CN115067967B - 心拍信号基准点确定方法、心拍类型识别方法及装置 - Google Patents

Abstract

本发明公开了一种心拍信号基准点确定方法、心拍类型识别方法及装置。在获取心电信号后，对心电信号进行特征提取，得到心电信号在多个不同尺度的特征图，基于特征图确定QRS波群的概率图，概率图中概率值大于概率阈值的局部极大值点表示QRS波群的位置信息的候选点，针对每一QRS波群，从多个概率图中筛选出概率值最大的候选点作为表示QRS波群的位置信息的目标点，以及目标点对应的特征图作为目标特征图，基于目标特征图上的区域特征图确定QRS波群所属的心拍信号的基准点。无需基于预设锚点和锚框进行检测，只需基于目标特征图上的区域特征图确定QRS波群所属的心拍信号的基准点即可，节省了计算资源，提高了基准点的检测效率。

Description

心拍信号基准点确定方法、心拍类型识别方法及装置

技术领域

本发明实施例涉及心电技术领域，尤其涉及一种心拍信号基准点确定方法、心拍类型识别方法及装置。

背景技术

随着社会向老龄化发展，心血管疾病的发病率和危害性不断上升。目前我国的心血管疾病患者数量约为2.6亿，心血管疾病导致死亡的死亡率占城乡居民疾病死亡构成的首位，并且患病人数依然在持续增加。

心电图作为一种常规的体检项目，对心血管疾病的诊断和监测具有重要意义。在临床医学中，医生主要基于心电波形和测量某些关键参数进行心电分析，以确定患者病情。因此，需要一种能够快速、准确地提取心电图的波形信息和测量关键参数的心电分析方法来帮助医生工作。

现有技术中，通常采用在锚点加锚框的方式来检测心拍信号或特征波形。即，将特征图上每一点作为锚点，建立以该锚点为中心的多个不同尺度的锚框，对锚框中的特征进行检测，确定心拍信号或特征波形。该方案需要遍历特征图上所有的点，并以每个点为锚点建立多个不同尺度的锚框，然后对每个锚框中的特征进行目标检测，计算量非常大，检测效率低下。

发明内容

本发明提供一种心拍信号基准点确定方法、心拍类型识别方法及装置，以提高基准点的检测效率。

第一方面，本发明实施例提供了一种心拍信号基准点确定方法，包括：

获取心电信号，所述心电信号包括多个心拍信号；

对所述心电信号进行特征提取，得到所述心电信号在多个不同尺度的特征图；

基于所述特征图确定QRS波群的概率图，所述概率图中概率值大于概率阈值的局部极大值点表示所述QRS波群的位置信息的候选点；

针对每一所述QRS波群，从多个所述概率图中筛选出概率值最大的候选点作为表示所述QRS波群的位置信息的目标点，以及所述目标点对应的特征图作为目标特征图；

基于所述目标特征图上的区域特征图确定所述QRS波群所属的心拍信号的基准点，所述区域特征图为所述目标特征图上以所述目标点为中心的预设范围内的特征。

第二方面，本发明实施例还提供了一种心拍类型识别方法，基于本发明第一方面提供的心拍信号基准点确定方法确定心拍信号的基准点，所述心拍信号的基准点包括所述心拍信号的起点与终点，所述心拍类型识别方法包括：

将所述目标特征图上所述心拍信号的起点与终点范围内的心拍特征图输入训练好的心拍类型识别模型中进行处理，得到所述心拍信号属于各心拍类型的概率值；

将所述概率值中的最大值对应的心拍类型作为所述心拍信号所属的心拍类型。

第三方面，本发明实施例还提供了一种心拍信号基准点确定装置，包括：

心电信号获取模块，用于获取心电信号，所述心电信号包括多个心拍信号；

特征图提取模块，用于对所述心电信号进行特征提取，得到所述心电信号在多个不同尺度的特征图；

概率图确定模块，用于基于所述特征图确定QRS波群的概率图，所述概率图中概率值大于概率阈值的局部极大值点表示所述QRS波群的位置信息的候选点；

目标确定模块，针对每一所述QRS波群，用于从多个所述概率图中筛选出概率值最大的候选点作为表示所述QRS波群的位置信息的目标点，以及所述目标点对应的特征图作为目标特征图；

基准点确定模块，用于基于所述目标特征图上的区域特征图确定所述QRS波群所属的心拍信号的基准点，所述区域特征图为所述目标特征图上以所述目标点为中心的预设范围内的特征。

第四方面，本发明实施例提供了一种心拍类型识别装置，基于本发明第三方面提供的心拍信号基准点确定装置确定心拍信号的基准点，所述心拍信号的基准点包括所述心拍信号的起点与终点，所述心拍类型识别装置包括：

概率值获取模块，用于将所述目标特征图上所述心拍信号的起点与终点范围内的心拍特征图输入训练好的心拍类型识别模型中进行处理，得到所述心拍信号属于各心拍类型的概率值；

心拍类型确定模块，用于将所述概率值中的最大值对应的心拍类型作为所述心拍信号所属的心拍类型。

第五方面，本发明实施例还提供了一种计算机设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明第一方面提供的心拍信号基准点确定方法，或实现如本发明第二方面提供的心拍类型识别方法。

第六方面，本发明实施例还提供了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如本发明第一方面提供的心拍信号基准点确定方法，或实现如本发明第二方面提供的心拍类型识别方法。

本发明实施例提供的心拍信号基准点确定方法，在获取心电信号后，对心电信号进行特征提取，得到心电信号在多个不同尺度的特征图，基于特征图确定QRS波群的概率图，概率图中概率值大于概率阈值的局部极大值点表示QRS波群的位置信息的候选点，针对每一QRS波群，从多个概率图中筛选出概率值最大的候选点作为表示QRS波群的位置信息的目标点，以及目标点对应的特征图作为目标特征图，基于目标特征图上的区域特征图确定QRS波群所属的心拍信号的基准点。无需遍历目标特征图上所有点作为锚点，以及无需以锚点为中心建立多个不同尺度的锚框，并针对每个锚框进行检测的过程，只需基于目标特征图上的区域特征图确定QRS波群所属的心拍信号的基准点即可，节省了计算资源，提高了基准点的检测效率。

附图说明

图1A为本发明实施例一提供的一种心拍信号基准点确定方法的流程图；

图1B为本发明实施例提供的一个心拍信号的示意结构图；

图2A、2B为本发明实施例二提供的一种心拍信号基准点确定方法；

图2C为降噪滤波处理前的原始心电信号图；

图2D为经降噪滤波处理后的心电信号图；

图2E为本发明实施例提供的一种特征金字塔的网络结构示意图；

图2F为本发明实施例中第一卷积块的结构示意图；

图2G为本发明实施例中第二卷积块的结构示意图；

图2H为本发明实施例中从特征图中确定目标点的流程图；

图2I为本发明实施例提供的心电信号图；

图2J为本发明实施例提供的经非极大值抑制处理后概率图；

图2K为本发明实施例中偏移量与心拍信号的宽度的检测流程图；

图2L为本发明实施例检测出的心拍基准点的示意图；

图3A为本发明实施例三提供的一种心拍类型识别方法的流程图；

图3B为本发明实施例提供的一种心拍类型识别模型的结构示意图；

图4为本发明实施例四提供的一种心拍信号基准点确定装置的结构示意图；

图5为本发明实施例五提供的一种心拍类型识别装置的结构示意图；

图6为本发明实施例七提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1A为本发明实施例一提供的一种心拍信号基准点确定方法的流程图，本实施例可适用于心拍信号基准点的检测，该方法可以由本发明实施例提供的心拍信号基准点确定装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于计算机设备中，如图1A所示，该方法具体包括如下步骤：

