一种心跳识别预判断模型的制作方法

1.本技术属于心电信号处理技术领域，尤其是涉及一种心跳识别预判断模型。


背景技术：

2.心电图具有非植入性和低成本的特点，因此被广泛应用于心脏疾病的筛查。但由于一些疾病是间断性的，因此往往需要长时间的动态心电图监测才可能被发现。在对长时间的心电图进行分析时，其中一项很重要的任务就是挑选出室上性早搏、室性早搏这两类异位心跳。但由于信号时常较长，人工挑选这些异常心跳费时费力，采用计算机辅助筛查就很有必要。
3.现有的辅助筛查方法，一种是利用波形特点判断异位心跳，但由于心电图中除了r波峰位置以外，其他的波形定位算法准确率较差，这类算法具有一定局限性。近年来，由于深度学习技术的发展，采用深度学习模型对心跳进行分类，已经成为一个研究热点。然而大部分深度学习模型，没有考虑到异位心跳发生时的个人特点，更有些忽略了前面心跳对当前心跳判断的影响。因而导致目前的深度学习模型在导联形式发生变化，或者对于病人的判断时准确率不高。


技术实现要素：

4.本发明要解决的技术问题是：为解决现有技术中采用深度学习模型对心跳进行分类准确率不高的问题，从而提供一种心跳识别预判断模型。
5.本发明解决其技术问题所采用的技术方案是：
6.一种心跳识别预判断模型，包括以下步骤：
7.步骤一，收集数据，数据集中总共包含室上早心跳、室早心跳个数均不少于3000个；
8.步骤二，对数据进行滤波并截断为心跳：首先进行滤波；其次，将心电信号中的每个r波波峰位置标出，并将r波波峰发生前第一时间段到r波波峰发生后第二时间段截断作为一个心跳，将每条心电信号中的心跳按顺序排列编号，并对每个心跳进行标记，正常心跳的数据标记为0，室上早心跳的数据标记为1，室早心跳的数据标记为2，其他心跳类型的数据标记为3；
9.步骤三，以前一个心跳数据作为输入，以后一个心跳数据作为输出训练多个模型；
10.步骤四，判断新数据：
11.新的数据产生后，首先采用任意一种r波提取算法提取出心电图中的r波波峰，并将r波波峰发生前第一时间段到r波发生后第二时间段截断作为一个心跳，产生n段心跳，第一个心跳类型不做判断，第二个心跳的判断方式是，如果第二个心跳的r波峰位置与第一个r波波峰位置之间的间隔rr2q,比第二个心跳的r波峰位置与第三个r波波峰位置之间的间隔rr2h少0.12秒以上并且qrs宽度大于0.08秒则认为是室早心跳；如果rr2q<rr2h
‑
0.12秒并且qrs宽度小于等于0.08秒，则认为是室上早心跳；其他情况认为是正常心跳；
12.其中，qrs宽度的计算方法是：对心跳数据进行中值滤波，中值滤波参数选择0.16秒的窗；(2)用0.04秒的窗进行均值处理；处理后的心跳数据记为ecg2,原心电数据和ecg2在r波峰位置前的第一个交点q，在r波峰后出现的第一个交点s，之间的间隔记为qrs宽度；
13.对于第m 1个心跳的判断，首先依据第m个心跳类型，选择模型，依据步骤三中训练的4个模型预测第m 1个心跳的数据，分别记为yy0、yy1、yy2、yy3，
14.将yy0、yy1、yy2、yy3分别与实际的第m 1个心跳数据y3进行相关性计算；如果yy0相关性最高，则第m 1个心跳判断为正常心跳；若yy1相关性最高，则第m 1个心跳判断为室上早心跳；若yy2相关性最高，则第m 1个心跳判断为室早心跳；若yy3相关性最高，则第m 1个心跳判断为其他心跳；n为自然数，m为大于等于2，小于n的自然数；
15.依次判断后一个心跳的类型，直到依据第n
‑
1个心跳类型，选取模型对第n个心跳进行判断完成为止。
16.优选地，本发明的心跳识别预判断模型，在步骤三中，使用前面数据标记为a的心跳数据，后面数据标记为b的心跳数据训练出a
