A61B5/0402 A61B5/0472
1.一种基于FASTER-RCNN的QRS波检测方法,其特征在于,所述方法包括:
步骤1)获取第二届中国生理信号挑战赛的心电信号数据,采用小波变换将一维电信号转换为二维图像数据;
步骤2)滑动切割每一张二维图像数据,使得图片中的QRS波位于中心位置,切割结果为5张图像,按照8:2的比例划分为检测网络的训练验证集和测试集;
步骤3)构造基于VGG-16的FASTER-RCNN检测网络,包括特征提取网络、RPN网络;
步骤4)将上述检测网络使用训练集进行模型训练,选出在验证集上表现最优的模型;
步骤5)将待测图像送入上述选出的模型进行预测,得到QRS波对应的位置和分数,并基于第二届中国生理信号挑战赛的评分标准计算QRS复合波检测评分和心率评分。
2.根据权利要求1所述的方法,其特征在于,所述步骤1)中所述的小波变换是指:选取在时域和频域具备良好的局部化性质的Mexican Hat小波,设置变换宽度为256,将时域下的一维心电信号全部变换到频域中去,从而转化为二维图像中QRS波的检测问题。
3.根据权利要求1所述的方法,其特征在于,所述步骤2)中所述的滑动切割图像是指:对原始5000*512分辨率图像的初始位置和终点位置分别填充100个单位的0像素值,滑动窗口大小为1200,在滑动切割图像后得到5张1000*512分辨率的二维心电图像,并按照8:2的比例划分为检测网络的训练验证集和测试集。
4.根据权利要求1所述的方法,其特征在于,所述步骤3)中所述的特征提取网络是指:由VGG-16网络下采样到conv5_3这一共享卷积层,输出记为feature-map。
5.根据权利要求1所述的方法,其特征在于,所述步骤3)中所述的RPN网络是指:一个卷积核为3*3、stride=1、输出channels数量为256的卷积层,再并行接2个卷积核为1*1卷积层分别构成分类层和回归层,它们的输出channels数量分别是18和36。
6.根据权利要求1所述的方法,其特征在于,所述步骤4)中所述的在验证集上表现最优的模型是指:在训练过程,每经过1个epoch存储一次模型,并在验证集上测试,根据QRS波的误检率和漏检率两个指标选择出最优的模型。
7.根据权利要求1所述的方法,其特征在于,所述步骤5)中所述的预测过程是指:将每一张待预测的图像,输入到最优的检测模型中,对图像两侧300ms位置设置阈值为0.85,中心部分阈值设置为0.9,然后会得到检测出来的QRS波位置和分数。
8.根据权利要求1所述的方法,其特征在于,所述步骤5)中所述的基于第二届中国生理信号挑战赛的评分标准计算测试分数是指:QRS波检测后,对每个10秒的心电图段,按照第二届中国生理信号挑战赛的评分标准进行打分,得到QRS复合波检测评分和心率评分。
本发明涉及一种图像识别方法,准确的说是一种基于FASTER-RCNN的QRS波检测方法,属于图像处理领域。
心电图是目前应用最广泛的临床检查方法之一,能有效地反应人体心脏电活动引发的皮肤电变化,它不仅能直接的帮助医生诊断心血管疾病,更能间接的诊断影响心脏活动的问题。 QRS波是EGG中最显著的部分,它反映了心室收缩时心脏的微电流信号,是判断心脏健康程度的重要检测对象。
基于计算机的心电图分析通常是对QRS波检测,QRS波是心电数据中信息量最大的波形,在视觉上也最为显著。因此在心电特征波形的检测中,通常先对QRS波进行定位。所以QRS波的检测是所有心电波形检测的基础环节,QRS波检测的准确度也成为了心电信号自动分析的焦点和难点。目前针对QRS波检测的算法层出不穷,但这些算法所需要的滤波器组设计成本高昂,灵活性差,QRS波检测精度不高。
随着深度学习的不断发展,产生了R-CNN、YOLO、SSD等目标检测网络。R-CNN网络虽然能保证检测精度,但是网络训练过程繁琐,训练时间过长。YOLO与SSD网络虽然耗时少,但存在检测精度不够的问题,因此上述现有技术不能保证检测精度的同时也保证网络训练过程简单,识别速度快,在工程运用中较少。
本发明的目的在于:针对上述现有技术存在的局限性,提出一种基于FASTER-RCNN的QRS 波检测方法,将深度学习中目标识别的方法引入进来,以提高QRS波检测的准确度和速度。
为了达到上述目的,本发明包括以下步骤:
步骤1)获取第二届中国生理信号挑战赛的心电信号数据,采用小波变换将一维心电信号转换为二维图像数据;
步骤2)滑动切割每一张二维图像数据,使得图片中的QRS波位于中心位置,切割结果为 5张图像,按照8:2的比例划分为检测网络的训练验证集和测试集;
步骤3)构造基于VGG-16的FASTER-RCNN检测网络,包括特征提取网络、RPN网络;