S101、获取心电信号，心电信号包括多个心拍信号。

具体的，心脏在搏动前后，心肌发生激动。在心肌激动过程中，会产生微弱的生物电流。这样，心脏的每一个心动周期均伴随着生物电变化。这种生物电变化可传达到身体表面的各个部位。由于身体各部分组织不同，距心脏的距离不同，心电信号在身体不同的部位所表现出的电位也不同。对正常心脏来说，这种生物电变化的方向、频率、强度是有规律的。若通过电极将体表不同部位的电信号检测出来，再用放大器加以放大，并用记录器描记下来，就可得到心电图(Electrocardiogram，ECG)。

心电图是心脏在每个心动周期中，由起搏点、心房、心室相继兴奋，伴随着生物电的变化，通过心电描记器从体表引出多种形式的电位变化的图形。由于心脏的每次跳动是有规律的，因此心电图中的波形图也是有规律的。心电图中可以完整代表心脏一次心动周期的波形图被称为一个心拍信号。一个ECG记录通常包含上十万个心拍信号，在本发明实施例中，从ECG记录截取至少一个连续的心拍作为心电信号。具体的，心电图可以从用户的心电体检结果中获取。

图1B为本发明实施例提供的一个心拍信号的结构示意图，参考图1B可见，心拍信号包括多个特征波信号，例如P波、QRS波群和T波，有时候也会有U波。其中，横轴为时间轴，以时间(ms)为单位，纵轴为心电信号的强度，以电压(mV)来表征。在临床中通常将心电信号中T波和S波之间平直段(TS段)延长得到时间轴。

S102、对心电信号进行特征提取，得到心电信号在多个不同尺度的特征图。

本发明实施例中，采用深度神经网络对心电信号进行特征提取。在深度神经网络中，低层网络输出的特征图分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层网络输出的特征图具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。本发明实施例中，从心电信号提取多个不同尺度的特征图，用于后续基准点的检测，兼顾了位置、细节信息和语义信息，提高了基准点的检测准确度和检测效率。

S103、基于特征图确定QRS波群的概率图，概率图中概率值大于概率阈值的局部极大值点表示QRS波群的位置信息的候选点。

在本发明实施例中，分别对多个不同尺度的特征图进行处理，例如，卷积、激活等操作，得到QRS波群的概率图，其中，概率图为以时间为横坐标轴，以概率值为纵坐标轴的概率曲线图，反应了心电信号中每一时刻(即横坐标上某一点)表示QRS波群的位置信息的概率。在本发明实施例中，为了节省计算资源，将概率图中概率值大于概率阈值(示例性的，概率阈值设为0.5)的局部极大值点作为表示QRS波群的位置信息的候选点。

S104、针对每一QRS波群，从多个概率图中筛选出概率值最大的候选点作为表示QRS波群的位置信息的目标点，以及目标点对应的特征图作为目标特征图。

在本发明实施例中，针对每一QRS波群，从多个概率图中筛选出概率值最大的候选点作为表示QRS波群的位置信息的目标点，然后将该目标点对应的特征图作为目标特征图。

示例性的，对于每一个概率图而言，一个QRS波群中R波的波峰位置对应的概率值为当前心拍信号中所有点对应的概率值的最大值，从而可以确定各概率图中表示当前QRS波群的位置信息的点，然后将各概率图中表示当前QRS波群的位置信息的点的概率值进行比较，得到概率值最大的点作为表示当前QRS波群的位置信息的目标点。然后，将该目标点对应的特征图作为目标特征图(该目标点是在目标特征图的概率图上确定的)。

本发明的一些实施例中，可以将该目标点作为定位心拍信号的参考点，然后根据相邻两个参考点的时间间隔计算心率；在本发明的另一些实施例中，也可以基于该参考点在对应的目标特征图上预设领域内的特征识别心拍类型，本发明实施例在此不做详述。

S105、基于目标特征图上的区域特征图确定QRS波群所属的心拍信号的基准点，区域特征图为目标特征图上以目标点为中心的预设范围内的特征。

在本发明实施例中，区域特征图为目标特征图上以目标点为中心的预设范围内的特征。示例性，该预设范围可以基于临床先验信息设定，且可以基于不同的预设范围，确定心拍信号上不同的特征波形的基准点。例如，基于临床上心拍信号的宽度，设定预设范围的宽度为1s，得到目标特征图上以目标点为中心，宽度为1s的区域特征图。又例如，基于临床上QRS波群的宽度，设定预设范围的宽度为0.3s，得到目标特征图上以目标点为中心，宽度为0.3s的区域特征图。然后，对得到的区域特征图进行处理，例如，卷积、池化等操作，从中检测出心拍信号或QRS波群，并确定心拍信号的起点和终点，或者QRS波群的起点和终点。将心拍信号的起点和终点，和/或QRS波群的起点和终点作为心拍信号的基准点。

本发明实施例中，通过对特征图进行处理，得到特征图对应的QRS波群的概率图，接着，针对每一QRS波群，从多个概率图中筛选出概率值最大的候选点作为表示QRS波群的位置信息的目标点，以及目标点对应的特征图作为目标特征图，然后，基于目标特征图上的区域特征图确定QRS波群所属的心拍信号的基准点(即检测出心拍信号或QRS波群)。

本发明实施例提供的心拍信号基准点确定方法，在获取心电信号后，对心电信号进行特征提取，得到心电信号在多个不同尺度的特征图，基于特征图确定QRS波群的概率图，概率图中概率值大于概率阈值的局部极大值点表示QRS波群的位置信息的候选点，针对每一QRS波群，从多个概率图中筛选出概率值最大的候选点作为表示QRS波群的位置信息的目标点，以及目标点对应的特征图作为目标特征图，基于目标特征图上的区域特征图确定QRS波群所属的心拍信号的基准点。无需遍历目标特征图上所有点作为锚点，以及无需以锚点为中心建立多个不同尺度的锚框，并针对每个锚框进行检测的过程，只需基于目标特征图上的区域特征图确定QRS波群所属的心拍信号的基准点即可，节省了计算资源，提高了基准点的检测效率。

实施例二

图2A、2B为本发明实施例二提供的一种心拍信号基准点确定方法，本实施例在上述实施例一的基础上进行细化，详细描述了上述实施例中各步骤的详细过程，如图2A和图2B所示，该方法包括：

S201、获取心电信号，心电信号包括多个心拍信号。

心电图中可以完整代表心脏一次心动周期的波形图被称为一个心拍信号。一个ECG记录通常包含上十万个心拍信号，在本发明实施例中，从ECG记录截取至少一个连续的心拍或预设时长(例如10s)作为心电信号。具体的，心电图可以从用户的心电体检结果中获取。

在本发明的一些实施例中，为了提高心电信号得质量，可以对从ECG记录截取的心电信号(后续中为了方便区分，我们称之为原始心电信号)进行预处理，得到我们想要的心电信号。