‑
b模型。
17.优选地，本发明的心跳识别预判断模型，在步骤三中，模型框架采用seq2seq架构：
18.该框架由两个rnn模型组成；第一个rnn通过特征学习对数据进行编码，将一定维度的数据编码到一个信息向量c中，第二个rnn通过信息向量c对其解码，最终输出与输入维度相同的数据；
19.模型将前一个心跳数据x＝(x1,x2...x
i
...x
350
)作为输入，其中x
i
表示第i帧心跳数据；将后一个心跳数据y＝(y1,y2....y
i
....y
350
)作为输出，其中y
i
表示预测出的第i帧心跳数据；
20.h＝(h0,h1...h
i
....h
350
)为模型编码过程中学习到的隐藏状态参数，其中h
i
表示第i个隐藏状态参数；h'＝(h'0,h'1...h'
i
....h'
350
)为模型解码过程中的隐藏状态参数，其中h'
i
表示第i个隐藏状态参数；
21.模型的编码过程：h0为预设的初始隐藏状态参数，设置为零向量与心跳数据x1同时输入至第一个rnn中，将学习到隐藏状态参数h
i
结合心跳数据x
i 1
依次向下传递，最终输出包含所有信息的信息向量c；
22.模型的解码过程：信息向量c作为初始隐藏状态，输入至第二个rnn中，后续只接受上一个神经元的隐藏层状态而不接收其他的输入，最终输出预测后一个心跳数据y。
23.优选地，本发明的心跳识别预判断模型，所述第一时间段为0.3秒，所述第二时间段为0.4秒。
24.优选地，本发明的心跳识别预判断模型，步骤四中，依据第m个心跳类型选择模型时，若第m个心跳为正常心跳则选择0
‑
0模型、0
‑
1模型、0
‑
2模型、0
‑
3模型；若第m个心跳为室上早心跳则选择模型1
‑
0模型、1
‑
1模型、1
‑
2模型、1
‑
3模型；若第m个心跳为室早心跳则选择2
‑
0模型、2
‑
1模型、2
‑
2模型、2
‑
3模型；若第m个心跳为其他心跳类型则选择3
‑
0模型、3
‑
1模型、3
‑
2模型、3
‑
3模型。
25.优选地，本发明的心跳识别预判断模型，步骤四中，将第三个心跳到第n
‑
1个心跳的计算机判断类型作为最后结果。
26.优选地，本发明的心跳识别预判断模型，步骤一中，收集数据时，至少收集2万人的包含异位心跳 正常心跳的心电数据；每条心电数据长度至少在20小时以上。
27.优选地，本发明的心跳识别预判断模型，步骤一中，收集数据时，采样频率为500hz，如果有数据不是500hz，首先将其进行重采样为500hz。
28.优选地，本发明的心跳识别预判断模型，步骤二中，进行滤波时，采用0.1
‑
100hz的带通滤波器。
29.优选地，本发明的心跳识别预判断模型，步骤二中，将心电信号中的每个r波位置标出、对每个心跳进行标记的步骤中采用人工或程序。
30.本发明的有益效果是：该方法不仅考虑到心跳前后的关系，还照顾到了个人的心电特点，进而提高了判断的准确性。
附图说明
31.下面结合附图和实施例对本技术的技术方案进一步说明。
32.图1是本技术实施例的心跳识别预判断模型整体步骤流程图；
33.图2是本技术实施例的心跳识别预判断模型步骤四流程图；
34.图3是本技术实施例的心跳识别预判断模型步骤三seq2seq架构逻辑示意图。
具体实施方式
35.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
36.在本技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术保护范围的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中，除非另有说明，“多个”的含义是两个或两个以上。
