一种应用于心电图的子波形识别方法及系统与流程

1.本发明属于波形识别领域，尤其涉及一种应用于心电图的子波形识别方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.心电波是由心电图仪所测量出来的用于描述心脏活动的波动曲线，心电波中的电位变化表示心脏中电流活动的变化，同样表示心脏所进行的不同活动。针对心电波相关数据的分析，对促进医疗服务智能化、提高医疗服务质量、减少医治响应时间具有重要意义。
4.在心电波的自动分析中，需要检测出子波形的类别形态包括：p波、qrs波、t波、u波、f波和起搏钉等。正确检测出这些子波形，可以为疾病诊断领域提供很重要的参数以供分析，比如qrs波的频率、间隔大小等。图1为心电波的一个已标注的样例，其中，每个阴影条块代表了一个子波形。
5.患者的病症不同，所呈现的波形形态也会有很大差异，且同一个子波形可能有多标签重叠的情况，尤其是动态心电图，常常是以24小时为数量级，数据量很大，推理速度至关重要。
6.针对心电波波形的各类子波形进行检测，目前也有一些相关研究。通过形态学的办法来检测各类的峰值，从而检测出该类波的存在与否，是现在较为常用的一种手段。利用cnn模块来提取时域特征和利用小波来提取频域特征的方法，是一个比较常见的办法，对专业知识要求比较高；此外，也有方法是通过cnn模块和rnn模块结合的办法来去提取波形的特征表示，通过nms(非最大值抑制)或者crf(条件随机场)做后处理解码，从而判断出子波形的区域和类别，但rnn模块的引入会导致推理速度大大降低，影响子波形识别的效率。


技术实现要素：

7.为克服上述现有技术的不足，本发明提供了一种应用于心电图的子波形识别方法及系统，应用全卷积技术提出了一种子波形识别模型，该模型集合了卷积模块的抗噪音、可并行的特点，设置符合实际医学需要的感知野，最终获得了比传统类主流方法更高的准确率，同时也给出了更快的推理速度；而且通过非最大值抑制为核心的后处理模块，解决了同一子波形可能有多个标签重叠的问题。
8.为实现上述目的，本发明提供了如下技术方案：
9.本发明第一方面提供了一种应用于心电图的子波形识别方法；
10.一种应用于心电图的子波形识别方法，包括：
11.对收集的心电波数据进行预处理，得到训练数据集，并基于训练数据集对子波形识别模型进行训练；
12.对训练数据集进行推理得到心电波的特征向量，基于粒子群算法对特征向量中各
类子波形的特征阈值进行全局最优搜索，得到各类子波形的最优阈值；
13.将待识别的心电波数据输入到训练好的子波形识别模型中，得到心电波的特征向量；
14.基于各类子波形的最优阈值，采用非极大值抑制法，对心电波数据的特征向量进行解码，得到子波形的位置和类别。
15.进一步的，所述训练数据集，包括心电波数据、心电波数据中标注的子波形及心电波对应的多导联电伏值向量；
16.所述子波形识别模型，以心电波数据为输入，以心电波的特征向量作为输出。
17.进一步的，所述心电波的特征向量，由每个波点对应的各个类别激活特征向量、重叠特征向量、起始距离特征向量、终止距离特征向量、回归距离特征向量组成；
18.所述激活特征向量、重叠特征向量的元素值为1/0，表示是否是激活点和重叠点；所述起始距离特征向量由激活点距离起始点的距离构成；所述终止特征向量由激活点距离终止点的距离构成；所述回归特征向量由激活点距离单波形点的距离构成。
19.进一步的，所述采用粒子群算法对各类子波形的特征阈值进行全局最优搜索，特征阈值包括各类波的激活阈值、重叠阈值、长度阈值，具体步骤为：
20.设定粒子群算法的参数：随机粒子的数量n、迭代次数，粒子表示为：
21.xi＝(x
i1
,x
i2
,
…
,x
id
)，i＝1,2,
…
,n
22.其中，xi表示第i个粒子，是一个d维度的随机向量，d为要寻优的阈值数量，x
i1
,x
i2
,
…
,x
id
分别表示第1、2、
…
、d个特征阈值；
23.将每个粒子带入效果评估函数中，计算每个粒子已找到的个体最优解和整个群落的全局最优解；
24.迭代更新每个粒子的速度和位置，并评估效果，直到达到迭代次数；
25.当迭代次数结束时，得到整个群落的全局最优解，其对应的向量即为搜寻的各种最优阈值。