示例性的，在本发明实施例中，可以首先对原始心电信号进行降噪滤波处理，降低心电信号中的噪声，提升信噪比。具体的，降噪滤波处理可以包括如下步骤：

1、斜率抑制。

具体的，预先在原始心电信号上等距设置多个样本点，对原始心电信号进行差分处理，得到相邻两个样本点之间的斜率，然后将相邻两个样本点之间的斜率与预先设定的斜率阈值进行比较，取该斜率与斜率阈值中的较小值，得到新的斜率，最后从第一个样本点开始，依次与斜率相加。

2、滤除基线漂移。

具体的，利用均值滤波器(窗口为1s)对步骤1的输出信号进行滤波得到基线，再利用截止频率为0.5Hz的低通滤波器对基线进行滤波，最后从步骤1的输出信号中滤除基线。

3、滤除高频噪声。

具体的，利用截止频率为35Hz的滤波器对步骤2的输出信号进行低通滤波，滤除高频噪声。

4、标准化。

具体的，可以采用z-score标准化将步骤3的输出信号处理成“零均值，一方差”的心电信号，z-score的具体公式如下所示：

其中，心电信号中的信号强度，μ为心电信号的强度的均值，σ为心电信号的强度标准差。

图2C为降噪滤波处理前的原始心电信号图，图2D为经降噪滤波处理后的心电信号图，由图2C和图2D可知，经降噪滤波后，滤除了原始心电信号中的基线漂移和噪声信号，使得信号具有更好的可辨识度。

在本发明实施例中，心电信号可以是多导联信号，多导联心电图信号即为采集身体多个部位的电信号得到的心电信号。在对原始心电信号进行降噪滤波处理之后，还可以对多导联信号进行质量筛选，选择2个信号质量最佳的导联，具体流程如下：

将经降噪滤波处理后的心电信号进行傅里叶变换，将心电信号由时域转换至频域，并计算15-30Hz频段(对应QRS波群)的能量在全部信号能量中的占比。然后按由大到小的顺序排序，若占比小于50％则放弃该导联。根据导联选择优先级(优先级排序为：II导联、V1导联、V5导联、I导联、V2导联、V3导联、V4导联、V6导联)和QRS波群频段的能量占比选择2个导联。若高优先级导联的QRS波群频段的能量高于低优先级的0.9倍，则选择高优先级的导联，反之则选择低优先级的导联。若只有一个导联符合要求，则将该导联复制一份。若所有导联都不满足要求，则发出提示信息并退出分析算法。

本发明实施例通过对多个导联的心电信号进行筛选，从中筛选出2个信号质量最佳的导联，能够适应多个导联数量的心电信号，提高心拍信号的准确性的检测准确性。

S202、将心电信号输入预先训练好的特征金字塔网络，得到三个尺度的特征图。

具体的，采用特征金字塔网络(Feature Pyramid Networks)将高层网络输出的特征与低层网络输出的特征进行融合，得到三个尺度(采样率)的特征图，分别为第一特征图、第二特征图和第三特征图，第一特征图、第二特征图和第三特征图分别为心电信号的长度的1倍、0.5倍和0.25倍。本发明实施例中，从心电信号提取多个不同尺度的特征图，用于后续基准点的检测，兼顾了位置、细节信息和语义信息，提高了基准点的检测准确度和检测效率。

图2E为本发明实施例提供的一种特征金字塔的网络结构示意图，示例性的，如图2E所示，在本发明实施例中，特征金字塔网络包括第一卷积块C0、第二卷积块C1、第一下采样层、第三卷积块C2、第二下采样层、第四卷积块C4、第一上采样层、第二上采样层、三个第一卷积层和两个第二卷积层。特征金字塔网络对心电信号的处理过程如下：

1、将心电信号输入第一卷积块中进行处理，得到第一特征。

图2F为本发明实施例中第一卷积块的结构示意图，示例性的，如图2F所示，在本发明实施例中，第一卷积块C0包括卷积层、归一化层和激活层。在本发明一具体实施例中，心电信号的采样频率为250Hz，即1s采集250个样本点。相应的，该卷积层的卷积核长度(k)为15个样本点，卷积步长为1个样本点，填充尺寸(p)为7个样本点，通道数为32。其中，卷积核的长度(k)和填充尺寸(p)满足(k-1)/2＝p，以确保卷积前后的心电信号的长度一致。卷积层对输入的心电信号进行卷积处理，提取出表征心电信号特征属性的特征，然后经归一化层归一化处理，将卷积层输出的特征归一化，最后，输入激活层，由激活层中的Relu函数进行激活，得到第一特征。具体的，Relu函数的表达式为：

f(x)＝max(0,x)

当输入为负数时，则完全不激活，Relu函数死掉。Relu函数输出要么是0，要么是正数。ReLU可以克服梯度消失的问题，加快训练速度。需要说明的是，在本发明的其他实施例中，激活层中的激活函数也可以是其他激活函数，例如，Sigmoid函数或Tanh函数，本发明实施例在此不做限定。

2、将第一特征输入第二卷积块中进行处理，得到第二特征。

图2G为本发明实施例中第二卷积块的结构示意图，示例性的，如图2G所示，在本发明实施例中，第二卷积块C1包括卷积层1、归一化层1、激活层1、卷积层2、归一化层2和激活层2。卷积层1和卷积层2的卷积核长度均为15个样本点，卷积步长均为1个样本点，填充尺寸(p)为7个样本点，通道数为32。其中，其中，卷积核的长度(k)和填充尺寸(p)满足(k-1)/2＝p，以确保卷积前后的特征的长度一致。卷积层1对输入的第一特征进行卷积处理，并将结果输出给归一化层1，经归一化层1对卷积层1输出的结果进行归一化处理，并将结果输入激活层1，由激活层1中的Relu函数进行激活，卷积层2对激活层1输出的结构进行卷积处理，并将结果输出给归一化层2，经归一化层2对卷积层2输出的结果进行归一化处理，并与第二卷积块C1的输入(即第一特征)相加后，输入激活层2，由激活层2中的Relu函数进行激活，得到第二特征。

3、对第二特征进行下采样处理，得到第一下采样特征。

示例性的，在本发明实施例中，将第二特征输入第一下采样层中进行下采样处理，得到分辨率为心电信号一半的第一下采样特征。例如，心电信号的长度为10s，经第一卷积块C0和第二卷积块C1处理后，其分辨率不变，仍然是10s，经第一下采样层下采样处理后，得到的第一下采样特征的长度为5s，分辨率变为心电信号一半。

4、将第一下采样特征输入第三卷积块中进行处理，得到第三特征。

将第一下采样特征输入第三卷积块中进行处理，得到第三特征。示例性的，第三卷积块C2的结构与第二卷积块C1的结构类似，不同的是，第三卷积块C2中，卷积层的通道数为64，通过增加通道数，增加特征的维度，进而使得提取到的特征具有更强的语义信息。具体的，第三卷积块C2的处理过程可以参考第二卷积块C1的处理过程，本发明实施例在此不再赘述。

5、对第三特征进行下采样处理，得到第二下采样特征。

示例性的，在本发明实施例中，第一下采样特征经第三卷积块C2处理后，得到分辨率不变的第三特征。第三特征经第二下采样层下采样处理后，得到分辨率为心电信号四分之一的第二下采样特征。例如，经过两次下采样处理后，得到的第二下采样特征的长度为2.5s，分辨率变为心电信号四分之一。示例性的，下采样的具体方式可以包括随机取样、卷积、池化等，本发明实施例在此不做限定。

