一种基于自顶向下设计的心搏分类方法及系统与流程

本发明涉及心电信号处理，尤其涉及一种基于自顶向下设计的心搏分类方法及系统。

背景技术：

1、随着医疗技术的不断发展，心电图在诊断心脏病、监测患者心脏运行状况等方面具有广泛应用。计算机技术的发展，极大地方便了心电图的分析和处理，计算机可以快速而准确地分析大量的心电图数据，帮助医生更加精确地诊断心脏疾病，从而提高诊断的准确率。

2、在心电图分析中，心搏分类是一项至关重要的任务。它作为心电辅助诊断的核心算法，近年来得到了快速的发展。然而，目前大部分心搏分类算法仍然相对简单，分类的类别也相对较少，这在一定程度上限制了其在心电诊断报告中的应用价值。医生在诊断过程中，往往需要更加详细和准确的心搏分类信息，以便更好地了解患者的心脏状况，制定更为精准的治疗方案。

3、此外，现有的心搏分类算法在处理心电图数据时，通常采用先识别出子波形，再确定子波形对应类别的方法。如申请号为2023103306821，发明名称为一种心搏划分和分类的联合处理系统及方法的专利，其根据子波形信息获得心搏分类结果，这种方法在一定程度上忽略了心搏层面上的宏观判断，即没有充分考虑心搏在整个心电序列中的位置和前后关系。而在实际的临床诊断中，医生通常是通过观察整个心电序列来判断心搏的类型和特征，而不是仅仅依赖于子波形的识别。因此，这种缺乏宏观判断的心搏分类算法，在实际应用中，将阻碍医生对患者心脏电活动情况的全面了解，从而降低对心脏疾病诊断的准确性。

技术实现思路

1、本公开为了解决上述问题，提出了一种基于自顶向下设计的心搏分类方法及系统，综合考虑了宏观层面的心搏特征和微观层面的子波形特征，通过从心搏到子波形逐层分解，建立起从心搏到子波形的关联，更好地表现整个心电序列中心搏的前后关系和内在结构；不仅提供了更加准确和详细的心搏分类信息，还有助于医生进行整体分析，制定更为有效的治疗方案。

2、为了实现上述目的，本发明采用如下技术方案：

3、第一方面，本发明提供一种基于自顶向下设计的心搏分类方法，包括：

4、获取待分类心电信号并预处理为心电张量；

5、将心电张量输入至训练好的特征学习网络中，输出预测特征；所述特征学习网络的训练过程为：获取张量样本和数据标注列表，所述数据标注列表以字典形式包含心搏和子波形信息；将数据标注列表输入特征转换模块，得到标签特征矩阵；将张量样本输入特征学习网络中，得到心电特征；根据心电特征和标签特征矩阵计算特征学习网络的损失函数，当网络的损失最小时，得到训练好的特征学习网络；

6、将预测特征输入至特征转换模块中解码，基于激活索引依次遍历心搏信息和子波形信息，定位激活心搏对应子波形所在区域，保存该区域内心搏信息和子波形信息。

7、优选地，所述预处理为对待分类心搏信号分别通过低通滤波器和高通滤波器，去除高频噪声与基线噪声。

8、优选地，所述心电张量由导联数、每个导联的心电信号在频率下对应的数据点长度表示。

9、优选地，所述将心电张量输入至训练好的特征学习网络中，输出预测特征具体包括：

10、将心电张量输入到卷积神经网络中，自动化提取出特征，得到第一特征；

11、将第一特征输入到残差神经网络中，得到泛化特征；

12、将泛化特征输入到双向lstm中，增强前后关联特征，输出预测特征。

13、优选地，所述数据标注列表以字典形式包含心搏和子波形信息，具体包括：心搏类别、各类心搏数据长度、各类心搏对应的子波形列表；子波形列表包含子波形类别和子波形数据长度。

14、第二方面，本发明提供一种基于自顶向下设计的心搏分类系统，包括：

15、数据获取模块，用于获取待分类心电信号并预处理为心电张量；

16、特征提取模块，用于将心电张量输入至训练好的特征学习网络中，输出预测特征；所述特征学习网络的训练过程为：获取张量样本和数据标注列表，所述数据标注列表以字典形式包含心搏和子波形信息；将数据标注列表输入特征转换模块，得到标签特征矩阵；将张量样本输入特征学习网络中，得到心电特征；根据心电特征和标签特征矩阵计算特征学习网络的损失函数，当网络的损失最小时，得到训练好的特征学习网络；

17、识别模块，用于将预测特征输入至特征转换模块中解码，基于激活索引依次遍历心搏信息和子波形信息，定位激活心搏对应子波形所在区域，保存该区域内心搏信息和子波形信息。

18、优选地，所述预处理为对待分类心搏信号分别通过低通滤波器和高通滤波器，去除高频噪声与基线噪声。

19、优选地，所述心电张量由导联数、每个导联的心电信号在频率下对应的数据点长度表示。

20、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的一种基于自顶向下设计的心搏分类方法中的步骤。

21、第四方面，本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的一种基于自顶向下设计的心搏分类方法中的步骤。

22、与现有技术相比，本公开的有益效果为：

23、本发明将自顶向下思想贯穿心搏分类的多个方面：特征提取阶段，首先，构建基于真实标签信息的数据标注列表，数据标注列表第一层为心搏类别和其数据长度，第二层为子波形列表；其次，将该包含心搏和子波形之间层级关系的列表转换为标签特征矩阵，用于模型训练，从而充分利用数据标注列表提供的丰富信息，将心搏和子波形的复杂关系以结构化的方式呈现给模型，使得模型能够更有效地学习和利用这些信息。这对于提高心电信号分析的准确性和可靠性具有重要意义。

24、心搏识别阶段，基于激活索引依次遍历心搏信息和子波形信息，即先获取心搏在整个序列中的位置关系，再进一步获取心搏包含的子波形信息，从而基于心搏向子波形辐射的方向逐层获取信息。宏观视角和微观视角的结合构成了双重判断，基于宏观的心搏在整个序列中的位置，可根据前后心搏大致了解当前心搏类型，再进一步基于微观的所包含的子波形特征进行详细判断，符合临床实践中医生的诊断习惯。

25、在一些复杂的心脏疾病中，各心搏的子波形之间的区别难以辨认，因此，传统的仅基于子波形的心搏分类方法难以保证心搏分类的准确性。而本发明基于自顶向下的思想，能够从整体上分析心电序列，而不仅仅是分解成单独的子波形；并且，本发明也不建立在已经识别好子波形的基础上运行，能够同时找到心搏类型以及子波形位置，心搏类别和子波形的两个任务可以互相指导，组合成一个整体的识别机制。

26、本发明基于自顶向下的思想提出了所述方法，改进了传统的自底向上的心搏分类方式，克服了传统方式不符合真实诊断习惯、易造成误判的缺陷，可以更好地理解心搏的内在结构和模式，从而提高诊断的准确性和可靠性，所述系统应用于临床诊疗中，能够为医生提供有效帮助。

27、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。