26.进一步的，所述子波形识别模型，基于全卷积技术，通过编码器的下采样进行特征提取，再通过解码器的上采样进行多层次特征的融合，得到对应的特征向量。
27.进一步的，所述子波形识别模型的损失函数，为子波形为单位的分类损失和回归损失的平均值之和；
28.所述分类损失，是子波形的激活点特征、重叠点特征，和分类标签进行二分类的损失计算；
29.所述回归损失，是子波形的起始点特征、终止点特征、回归点特征进行回归损失计算。
30.进一步的，所述采用非极大值抑制法，对心电波的特征向量进行解码，得到心电波上子波形的类别和位置，具体为：
31.当重叠特征的值大于重叠阈值时，激活特征的值置为0，即该点的距离特征不参与子波形的边界点的位置计算；当激活特征的值大于激活阈值后，该点的距离特征参与子波形边界点的位置计算；当大于激活阈值的连续分类点数目大于长度阈值时，这些连续分类点才能成为一个波形。
32.本发明第二方面提供了一种应用于心电图的子波形识别系统。
33.一种应用于心电图的子波形识别系统，包括模型训练模块、阈值寻优模块、推理特征模块和波形后处理模块：
34.模型训练模块，被配置为：对收集的心电波数据进行预处理，得到训练数据集，并基于训练数据集对子波形识别模型进行训练；
35.阈值寻优模块，被配置为：对训练数据集进行推理得到心电波的特征向量，基于粒子群算法对特征向量中各类子波形的特征阈值进行全局最优搜索，得到各类子波形的最优阈值；
36.推理特征模块，被配置为：将待识别的心电波数据输入到训练好的子波形识别模型中，得到心电波的特征向量；
37.波形后处理模块，被配置为：基于各类子波形的最优阈值，采用非极大值抑制法，对心电波数据的特征向量进行解码，得到子波形的位置和类别。
38.本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种应用于心电图的子波形识别方法中的步骤。
39.本发明第四方面提供了电子设备，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程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种应用于心电图的子波形识别方法中的步骤。
40.以上一个或多个技术方案存在以下有益效果：
41.针对心电波的波形分类问题，本发明创造性地运用全卷积技术提出适合心电波子波形识别的深度学习模型，不但获得了很有竞争力的准确率，且保证了模型良好的推理速度。
42.本发明通过粒子群算法对各类的阈值进行最优搜索，提高了模型的分类准确率，同时不影响模型的推理速度。
43.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。
附图说明
44.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
45.图1为一个心电波段的已标注样例图。
46.图2为第一个实施例的方法流程图。
47.图3为一个心电波点的数据特征生成图。
48.图4为第一个实施例的子波形识别模型的训练图。
49.图5为第一个实施例的子波形识别模型的推理流程图。
50.图6为第二个实施例的系统结构图。
具体实施方式
51.下面结合附图与实施例对本发明作进一步说明。
52.实施例一
53.本实施例公开了一种应用于心电图的子波形识别方法；
54.如图2所示，一种应用于心电图的子波形识别方法，包括：
55.步骤s1：对收集的心电波多导联数据进行预处理，得到训练数据集，并基于训练数据集对子波形识别模型进行训练，具体步骤为：
56.步骤s101：收集数据
57.本实施例中采用的数据为500hz的，多为10秒-20秒的长度、12导联的二维数据，其维度表示为[n,l]，其中，n代表收集到的心电波的导联数，l代表波段的长度。心电波的每一个波点代表的是电伏值，与图像处理领域中的点像素值相对应。
[0058]
图1为心电波的已标注样例图，如图1所示，每一块的阴影代表的是已被标注的子波形实例。p波、qrs、u波、t波的跨度较大，其起始点、终止点区分明显，将其设为双边子波形看待，其初始特征表示为[起始点，终止点]；f波、起搏订的起始点、终止点很难区分，取其剧烈变化的波点作为特征点，设为单边子波形看待，其初始特征表示为[回归点]，至此，生成单双向子波形的标注box。