37.在本技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本技术中的具体含义。
38.下面将参考附图并结合实施例来详细说明本技术的技术方案。
39.实施例
40.本实施例提供一种心跳识别预判断模型，如图1所示，包括以下步骤：
41.步骤一，收集数据，数据集中总共包含室上早心跳、室早心跳个数均不少于3000个；
42.步骤二，对数据进行滤波并截断为心跳：首先进行滤波；其次，将心电信号中的每个r波波峰位置标出，并将r波波峰发生前第一时间段到r波波峰发生后第二时间段截断作为一个心跳，将每条心电信号中的心跳按顺序排列编号，并对每个心跳进行标记，正常心跳
的数据标记为0，室上早心跳的数据标记为1，室早心跳的数据标记为2，其他心跳类型的数据标记为3；
43.步骤三，以前一个心跳数据作为输入，以后一个心跳数据作为输出训练多个模型；
44.步骤四，判断新数据：
45.新的数据产生后，首先采用任意一种r波提取算法提取出心电图中的r波波峰，并将r波波峰发生前第一时间段到r波发生后第二时间段截断作为一个心跳，产生n段心跳，第一个心跳类型不做判断，第二个心跳的判断方式是，如果第二个心跳的r波峰位置与第一个r波波峰位置之间的间隔rr2q,比第二个心跳的r波峰位置与第三个r波波峰位置之间的间隔rr2h少0.12秒以上并且qrs宽度大于0.08秒则认为是室早心跳；如果rr2q<rr2h
‑
0.12秒并且qrs宽度小于等于0.08秒，则认为是室上早心跳；其他情况认为是正常心跳；
46.其中，qrs宽度的计算方法是：(1)对心跳数据进行中值滤波，中值滤波参数选择0.16秒的窗；(2)用0.04秒的窗进行均值处理；处理后的心跳数据记为ecg2,原心电数据和ecg2在r波峰位置前的第一个交点q，在r波峰后出现的第一个交点s，之间的间隔记为qrs宽度；
47.对于第m 1(m>＝2)个心跳的判断，首先依据第m个心跳类型，选择模型，依据步骤三中训练的4个模型预测第m 1个心跳的数据，分别记为yy0、yy1、yy2、yy3，
48.将yy0、yy1、yy2、yy3分别与实际的第m 1个心跳数据y3进行相关性计算；如果yy0相关性最高则第m 1个心跳判断为正常心跳；若yy1相关性最高，则第m 1个心跳判断为室上早心跳；若yy2相关性最高，则第m 1个心跳判断为室早心跳；若yy3相关性最高，则第m 1个心跳判断为其他心跳；n为自然数，m为大于等于2，小于n的自然数；
49.依次判断后一个心跳的类型，直到依据第n
‑
1个心跳类型，选取模型对第n个心跳进行判断完成为止。
50.具体的，步骤三中，如图2所示，依据第二个心跳类型，选择模型，若第二个心跳为正常心跳则选择0
‑
0模型，0
‑
1模型，0
‑
2模型，0
‑
3模型，若第二个心跳为室上性心跳，则选择模型1
‑
0模型，1
‑
1模型，1
‑
2模型，1
‑
3模型；其他同理。依据4个训练好的模型预测第三个心跳的数据，分别记为yy0、yy1、yy2、yy3，将yy0、yy1、yy2、yy3分别与实际的第三个心跳数据y3进行相关性计算；如果yy0相关性最高则第三个心跳诊断为正常心跳；若yy1相关性最高，则第三个心跳诊断为室上性早搏心跳；若yy2相关性最高，则第三个心跳诊断为室早心跳；若yy3相关性最高，则第三个心跳诊断为其他心跳。依据第三个心跳类型，选取模型对第四个心跳进行诊断，直到后面所有的心跳被诊断出为止。
51.优选地，本实施例的心跳识别预判断模型，在步骤三中，使用前面数据标记为a的心跳数据，后面数据标记为b的心跳数据训练出a
‑