6、将第二下采样特征输入第四卷积块中进行处理，得到第四特征。

将第二下采样特征输入第四卷积块C3中进行处理，得到第四特征。示例性的，第四卷积块C3的结构与第二卷积块C1的结构类似，不同的是，第四卷积块C3中，卷积层的通道数为128，通过增加通道数，增加特征的维度，进而使得提取到的特征具有更强的语义信息。具体的，第四卷积块C3的处理过程可以参考第二卷积块C1的处理过程，本发明实施例在此不再赘述。

7、对第四特征进行卷积处理，得到第三特征图。

示例性的，将第四特征输入一个第一卷积层中进行卷积处理，得到第三特征图T3。在本发明实施例中，三个第一卷积层的卷积核的长度均为1个样本点，卷积步长均为1个样本点，填充尺寸为零，通道数均为64。第三特征图T3的分辨率为心电信号的四分之一。

8、对第三特征图进行上采样处理，并与第三特征经卷积处理后得到的特征进行特征融合，得到第五特征。

示例性的，将第三特征图输入第一上采样层中进行上采样处理，得到分辨率为心电信号的一半的第一上采样特征，并将第一上采样特征与第三特征经第一卷积层卷积处理后的特征相加，得到第五特征。

9、对第五特征进行卷积处理，得到第二特征图。

示例性的，将第五特征输入一个第二卷积层中进行处理，得到第二特征图。在本发明实施例中，两个第二卷积层的卷积核的长度均为1个样本点，卷积步长均为1个样本点，填充尺寸均为零，通道数均为64。第二特征图T2的分辨率为心电信号的一半。

10、对第五特征进行上采样处理，并与第二特征经卷积处理后得到的特征进行特征融合，得到第六特征。

示例性的，将第五特征图输入第二上采样层中进行上采样处理，得到分辨率与心电信号相同的第二上采样特征，并将第二上采样特征与第二特征经第一卷积层卷积处理后的特征相加，得到第六特征。示例性的，上采样的具体方式可以包括线性插值、转置卷积(也可以称之为反卷积、分数步长卷积)、池化等，本发明实施例在此不做限定。

11、对第六特征进行卷积处理，得到第一特征图。

示例性的，将第六特征输入一个第二卷积层中进行处理，得到第一特征图T1，第一特征图T1的分辨率与心电信号相同。

在得到三个不同尺度的特征图，基于三个不同尺度的特征图，确定每个特征图对应的QRS波群的概率图，具体参考步骤S203-步骤S205。

S203、对特征图进行卷积处理，得到第一子特征图。

图2H为本发明实施例中从特征图中确定目标点的流程图，示例性的，如图2H所示，针对每一特征图，将特征图输入一卷积层中进行卷积处理，得到第一子特征图。该卷积层的卷积核的长度为15个样本点，填充尺寸为7个样本点，卷积步长为1个样本点，通道数为1。

S204、对第一子特征图进行激活处理，得到第二子特征图。

示例性的，将第一子特征图输入激活层中进行处理，得到第二子特征图。还激活层中的激活函数为Sigmoid函数。Sigmoid函数将输入的变量(即第一子特征图中的数值)映射为(0,1)之间的数值。具体的，Sigmoid函数的数学表达式为：

其中，x为第一子特征图中的数值。

S205、对第二子特征图进行平滑处理，得到QRS波群的概率图。

示例性的，将第二子特征图输入一平滑层中进行平滑处理。在本发明实施例中，平滑处理实质为采用一长度为15个样本点，卷积步长为1个样本点，填充尺寸为7个样本点的卷积核对第二子特征图进行卷积处理，使得第二子特征图变得平滑，得到每个特征图对应的QRS波群的概率图。

概率图为以时间为横坐标轴，以概率值为纵坐标轴的概率曲线图，反应了心电信号中每一时刻(即横坐标上某一点)表示QRS波群的位置信息的概率。本发明实施例中，将概率图中概率值大于概率阈值(示例性的，概率阈值设为0.5)的局部极大值点作为表示QRS波群的位置信息的候选点。

在本发明实施例中，将概率图中概率值大于概率阈值(示例性的，概率阈值设为0.5)的局部极大值点作为表示QRS波群的位置信息的候选点，并从候选点中筛选出最大值。

图2I为本发明实施例提供的心电信号图，图2J为本发明实施例提供的经非极大值抑制处理后概率图，如图2J所示，概率图中，十字形符号表示概率值小于阈值的局部极大值点的横坐标位置，实心圆点为非极大值抑制处理后保留下来的，概率值大于阈值的局部极大值点的横坐标位置，即在该概率图对应的特征图上检出的QRS波群位置，该处的概率值最大，最大值所在的横坐标的位置即为基于该概率图对应的特征图确定的QRS波群位置，为潜在的目标点。

在本发明实施例中，概率阈值可以根据不同的信号条件进行调整，示例性的，当运动干扰较强，难以检出QRS波群的目标点时，概率阈值可设为0.05。

接下来，采用非极大值抑制的方法从多个概率图中筛选出概率值最大的候选点作为表示QRS波群的位置信息的目标点，以及目标点对应的特征图作为目标特征图，具体参考步骤S206-步骤S210。

S206、将全部候选点按照概率值的大小降序排序，生成检查列表。

将上述步骤中得到的全部候选点按照概率值的大小由大到小降序排列，生成检查列表。

S207、将检查列表中概率值最大的候选点作为目标点。

将检查列表中概率值最大的候选点作为目标点，该目标点用于表示该目标点所在的QRS波群的位置信息。

S208、将目标点对应的特征图作为目标特征图。

具体的，在确定目标点后，确定该目标点所在的概率图对应的特征图，并将目标点对应的特征图作为目标特征图。

S209、删除目标点以及目标点预设距离范围内的所有候选点。

具体的，删除目标点以及目标点预设距离范围内的所有候选点，从而对于每一个QRS波群，保证只有一个对应的目标点和一个特征图。

预设距离范围可以根据不同的对象进行调整，示例性的，由于成人的最大心率一般不超过300bpm，因此预设距离范围可设置为0.2s。婴儿的最大心率不超过350bpm，因此预设距离范围可调整为0.15s。

S210、判断检查列表是否为空。

具体的，判断当前检查列表是否为空，若否，则返回执行S207、将检查列表中概率值最大的候选点作为目标点，如此，重复上述过程，直至检查列表为空，则执行步骤S211，此时，我们确定了心电信号上代表每个QRS波群的位置信息的目标点，以及目标点对应的目标特征图。

S211、对目标特征图上的第一区域特征图进行卷积处理，得到第三子特征图。

在本发明实施例中，第一区域特征图为目标特征图上以目标点为中心的第一预设范围内的特征。示例性的，第一预设范围为基于临床先验信息确定的心拍信号的宽度(例如1s)，第一预设范围用于检测心拍信号。图2K为本发明实施例中偏移量与心拍信号的宽度的检测流程图，示例性的，如图2K所示，将目标特征图上以目标点为中心，宽度为1s的第一区域特征图输入一卷积层中进行卷积处理，得到第三子特征图。该卷积层的卷积核的长度为1个样本点，卷积步长为1个样本点，通道数为2。