[0059]
步骤s102：数据预处理，由子波形的标注box生成心电波的特征向量。
[0060]
心电波数据经过去基线等处理后，再经过人工标注得到训练数据集，具体为：
[0061]
由于单边子波形的激活区域只有1个点，为了方便提取周围点对该激活点的特征表示和特征向量的统一表示，将单边子波形、双边子波形的边界均外展，至此，单双向子波形均形成了各自的激活box。
[0062]
为了方便子波形的激活box在模型中的表示，我们提取其初始特征组成特征向量来对心电波进行统一表示。双边子波形的特征包括代表激活点的激活特征、代表与同类子波形重叠的重叠特征、代表起始点表示的起始距离特征、代表终止点表示的终止距离特征，共4个特征；单边波形的特征包括代表代表激活点的激活特征、代表与同类子波形重叠的重叠特征、代表回归点表示的回归距离特征，共3个特征，最终形成波点的特征向量如图3所示，即每一个波点表示为22维的特征向量。
[0063]
由人工标签生成的激活特征、重叠特征的值为1/0，是分类问题；起始距离特征、终止距离特征、回归距离特征的预测是个回归问题，其回归特征计算方式如下所示。
[0064][0065]
上式中，i代表子波形激活box的id号，表示双边子波形的起始点位置(或单边子波形的回归点的位置)、终止点位置，s
*
表示激活点的起始距离特征值，e
*
代表激活点的终止距离特征值，r
*
表示激活点的回归距离特质值。
[0066]
至此，由人工标签生成参与模型训练的特征向量，其维度表示为[22,l]，l代表心电波的长度。
[0067]
步骤s103：子波形识别模型的训练
[0068]
将训练数据集中的数据输入到子波形识别模型中进行训练和推理，其模型架构流程如图4所示，具体为：
[0069]
(1)为了模型在下采样中能够得到整数，将输入数据padding到512的倍数长，使得模型能够获得7秒以上的感知野，符合医学上的人工建议；为了下面描述简单，将数据
padding后的长度称为数据长度，数据的实际长度称为数据真值长度。
[0070]
(2)数据输入模型后，首先会经过一个多尺度卷积，卷积核的大小分别为1*3、1*5、1*7、1*9,即encoder0，卷积核采用并联模式，以便充分地提取到心电波的数据特征，之后经最大值pooling后，数据长度变为原来的1/2。
[0071]
(3)数据依次进入到编码器encoder1、encoder2、encoder3、encoder4中，这4个编码器的内部构造基本相同。数据在进入每一个编码器后，会依次进行卷积矩阵计算，卷积核大小参考resnet网络设计，分别为1*1、1*5、1*1，串联模式；当进过卷积核大小为1*5进行计算时，通过设置计算步长为4，将数据长度缩小为原来的1/4。考虑到每一层的时间复杂度，当数据长度缩小时，下一步的计算中将卷积核个数变为原来的4倍；经过这些编码器的串行处理后，数据长度变为原数据的1/512。
[0072]
(4)数据进入到模块centerblock中，centerblock的卷积核大小基本决定了该模型的感知野为多少秒。这里从实际出发，选用了1*7的卷积核。数据在该模块中长度保持不变，为原数据的1/512。
[0073]
(5)数据依次进入到解码器decoder4、decoder3、decoder2、decoder1、decoder0中；这5个编码器的内部构造基本相同，如图3所示，除了decoder0中的扩增倍数为2倍，以便恢复到数据原长度；数据在进入每一个解码器后，会依次经过卷积进行串行计算，卷积核大小设计为1*5、1*5；当数据刚进入到解码器时，为了和对应的编码器输出做拼接操作，需先将数据长度扩大为原来的4倍(除decoder0外)，以便和对应的编码器输出长度对齐；考虑到每一层的时间复杂度，当数据长度扩大4倍时，下一步的计算中卷积核个数变为原来的1/4；经过这些解码器的串行处理后，数据长度恢复到原数据长度。
[0074]
(6)解码器的输出进入到下一步的终端模块中，经过卷积核为1*3、1*1的串联处理，然后经过sigmoid激活函数得到模型的最终输出向量pr。设根据已标注数据生成的特征向量为gt，gt的维度和pr相同。