步骤4)将上述检测网络使用训练集进行模型训练,选出在验证集上表现最优的模型;
步骤5)将待测图像送入上述选出的模型进行预测,得到QRS波对应的位置和分数,并基于第二届中国生理信号挑战赛的评分标准计算QRS复合波检测评分和心率评分。
上述步骤1)中所述的小波变换是指:选取在时域和频域具备良好的局部化性质的Mexican Hat小波,设置变换宽度为256,将时域下的一维心电信号全部变换到频域中去,从而转化为二维图像中QRS波的检测问题。
上述步骤2)中所述的滑动切割图像是指:对原始5000*512分辨率图像的初始位置和终点位置分别填充100个单位的0像素值,滑动窗口大小为1200,在滑动切割图像后得到5张1000*512分辨率的二维心电图像,并按照8:2的比例划分为检测网络的训练验证集和测试集。
上述步骤3)中所述的特征提取网络是指:由VGG-16网络下采样到conv5_3这一共享卷积层,输出记为feature-map。
上述步骤3)中所述的RPN网络是指:一个卷积核为3*3、stride=1、输出channels数量为256的卷积层,再并行接2个卷积核为1*1卷积层分别构成分类层和回归层,它们的输出channels数量分别是18和36。
上述步骤4)中所述的在验证集上表现最优的模型是指:在训练过程,每经过1个epoch存储一次模型,并在验证集上测试,根据QRS波的误检率和漏检率两个指标选择出最优的模型。
上述步骤5)中所述的预测过程是指:将每一张待预测的图像,输入到最优的检测模型中,对图像两侧300ms位置设置阈值为0.85,中心部分阈值设置为0.9,然后会得到检测出来的QRS波位置和分数。
上述步骤5)中所述的基于第二届中国生理信号挑战赛的评分标准计算测试分数是指:QRS波检测后,对每个10秒的心电图段,按照第二届中国生理信号挑战赛的评分标准进行打分,得到QRS复合波检测评分和心率评分。
本发明的创新之处在于:
本发明提出一种基于FASTER-RCNN的QRS波检测方法,包括小波变换、滑窗切割和目标识别;引入了深度学习中基于VGG-16的FASTER-RCNN网络,得到了检测速度快、检测精度高的QRS波检测模型。与传统的针对一维心电信号处理方法相比,本发明通过小波变换将一维心电信号检测问题转换为二维图像QRS波检测问题,并引入深度学习中目标识别网络,在保证检测精度的同时也保证了网络训练过程简单,识别速度快。总之,本发明既能平衡QRS波检测精度和训练时间,又能减少设计成本,提高灵活性,可广泛应用于医学图像等领域。
图1是数据训练过程
图2是基于FASTER-RCNN的QRS波检测结果
为了使本发明的目的、技术方案和优点更加清晰,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1与图2,本发明的基于FASTER-RCNN的QRS波检测方法包括数据集制作、网络的构建、检测模型训练、预测、评分。
本发明公开了一种基于FASTER-RCNN的QRS波检测方法,具体实施步骤包括:
步骤1)获取第二届中国生理信号挑战赛的心电信号数据,采用小波变换将一维心电信号转换为二维图像数据;
步骤2)滑动切割每一张二维图像数据,使得图片中的QRS波位于中心位置,切割结果为 5张图像,按照8:2的比例划分为检测网络的训练验证集和测试集;
步骤3)构造基于VGG-16的FASTER-RCNN检测网络,包括特征提取网络、RPN网络;
步骤4)将上述检测网络使用训练集进行模型训练,选出在验证集上表现最优的模型;
步骤5)将待测图像送入上述选出的模型进行预测,得到QRS波对应的位置和分数,并基于第二届中国生理信号挑战赛的评分标准计算QRS复合波检测评分和心率评分。
本发明的基于FASTER-RCNN的QRS波检测方法使用小波变换将一维心电信号转换为二维频域图像,引入了深度学习中基于VGG-16的FASTER-RCNN目标识别网络进行训练和验证,其过程如图1所示。最终得到了准确的QRS波检测模型,从而可以快速的准确的进行QRS波检测,检测效果图如图2所示。
以上对本发明所提供的方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
本文发布于:2024-09-25 18:28:46,感谢您对本站的认可!
本文链接:https://www.17tex.com/tex/4/75259.html
版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,我们将在24小时内删除。
留言与评论(共有 0 条评论) |