S212、对第三子特征图进行全局平均池化处理，得到二维向量，二维向量中的元素分别表示心拍信号的中点相对于目标点的第一偏移量，以及心拍信号的宽度。

示例性的，将第三子特征图输入一池化层中，对第三子特征图进行全局平均池化处理，得到一个二维向量[ctr_offset1,width₁]，二维向量中的元素ctr_offset1表示该目标点所属的心拍信号的中点相对于目标点的第一偏移量，width₁表示该心拍信号的宽度。

S213、基于第一偏移量以及心拍信号的宽度确定心拍信号的起点和终点，心拍信号的基准点包括心拍信号的起点和终点。

示例性的，在本发明实施例中，基于第一偏移量以及心拍信号的宽度确定心拍信号的起点和终点的过程如下：

1、计算以自然数e为底数，以心拍信号的宽度的一半为指数的第一数值。

2、计算目标点的位置与第一偏移量之和，得到第二数值。

3、计算第二数值与第一数值的差，得到心拍信号的起点的位置。

4、计算心拍信号的起点的位置与第一数值的和，得到心拍信号的终点的位置。

上述确定心拍信号的起点和终点的确定过程的数学表达式如下：

onset₁＝qrs_loc+ctr_offset1-exp(width₁)/2

offset₁＝onset₁+exp(width₁)/2

其中，onset₁为心拍信号的起点的位置，offset₁为心拍信号的终点的位置，qrs_loc为目标点的位置(横坐标的位置)。

S214、对目标特征图上的第二区域特征图进行卷积处理，得到第四子特征图。

在本发明实施例中，还可以通过设置第二预设范围，用于检测QRS波群。第二区域特征图为目标特征图上以目标点为中心的第二预设范围内的特征。示例性的，第二预设范围为基于临床先验信息确定的QRS波群的宽度(例如0.3s)。对QRS波群的偏移量与宽度的检测过程，可以参考图2K。将目标特征图上以目标点为中心，宽度为0.3s的第二区域特征图输入一卷积层中进行卷积处理，得到第四子特征图。该卷积层的卷积核的长度为1个样本点，卷积步长为1个样本点，通道数为2。

S215、对第四子特征图进行全局平均池化处理，得到二维向量，二维向量中的元素分别表示QRS波群的中点相对于目标点的第二偏移量，以及QRS波群的宽度。

示例性的，对第四子特征图进行全局平均池化处理，得到一个二维向量[ctr_offset2,width₂]，二维向量中的元素ctr_offset2表示该目标点所属的QRS波群的中点相对于目标点的第二偏移量，width₂表示该QRS波群的宽度。

S216、基于第二偏移量以及QRS波群的宽度确定QRS波群的起点和终点，心拍信号的基准点包括QRS波群的起点和终点。

示例性的，在本发明实施例中，基于第二偏移量以及QRS波群的宽度确定QRS波群的起点和终点的过程如下：

1、计算以自然数e为底数，以QRS波群的宽度的一半为指数的第三数值。

2、计算目标点的位置与第二偏移量之和，得到第四数值。

3、计算第四数值与第三数值的差，得到QRS波群的起点的位置。

4、计算QRS波群的起点的位置与第三数值的和，得到QRS波群的终点的位置。

上述确定QRS波群的起点和终点的确定过程的数学表达式如下：

onset₂＝qrs_loc+ctr_offset2-exp(width₂)/2

offset₂＝onset₂+exp(width₂)/2

其中，onset₂为心拍信号的起点的位置，offset₂为心拍信号的终点的位置。

S217、将心拍信号的起点的位置与QRS波群的起点的位置之和的一半作为P波的终点的位置。

示例性的，在本发明实施例中，在确定心拍信号的起点和QRS波群的起点后，将将心拍信号的起点的位置与QRS波群的起点的位置之和的一半作为P波的终点的位置。

图2L为本发明实施例检测出的心拍基准点的示意图，如图2L所示，从左至右依次是P波起点(即心拍信号的起点)、P波终点、QRS波群起点、QRS波群终点和T波终点(即心拍信号的终点)。

本发明实施例提供的心拍信号基准点确定方法，在获取心电信号后，对心电信号进行特征提取，得到心电信号在多个不同尺度的特征图，基于特征图确定QRS波群的概率图，概率图中概率值大于概率阈值的局部极大值点表示QRS波群的位置信息的候选点，采用非极大值抑制的方式从多个概率图中筛选出概率值最大的候选点作为表示QRS波群的位置信息的目标点，以及目标点对应的特征图作为目标特征图，基于目标特征图上的区域特征图确定QRS波群所属的心拍信号的基准点，节省了计算资源，提高了检测效率。另外，从心电信号提取多个不同尺度的特征图，用于后续基准点的检测，兼顾了位置、细节信息和语义信息，提高了基准点的检测准确度和检测效率。此外，通过对2个不同尺度预设范围内的区域特征图分别检测心拍信号和QRS波群，相比基于像素点分割和平滑的方法速度更快，并且具有更好的鲁棒性，不会出现检测不到基准点的情况。

实施例三

图3A为本发明实施例三提供的一种心拍类型识别方法的流程图，该方法基于本发明上述任意实施例提供的心拍信号基准点确定方法，确定心拍信号的基准点，心拍信号的基准点包括心拍信号的起点与终点。该方法可以由本发明实施例提供的心拍类型识别装置来执行，该装置可以由软件和/或硬件的方式实现，通常配置于计算机设备中。如图3A所示，该方法具体包括如下步骤：

S301、将目标特征图上心拍信号的起点与终点范围内的心拍特征图输入训练好的心拍类型识别模型中进行处理，得到心拍信号属于各心拍类型的概率值。

示例性的，在前述实施例中检测到心拍信号的起点和终点之后，将目标特征图上心拍信号的起点与终点范围内的心拍特征图输入训练好的心拍类型识别模型中进行处理，得到心拍信号属于各心拍类型的概率值。

图3B为本发明实施例提供的一种心拍类型识别模型的结构示意图，示例性的，如图3B所示，心拍类型识别模型包括卷积层、池化层和全连接层，心拍类型识别模型对输入的心拍特征图的处理过程如下：

1、对心拍特征图进行卷积处理，得到心拍特征。

示例性的，将心拍特征图输入卷积层中进行卷积处理，得到心拍特征。示例性的，该卷积层的卷积核的长度为15个样本点，卷积步长为1个样本点，填充尺寸为7个样本点，卷积通道为5。

2、对心拍特征进行全局平均池化处理，得到特征向量。

示例性的，将心拍特征输入池化层中进行全局平均池化处理，得到特征向量。

3、将特征向量与先验向量进行拼接(Concatenate)，得到拼接向量，先验向量包括基于临床先验信息得到的心拍信号的特征属性。

将特征向量与先验向量进行拼接(维度增加)，得到拼接向量，加强临床先验信息对识别结果的影响，提高识别准确度。先验向量包括基于临床先验信息得到的心拍信号的特征属性，具体的，先验向量为一个5维向量[rri_a,rri_b,pr_int,qrs_dur,qt_int]，先验向量元素分别表示当前心拍QRS波群与前一个心拍QRS波群的距离与平均QRS波群之间的距离之比(rri_a)，当前心拍QRS波群与后一个心拍QRS波群的距离与平均QRS波群之间的距离之比(rri_b)，当前心拍P波起点至QRS波群起点的时间(pr_int)，QRS波群起点至QRS波群终点的时间(qrs_dur)，QRS波群起点至T波终点的时间(qt_int)。

