。

A)动态ECG信号便携采集模块，用于便携式动态ECG信号的采集和存储。

具体地，通过可穿戴对动态心电信号进行采集，优选使用十六进制大端数据对心电信号进行存储。

其中，所述可穿戴采集设备优选为智能手表，健康手环，心率带或者心电衣等。

B)ECG信号去噪模块，用于对由动态ECG信号便携采集模块采集的动态心电信号进行去噪处理。

具体地，首先使用滤波器对心电信号中的噪音进行滤除，去除肌电干扰和工频噪音；其次对去噪后的心电信号进行平滑处理。