[0075]
(7)基于训练数据集，对模型的输出向量进行损失计算，损失函数为分类损失和回归损失的平均值之和。
[0076]
模型输出的激活特征、重叠特征，经过sigmoid计算后，和标签生成的激活特征、重叠特征进行二分类的损失计算。
[0077]
模型输出的起始距离特征、终止距离特征、回归距离特征和标签生成的起始距离特征、终止距离特征、回归距离特征进行回归损失计算。
[0078]
(8)将模型输出的特征向量通过非最大值抑制(nms)模块的后处理步骤进行解码，解码后生成单双边子波形的初始表示，与模型的初始标签进行iou计算，得到每个单双边子波形的iou-mean值。
[0079]
iou-mean的值可以通过调度器来对模型参数进行影响，以便将点预测转移到子波形预测上来，降低子波形的长短对模型的影响。
[0080]
为了单边子波形的iou计算准确，将单边子波形的初始特征进行优化，改为[回归点-sl，回归点+sl]，sl值根据该类波的子波形间距来确定，通常为40～60个波点。
[0081]
nms模块的特征阈值包括：4个双边波形的激活阈值、4个双边波形的重叠阈值、4个双边波形的长度阈值、2个单边波形的激活阈值、2个单边波形的重叠阈值、2个单边波形的长度阈值，共18个阈值。其中，概率阈值的默认值为0.5，长度阈值的默认值为3，通过调度器
影响模型训练。
[0082]
步骤s2：对训练数据集进行推理得到心电波的特征向量，基于粒子群算法对特征向量中各类子波形的特征阈值进行全局最优搜索，得到各类子波形的最优阈值。
[0083]
为了提高实例识别能力，采用粒子群算法对各类子波形的阈值进行全局最优搜索，该步骤发生在模型训练完成以后。
[0084]
特征阈值的具体寻优步骤为：
[0085]
步骤(1)：将训练数据集经过模型推理后的特征向量保存下来。
[0086]
步骤(2)：设定粒子群算法需要的各个参数，即随机粒子的数量n、模型迭代次数，第i个粒子表示为：
[0087]
xi＝(x
i1
,x
i2
,
…
,x
id
)，i＝1,2,
…
,n
[0088]
其中，xi为第i个粒子，是一个d维度的随机向量，d为要寻优的阈值数量，向量中每个元素代表着一个特征阈值，这里的d为18。
[0089]
第i个粒子的速度也表示为一个d维度的随机向量，即：
[0090]vi
＝(v
i1
,v
i2
,
…
,v
id
)，i＝1,2,
…
,n
[0091]
其中，vi为第i个粒子的速度，向量中每个元素代表着一个特征阈值的速度。
[0092]
同理，最大边界bound_up和最小边界bound_down也为d维度向量，这里设置为
[0093][0094]
步骤(3)：将每个粒子带入效果评估函数中(即后处理中的nms函数)，计算效果评估值；第i个粒子得到的适应度为iou-meani。此外，还应该随时保存每个粒子已找到的个体最优解pi和整个群落的全局最优解pg。
[0095]
步骤(4)：第i个粒子根据下面的公式(3)来更新自己的速度和位置：
[0096][0097]
其中，s表示第i次迭代；r1、r2为随机向量；w、c1、c2为更新权重，与迭代次数有关，其更新如公式(4)如下：
[0098][0099]
其中，max_steps为总的迭代次数，为预先设定值。
[0100]
从公式(4)中可看出：w的值是随着迭代次数的增大而减小的，c1的值是随着迭代次数的增大而增大的。
[0101]
xi的值在更新过程中，还要经过最大边界bound_up和最小边界bound_down的限定，防止其值越过边界。
[0102]
步骤(5)：当迭代次数结束时，得到整个群落的全局最优解pg，其对应的向量即为要搜寻的各种最优阈值。
[0103]
步骤s3：将待识别的心电波数据输入到训练好的子波形识别模型中，得到心电波
的特征向量。
[0104]
步骤s4：基于各类子波形的最优阈值，采用非极大值抑制法(nms)，对心电波的特征向量进行解码，得到波形的区域(子波形)类别，如图5所示，具体步骤为：
[0105]
(1)进行特征值判断
[0106]
获取步骤s2得到的最优特征阈值，即激活阈值、长度阈值、重叠阈值。