4、将拼接向量映射为心拍信号属于各心拍类型的概率值。

示例性的，将拼接向量输入全连接层中进行处理，全连接层对拼接向量进行特征加权，将拼接向量映射为心拍信号属于各心拍类型的概率值。在本发明实施例中，全连接层输出一个5维向量，向量中的元素分别表示当前心拍属于5种心拍类型的概率值。示例性的，5种心拍类型分别为窦性心拍(N)、室上性心拍(S)，室性心拍(V)、窦性与室性融合心拍(F)以及其他类型的心拍(Q)。则全连接层输出的5维向量记为[N,S,V,F,Q]。

在本发明的一些实施例中，心拍类型识别模型还可以softmax函数层，softmax函数层用于将全连接层输出的多个概率值归一化。

S302、将概率值中的最大值对应的心拍类型作为心拍信号所属的心拍类型。

示例性的，将上述得到的多个概率值中最大值对应的心拍类型作为心拍信号所属的心拍类型。例如，全连接层输出的5维向量为[0.05,0.02,0.8,0.1,0.03]，则将0.8对应的心拍类型，即室性心拍(V)作为心拍类型识别模型识别的心拍类型。

需要说明的是，上述实施例中，以心拍类型识别模型包括卷积层、池化层和全连接层为示例，对本发明实施例中心拍类型识别方法进行说明，在本发明其他实施例中，心拍类型识别模型可以包括多个卷积层和池化层，本发明实施例对心拍类型识别模型的网络结构和深度不做限定。

本发明实施例提供的心拍类型识别方法，基于本发明上述任意实施例提供的心拍信号基准点确定方法，确定心拍信号的基准点，心拍信号的基准点包括心拍信号的起点与终点，将目标特征图上心拍信号的起点与终点范围内的心拍特征图输入训练好的心拍类型识别模型中进行处理，得到心拍信号属于各心拍类型的概率值，将概率值中的最大值对应的心拍类型作为心拍信号所属的心拍类型。在检测基准点的过程中，无需遍历目标特征图上所有点作为锚点，以及无需以锚点为中心建立多个不同尺度的锚框，并针对每个锚框进行检测的过程，只需基于目标特征图上的区域特征图确定QRS波群所属的心拍信号的基准点即可，节省了计算资源，提高了检测效率。此外，通过将心拍类型识别模型提取的特征特征向量与基于临床先验信息得到的反映心拍信号的特征属性的先验向量进行拼接，提高了心拍类型识别的准确率。

实施例四

图4为本发明实施例四提供的一种心拍信号基准点确定装置的结构示意图，如图4所示，该装置包括：

心电信号获取模块401，用于获取心电信号，所述心电信号包括多个心拍信号；

特征图提取模块402，用于对所述心电信号进行特征提取，得到所述心电信号在多个不同尺度的特征图；

概率图确定模块403，用于基于所述特征图确定QRS波群的概率图，所述概率图中概率值大于概率阈值的局部极大值点表示所述QRS波群的位置信息的候选点；

目标确定模块404，针对每一所述QRS波群，用于从多个所述概率图中筛选出概率值最大的候选点作为表示所述QRS波群的位置信息的目标点，以及所述目标点对应的特征图作为目标特征图；

基准点确定模块405，用于基于所述目标特征图上的区域特征图确定所述QRS波群所属的心拍信号的基准点，所述区域特征图为所述目标特征图上以所述目标点为中心的预设范围内的特征。

在本发明的一些实施例中，特征图提取模块402用于：

将所述心电信号输入预先训练好的特征金字塔网络，得到三个尺度的特征图，三个尺度的特征图分别为第一特征图、第二特征图和第三特征图，所述第一特征图、第二特征图和第三特征图分别为所述心电信号的长度的1倍、0.5倍和0.25倍。

在本发明的一些实施例中，特征图提取模块402包括：

第一特征提取单元，用于将所述心电信号输入第一卷积块中进行处理，得到第一特征；

第二特征提取单元，用于将所述第一特征输入第二卷积块中进行处理，得到第二特征；

第一下采样特征提取单元，用于对所述第二特征进行下采样处理，得到第一下采样特征；

第三特征提取单元，用于将所述第一下采样特征输入第三卷积块中进行处理，得到第三特征；

第二下采样特征提取单元，用于对所述第三特征进行下采样处理，得到第二下采样特征；

第四特征提取单元，用于将所述第二下采样特征输入第四卷积块中进行处理，得到第四特征；

第三特征图提取单元，用于对所述第四特征进行卷积处理，得到所述第三特征图；

第五特征提取单元，用于对所述第三特征图进行上采样处理，并与所述第三特征经卷积处理后得到的特征进行特征融合，得到第五特征；

第二特征图提取单元，用于对所述第五特征进行卷积处理，得到所述第二特征图；

第六特征提取单元，用于对所述第五特征进行上采样处理，并与所述第二特征经卷积处理后得到的特征进行特征融合，得到第六特征；

第一特征图提取单元，用于对所述第六特征进行卷积处理，得到所述第一特征图。

在本发明的一些实施例中，概率图确定模块403包括：

第一子特征图提取单元，用于对所述特征图进行卷积处理，得到第一子特征图；

第二子特征图提取单元，用于对所述第一子特征图进行激活处理，得到第二子特征图；

概率图确定单元，用于对所述第二子特征图进行平滑处理，得到QRS波群的概率图。

在本发明的一些实施例中，目标确定模块404包括：

检查列表生成单元，用于将全部候选点按照概率值的大小降序排序，生成检查列表；

目标点确定单元，用于将所述检查列表中概率值最大的候选点作为目标点；

目标特征图确定单元，用于将所述目标点对应的特征图作为目标特征图；

删除单元，用于删除所述目标点以及所述目标点预设距离范围内的所有候选点；

返回执行单元，用于返回执行将所述检查列表中概率值最大的候选点作为目标点的步骤，直至所述检查列表为空。

在本发明的一些实施例中，基准点确定模块405包括：

第三子特征提取单元，用于对所述目标特征图上的第一区域特征图进行卷积处理，得到第三子特征图，所述第一区域特征图为所述目标特征图上以所述目标点为中心的第一预设范围内的特征；

第一二维向量确定单元，用于对所述第三子特征图进行全局平均池化处理，得到二维向量，所述二维向量中的元素分别表示所述心拍信号的中点相对于所述目标点的第一偏移量，以及所述心拍信号的宽度；

第一基准点确定单元，用于基于所述第一偏移量以及所述心拍信号的宽度确定所述心拍信号的起点和终点，所述心拍信号的基准点包括所述心拍信号的起点和终点。

在本发明的一些实施例中，第一基准点确定单元包括：

第一数值计算子单元，用于计算以自然数e为底数，以所述心拍信号的宽度的一半为指数的第一数值；

第二数值计算子单元，用于计算所述目标点的位置与所述第一偏移量之和，得到第二数值；

心拍信号起点确定子单元，用于计算所述第二数值与所述第一数值的差，得到所述心拍信号的起点的位置；

心拍信号终点确定子单元，用于计算所述心拍信号的起点的位置与所述第一数值的和，得到所述心拍信号的终点的位置。

在本发明的一些实施例中，基准点确定模块405还包括：

第四子特征图提取单元，用于对所述目标特征图上的第二区域特征图进行卷积处理，得到第四子特征图，所述第二区域特征图为所述目标特征图上以所述目标点为中心的第二预设范围内的特征；