b模型。比如：使用前后均是正常心跳的数据，训练出0
‑
0模型；使用前面是正常心跳数据，后面是室上早心跳数据的信号训练出0
‑
1模型；使用前面是正常心跳，后面是室早心跳的数据训练出0
‑
2模型；使用前面是正常心跳，后一个心跳为其他类型心跳的数据训练出0
‑
3模型；
52.同理，使用相应的数据，训练出1
‑
0模型，1
‑
1模型，1
‑
2模型，1
‑
3模型；2
‑
0模型，2
‑
1模型，2
‑
2模型，2
‑
3模型，3
‑
0模型，3
‑
1模型，3
‑
2模型，3
‑
3模型。
53.优选地，本实施例的心跳识别预判断模型，在步骤三中，模型框架采用seq2seq架构：如图3所示，
54.该框架由两个rnn(循环神经网络)模型组成；第一个rnn通过特征学习对数据进行编码，将一定维度的数据编码到一个信息向量c中，第二个rnn通过信息向量c对其解码，最终输出与输入维度相同的数据；
55.模型将前一个心跳数据x＝(x1,x2...x
i
...x
350
)作为输入，其中x
i
表示第i帧心跳数据；将后一个心跳数据y＝(y1,y2....y
i
....y
350
)作为输出，其中y
i
表示预测出的第i帧心跳数据；
56.h＝(h0,h1...h
i
....h
350
)为模型编码过程中学习到的隐藏状态参数，其中h
i
表示第i个隐藏状态参数；h'＝(h'0,h'1...h'
i
....h'
350
)为模型解码过程中的隐藏状态参数，其中h'
i
表示第i个隐藏状态参数；
57.模型的编码过程：h0为预设的初始隐藏状态参数，设置为零向量与心跳数据x1同时输入至第一个rnn中，将学习到隐藏状态参数h
i
结合心跳数据x
i 1
依次向下传递，最终输出包含所有信息的信息向量c；
58.模型的解码过程：信息向量c作为初始隐藏状态，输入至第二个rnn中，后续只接受上一个神经元的隐藏层状态而不接收其他的输入，最终输出预测后一个心跳数据y。
59.优选地，本实施例的心跳识别预判断模型，所述第一时间段为0.3秒，所述第二时间段为0.4秒。
60.优选地，本实施例的心跳识别预判断模型，步骤四中，依据第m个心跳类型选择模型时，若第m个心跳为正常心跳则选择0
‑
0模型、0
‑
1模型、0
‑
2模型、0
‑
3模型；若第m个心跳为室上早心跳则选择模型1
‑
0模型、1
‑
1模型、1
‑
2模型、1
‑
3模型；若第m个心跳为室早心跳则选择2
‑
0模型、2
‑
1模型、2
‑
2模型、2
‑
3模型；若第m个心跳为其他心跳类型则选择3
‑
0模型、3
‑
1模型、3
‑
2模型、3
‑
3模型。
61.优选地，本实施例的心跳识别预判断模型，步骤四中，由于对于长时间的心电信号进行分析时，去掉前两个心跳并不影响分析结果，因此将第三个心跳到第n
‑
1个心跳的计算机判断类型作为最后结果。
62.优选地，本实施例的心跳识别预判断模型，步骤一中，收集数据时，至少收集2万人的包含异位心跳 正常心跳的心电数据；每条心电数据长度至少在20小时以上(平均每个小时包含4800个心跳)。
63.优选地，本实施例的心跳识别预判断模型，步骤一中，收集数据时，采样频率为500hz，如果有数据不是500hz，首先将其进行重采样为500hz。
64.优选地，本实施例的心跳识别预判断模型，步骤二中，进行滤波时，采用0.1
‑
100hz的带通滤波器。
65.优选地，本实施例的心跳识别预判断模型，步骤二中，将心电信号中的每个r波位置标出、对每个心跳进行标记的步骤中采用人工或程序。
66.以上述依据本技术的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。