[0107]
对双边子波形来讲，当重叠特征值大于重叠阈值后，该点对应的激活特征值置为0。当激活特征值大于激活阈值后，该点对应的本类别的起始距离特征、终止距离特征才能参与起始点、终止点的计算。
[0108]
对单边子波形来讲，当重叠特征值大于重叠阈值后，该点对应的激活特征值置为0。当激活特征值大于激活阈值后，该点对应的本类别的回归距离特征才能参与回归点的计算。
[0109]
当某一类别上，大于激活阈值的连续点数目大于长度阈值时，这些连续分类点才能成为一个波形。
[0110]
(2)双边子波形的解码过程
[0111]
在波形的长度维度上，针对波形的预测特征向量上进行for循环计算，针对具体点，进行阈值判断。
[0112]
当具体点的激活特征值大于阈值后，将其起始距离特征值经过回归特征计算公式的反式计算后放入起始点的预测列表中，将其终止距离特征值经过回归特征计算公式的反式计算后放入终止点的预测列表中，将其激活特征值放入激活点的预测列表中。
[0113]
当具体点的激活特征值小于阈值时，如果起始点的预测列表长度大于长度阈值，且起始点预测列表的平均值小于终止点预测列表的平均值，且两平均值大于0，则将起始点预测列表的平均值作为波形的起始点，将终止点预测列表的平均值作为波形的终止点，激活预测列表的平均值作为子波形的权重，组成双边子波形的三元组；之后，起始点预测列表和终止点预测列表的值清空，继续参与计算。
[0114]
双边子波形的相交片段，如果是同类子波形相交，则根据三元组的子波形权重值进行非最大值抑制；如果是异类子波形相交，不需要考虑。
[0115]
(3)单边子波形的解码过程
[0116]
在波形的长度维度上，针对波形的预测特征向量上进行for循环计算，针对具体点，进行阈值判断。
[0117]
当具体点的激活特征值大于阈值后，将其回归距离特征值经过回归特征计算公式的反式计算后放入回归点预测列表中，将其激活特征值放入激活点的预测列表中。
[0118]
当具体点的激活特征值小于阈值时，如果回归点预测列表的长度大于长度阈值，且激活值的平均值大于0，则将回归点预测列表的平均值作为波形的回归点，激活预测列表的平均值作为子波形的权重，组成单边子波形的二元组。之后，回归点预测列表的值清空，继续参与计算。
[0119]
实施例二
[0120]
本实施例公开了一种应用于心电图的子波形识别系统；
[0121]
如图6所示，一种应用于心电图的子波形识别系统，包括模型训练模块、阈值寻优模块、推理特征模块和波形后处理模块：
[0122]
模型训练模块，被配置为：对收集的心电波数据进行预处理，得到训练数据集，并基于训练数据集对子波形识别模型进行训练；
[0123]
阈值寻优模块，被配置为：对训练数据集进行推理得到心电波的特征向量，基于粒子群算法对特征向量中各类子波形的特征阈值进行全局最优搜索，得到各类子波形的最优阈值；
[0124]
推理特征模块，被配置为：将待识别的心电波数据输入到训练好的子波形识别模型中，得到心电波的特征向量；
[0125]
波形后处理模块，被配置为：基于各类子波形的最优阈值，采用非极大值抑制法，对心电波数据的特征向量进行解码，得到子波形的位置和类别。
[0126]
实施例三
[0127]
本实施例的目的是提供计算机可读存储介质。
[0128]
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公开实施例一所述的一种应用于心电图的子波形识别方法中的步骤。
[0129]
实施例四
[0130]
本实施例的目的是提供电子设备。
[0131]
电子设备，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程序，所述处理器执行所述程序时实现如本公开实施例一所述的一种应用于心电图的子波形识别方法中的步骤。