第二二维向量确定单元，用于对所述第四子特征图进行全局平均池化处理，得到二维向量，所述二维向量中的元素分别表示所述QRS波群的中点相对于所述目标点的第二偏移量，以及所述QRS波群的宽度；

第二基准点确定单元，用于基于所述第二偏移量以及所述QRS波群的宽度确定所述QRS波群的起点和终点，所述心拍信号的基准点包括所述QRS波群的起点和终点。

在本发明的一些实施例中，第二基准点确定单元包括：

第三数值计算子单元，用于计算以自然数e为底数，以所述QRS波群的宽度的一半为指数的第三数值；

第四数值计算子单元，用于计算所述目标点的位置与所述第二偏移量之和，得到第四数值；

QRS波群起点确定子单元，用于计算所述第四数值与所述第三数值的差，得到所述QRS波群的起点的位置；

QRS波群终点确定子单元，用于计算所述QRS波群的起点的位置与所述第三数值的和，得到所述QRS波群的终点的位置。

在本发明的一些实施例中，所述基准点包括心拍信号的起点和终点、QRS波群的起点和终点、P波的终点，所述心拍信号基准点确定装置还包括：

P波终点确定模块，用于将所述心拍信号的起点的位置与所述QRS波群的起点的位置之和的一半作为所述P波的终点的位置。

上述心拍信号基准点确定装置可执行本发明任意实施例所提供的心拍信号基准点确定方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5为本发明实施例五提供的一种心拍类型识别装置的结构示意图，基于本发明前述实施例提供的心拍信号基准点确定装置确定心拍信号的基准点，所述心拍信号的基准点包括所述心拍信号的起点与终点，如图5所示，该装置包括：

概率值获取模块501，用于将所述目标特征图上所述心拍信号的起点与终点范围内的心拍特征图输入训练好的心拍类型识别模型中进行处理，得到所述心拍信号属于各心拍类型的概率值；

心拍类型确定模块502，用于将所述概率值中的最大值对应的心拍类型作为所述心拍信号所属的心拍类型。

在本发明的一些实施例中，概率值获取模块501包括：

心拍特征提取单元，用于对所述心拍特征图进行卷积处理，得到心拍特征；

特征向量提取单元，用于对所述心拍特征进行全局平均池化处理，得到特征向量；

拼接单元，用于将所述特征向量与先验向量进行拼接，得到拼接向量，所述先验向量包括基于临床先验信息得到的心拍信号的特征属性；

概率值确定单元，用于将所述拼接向量映射为所述心拍信号属于各心拍类型的概率值。

上述心拍类型识别装置可执行本发明任意实施例所提供的心拍类型识别方法，具备执行方法相应的功能模块和有益效果。

实施例六

本发明实施例六提供了一种计算机设备，图6为本发明实施例七提供的一种计算机设备的结构示意图，如图6所示，该计算机设备包括处理器601、存储器602、通信模块603、输入装置604和输出装置605；计算机设备中处理器601的数量可以是一个或多个，图6中以一个处理器601为例；计算机设备中的处理器601、存储器602、通信模块603、输入装置604和输出装置605可以通过总线或其他方式连接，图6中以通过总线连接为例。上述处理器601、存储器602、通信模块603、输入装置604和输出装置605可以集成在计算机设备的控制主板上。

存储器602作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本实施例中的心拍信号基准点确定方法或心拍类型识别方法对应的模块。处理器601通过运行存储在存储器602中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述实施例提供的心拍信号基准点确定方法或心拍类型识别方法。

存储器602可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器602可进一步包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信模块603，用于与外界设备(例如智能终端)建立连接，并实现与外界设备的数据交互。输入装置604可用于接收输入的数字或字符信息，以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。

本实施例提供的一种计算机设备，可执行本发明上述任意实施例提供的心拍信号基准点确定方法或心拍类型识别方法，具体相应的功能和有益效果。

实施例七

本发明实施例七提供了一种包含计算机可执行指令的存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明上述任意实施例提供的心拍信号基准点确定方法或心拍类型识别方法。

心拍信号基准点确定方法包括：

获取心电信号，所述心电信号包括多个心拍信号；

对所述心电信号进行特征提取，得到所述心电信号在多个不同尺度的特征图；

基于所述特征图确定QRS波群的概率图，所述概率图中概率值大于概率阈值的局部极大值点表示所述QRS波群的位置信息的候选点；

针对每一所述QRS波群，从多个所述概率图中筛选出概率值最大的候选点作为表示所述QRS波群的位置信息的目标点，以及所述目标点对应的特征图作为目标特征图；

基于所述目标特征图上的区域特征图确定所述QRS波群所属的心拍信号的基准点，所述区域特征图为所述目标特征图上以所述目标点为中心的预设范围内的特征。

心拍类型识别方法基于本发明前述实施例提供的心拍信号基准点确定方法确定心拍信号的基准点，所述心拍信号的基准点包括所述心拍信号的起点与终点，心拍类型识别方法包括：

将所述目标特征图上所述心拍信号的起点与终点范围内的心拍特征图输入训练好的心拍类型识别模型中进行处理，得到所述心拍信号属于各心拍类型的概率值；

将所述概率值中的最大值对应的心拍类型作为所述心拍信号所属的心拍类型。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明实施例所提供的心拍信号基准点确定方法或心拍类型识别方法中的相关操作。

需要说明的是，对于装置、设备和存储介质实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是机器人，个人计算机，服务器，或者网络设备等)执行本发明任意实施例所述的心拍信号基准点确定方法或心拍类型识别方法。

值得注意的是，上述装置中，所包括的各个模块、单元和子单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (14)

1.一种心拍信号基准点确定方法，其特征在于，包括：

获取心电信号，所述心电信号包括多个心拍信号；

对所述心电信号进行特征提取，得到所述心电信号在多个不同尺度的特征图；

基于所述特征图确定QRS波群的概率图，所述概率图中概率值大于概率阈值的局部极大值点表示所述QRS波群的位置信息的候选点；

针对每一所述QRS波群，从多个所述概率图中筛选出概率值最大的候选点作为表示所述QRS波群的位置信息的目标点，以及所述目标点对应的特征图作为目标特征图；

基于所述目标特征图上的区域特征图确定所述QRS波群所属的心拍信号的基准点，所述区域特征图为所述目标特征图上以所述目标点为中心的预设范围内的特征；

所述基于所述目标特征图上的区域特征图确定所述QRS波群所属的心拍信号的基准点，包括：对所述目标特征图上的区域特征图进行卷积和池化操作，以确定所述心拍信号的起点和终点，所述心拍信号的基准点包括所述心拍信号的起点和终点。

2.根据权利要求1所述的心拍信号基准点确定方法，其特征在于，对所述心电信号进行特征提取，得到所述心电信号在多个不同尺度的特征图，包括：

将所述心电信号输入预先训练好的特征金字塔网络，得到三个尺度的特征图，三个尺度的特征图分别为第一特征图、第二特征图和第三特征图，所述第一特征图、第二特征图和第三特征图分别为所述心电信号的长度的1倍、0.5倍和0.25倍。

3.根据权利要求2所述的心拍信号基准点确定方法，其特征在于，将所述心电信号输入预先训练好的特征金字塔网络，得到三个尺度的特征图，包括：

将所述心电信号输入第一卷积块中进行处理，得到第一特征；

将所述第一特征输入第二卷积块中进行处理，得到第二特征；

对所述第二特征进行下采样处理，得到第一下采样特征；

将所述第一下采样特征输入第三卷积块中进行处理，得到第三特征；

对所述第三特征进行下采样处理，得到第二下采样特征；

将所述第二下采样特征输入第四卷积块中进行处理，得到第四特征；

对所述第四特征进行卷积处理，得到所述第三特征图；

对所述第三特征图进行上采样处理，并与所述第三特征经卷积处理后得到的特征进行特征融合，得到第五特征；

对所述第五特征进行卷积处理，得到所述第二特征图；

对所述第五特征进行上采样处理，并与所述第二特征经卷积处理后得到的特征进行特征融合，得到第六特征；

对所述第六特征进行卷积处理，得到所述第一特征图。

4.根据权利要求1所述的心拍信号基准点确定方法，其特征在于，基于所述特征图确定QRS波群的概率图，包括：

对所述特征图进行卷积处理，得到第一子特征图；

对所述第一子特征图进行激活处理，得到第二子特征图；

对所述第二子特征图进行平滑处理，得到QRS波群的概率图。

5.根据权利要求1所述的心拍信号基准点确定方法，其特征在于，针对每一所述QRS波群，从多个所述概率图中筛选出概率值最大的候选点作为表示所述QRS波群的位置信息的目标点，以及所述目标点对应的特征图作为目标特征图，包括：

将全部候选点按照概率值的大小降序排序，生成检查列表；

将所述检查列表中概率值最大的候选点作为目标点；

将所述目标点对应的特征图作为目标特征图；

删除所述目标点以及所述目标点预设距离范围内的所有候选点；

返回执行将所述检查列表中概率值最大的候选点作为目标点的步骤，直至所述检查列表为空。

6.根据权利要求1所述的心拍信号基准点确定方法，其特征在于，对所述目标特征图上的区域特征图进行卷积和池化操作，以确定所述心拍信号的起点和终点，包括：

对所述目标特征图上的第一区域特征图进行卷积处理，得到第三子特征图，所述第一区域特征图为所述目标特征图上以所述目标点为中心的第一预设范围内的特征；

对所述第三子特征图进行全局平均池化处理，得到二维向量，所述二维向量中的元素分别表示所述心拍信号的中点相对于所述目标点的第一偏移量，以及所述心拍信号的宽度；

基于所述第一偏移量以及所述心拍信号的宽度确定所述心拍信号的起点和终点。

7.根据权利要求6所述的心拍信号基准点确定方法，其特征在于，基于所述第一偏移量以及所述心拍信号的宽度确定所述心拍信号的起点和终点，包括：

计算以自然数e为底数，以所述心拍信号的宽度的一半为指数的第一数值；

计算所述目标点的位置与所述第一偏移量之和，得到第二数值；

计算所述第二数值与所述第一数值的差，得到所述心拍信号的起点的位置；

计算所述心拍信号的起点的位置与所述第一数值的和，得到所述心拍信号的终点的位置。

8.根据权利要求1所述的心拍信号基准点确定方法，其特征在于，基于所述目标特征图上的区域特征图计算所述QRS波群所属的心拍信号的基准点，包括：

对所述目标特征图上的第二区域特征图进行卷积处理，得到第四子特征图，所述第二区域特征图为所述目标特征图上以所述目标点为中心的第二预设范围内的特征；

对所述第四子特征图进行全局平均池化处理，得到二维向量，所述二维向量中的元素分别表示所述QRS波群的中点相对于所述目标点的第二偏移量，以及所述QRS波群的宽度；

基于所述第二偏移量以及所述QRS波群的宽度确定所述QRS波群的起点和终点，所述心拍信号的基准点包括所述QRS波群的起点和终点。

9.根据权利要求8所述的心拍信号基准点确定方法，其特征在于，基于所述第二偏移量以及所述QRS波群的宽度确定所述QRS波群的起点和终点，包括：

计算以自然数e为底数，以所述QRS波群的宽度的一半为指数的第三数值；

计算所述目标点的位置与所述第二偏移量之和，得到第四数值；

计算所述第四数值与所述第三数值的差，得到所述QRS波群的起点的位置；

计算所述QRS波群的起点的位置与所述第三数值的和，得到所述QRS波群的终点的位置。

10.根据权利要求1-9任一所述的心拍信号基准点确定方法，其特征在于，所述基准点包括心拍信号的起点和终点、QRS波群的起点和终点、P波的终点，所述方法还包括：

将所述心拍信号的起点的位置与所述QRS波群的起点的位置之和的一半作为所述P波的终点的位置。

11.一种心拍类型识别方法，其特征在于，基于权利要求1-10任一所述心拍信号基准点确定方法确定心拍信号的基准点，所述心拍信号的基准点包括所述心拍信号的起点与终点，所述心拍类型识别方法包括：

将所述目标特征图上所述心拍信号的起点与终点范围内的心拍特征图输入训练好的心拍类型识别模型中进行处理，得到所述心拍信号属于各心拍类型的概率值；

将所述概率值中的最大值对应的心拍类型作为所述心拍信号所属的心拍类型。

12.根据权利要求11所述的心拍类型识别方法，其特征在于，将所述目标特征图上所述心拍信号的起点与终点范围内的心拍特征图输入训练好的心拍类型识别模型中进行处理，得到所述心拍信号属于各心拍类型的概率值，包括：

对所述心拍特征图进行卷积处理，得到心拍特征；

对所述心拍特征进行全局平均池化处理，得到特征向量；

将所述特征向量与先验向量进行拼接，得到拼接向量，所述先验向量包括基于临床先验信息得到的心拍信号的特征属性；

将所述拼接向量映射为所述心拍信号属于各心拍类型的概率值。

13.一种心拍信号基准点确定装置，其特征在于，包括：

心电信号获取模块，用于获取心电信号，所述心电信号包括多个心拍信号；

特征图提取模块，用于对所述心电信号进行特征提取，得到所述心电信号在多个不同尺度的特征图；

概率图确定模块，用于基于所述特征图确定QRS波群的概率图，所述概率图中概率值大于概率阈值的局部极大值点表示所述QRS波群的位置信息的候选点；

目标确定模块，针对每一所述QRS波群，用于从多个所述概率图中筛选出概率值最大的候选点作为表示所述QRS波群的位置信息的目标点，以及所述目标点对应的特征图作为目标特征图；

基准点确定模块，用于基于所述目标特征图上的区域特征图确定所述QRS波群所属的心拍信号的基准点，所述区域特征图为所述目标特征图上以所述目标点为中心的预设范围内的特征；

所述基于所述目标特征图上的区域特征图确定所述QRS波群所属的心拍信号的基准点，包括：对所述目标特征图上的区域特征图进行卷积和池化操作，以确定所述心拍信号的起点和终点，所述心拍信号的基准点包括所述心拍信号的起点和终点。

14.一种心拍类型识别装置，其特征在于，基于权利要求13所述心拍信号基准点确定装置确定心拍信号的基准点，所述心拍信号的基准点包括所述心拍信号的起点与终点，所述心拍类型识别装置包括：

概率值获取模块，用于将所述目标特征图上所述心拍信号的起点与终点范围内的心拍特征图输入训练好的心拍类型识别模型中进行处理，得到所述心拍信号属于各心拍类型的概率值；

心拍类型确定模块，用于将所述概率值中的最大值对应的心拍类型作为所述心拍信号所属的心拍类型。