[0132]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种应用于心电图的子波形识别方法，其特征在于，包括：对收集的心电波数据进行预处理，得到训练数据集，并基于训练数据集对子波形识别模型进行训练；对训练数据集进行推理得到心电波的特征向量，基于粒子群算法对特征向量中各类子波形的特征阈值进行全局最优搜索，得到各类子波形的最优阈值；将待识别的心电波数据输入到训练好的子波形识别模型中，得到心电波的特征向量；基于各类子波形的最优阈值，采用非极大值抑制法，对心电波数据的特征向量进行解码，得到子波形的位置和类别。2.如权利要求1所述的一种应用于心电图的子波形识别方法，其特征在于，所述训练数据集，包括心电波数据、标注的子波形及心电波的特征向量；所述子波形识别模型，以心电波多导联数据为输入，以识别出来的子波形和心电波的特征向量作为输出。3.如权利要求1所述的一种应用于心电图的子波形识别方法，其特征在于，所述特征向量，由激活特征、重叠特征、起始距离特征、终止距离特征、回归距离特征组成；所述激活特征、重叠特征的值为1/0，所述起始距离特征表示激活点和外展点距离起始点的距离，所述终止距离特征表示激活点和外展点距离终止点的距离，所述回归距离特征表示激活点和外展点距离单波形的回归点的距离。4.如权利要求1所述的一种应用于心电图的子波形识别方法，其特征在于，所述采用粒子群算法对各类子波形的特征阈值进行全局最优搜索，特征阈值包括激活阈值、重叠阈值、长度阈值，具体步骤为；设定粒子群算法的参数：随机粒子的数量n、迭代次数，粒子表示为：x
i
＝(x
i1
，x
i2
，...，x
id
)，i＝1，2，...，n其中，x
i
表示第i个粒子，是一个d维度的随机向量，d为要寻优的阈值数量，x
i1
,x
i2
,
…
,x
id
分别表示第1、2、
…
、d个特征阈值；将每个粒子带入效果评估函数中，计算每个粒子已找到的个体最优解和整个群落的全局最优解；迭代更新每个粒子的速度和位置，并评估效果，直到达到迭代次数；当迭代次数结束时，得到整个群落的全局最优解，其对应的向量即为搜寻的各种最优阈值。5.如权利要求1所述的一种应用于心电图的子波形识别方法，其特征在于，所述子波形识别模型基于全卷积技术构建，通过编码器的下采样进行特征提取，再通过解码器的上采样进行特征融合，得到心电波的特征向量。6.如权利要求1所述的一种应用于心电图的子波形识别方法，其特征在于，所述子波形识别模型的损失函数为分类损失和回归损失的平均值之和。所述分类损失，是模型推理出的子波形的激活特征、重叠特征，和标签生成的对应特征进行二分类的损失计算。所述回归损失，是模型推理出的子波形的起始距离特征、终止距离特征、回归距离特征和标签生成的对应特征进行回归损失计算。7.如权利要求1所述的一种应用于心电图的子波形识别方法，其特征在于，所述采用非
极大值抑制法，对心电波的特征向量进行解码，得到子波形的类别和位置，具体为：当某类波在具体点上重叠特征值大于阈值后，该类波在该具体点上的激活特征值置为0；当激活特征值大于阈值后，该点的起始距离特征、终止距离特征、回归距离特征才能参与起始点、终止点、回归点的计算；当大于激活阈值的连续分类点数目大于长度阈值时，这些连续分类点才能成为一个波形。8.一种应用于心电图的子波形识别系统，其特征在于，包括模型训练模块、阈值寻优模块、推理特征模块和波形后处理模块：模型训练模块，被配置为：对收集的心电波数据进行预处理，得到训练数据集，并基于训练数据集对子波形识别模型进行训练；阈值寻优模块，被配置为：对训练数据集进行推理得到心电波的特征向量，基于粒子群算法对特征向量中各类子波形的特征阈值进行全局最优搜索，得到各类子波形的最优阈值；推理特征模块，被配置为：将待识别的心电波数据输入到训练好的子波形识别模型中，得到心电波的特征向量；波形后处理模块，被配置为：基于各类子波形的最优阈值，采用非极大值抑制法，对心电波数据的特征向量进行解码，得到子波形的位置和类别。9.一种电子设备，其特征是，包括：存储器，用于非暂时性存储计算机可读指令；以及处理器，用于运行所述计算机可读指令，其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-7任一项所述的方法。10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。

技术总结
本发明提出了一种应用于心电图的子波形识别方法及系统，涉及波形识别领域，对心电波数据进行预处理，得到训练数据集，并对子波形识别模型进行训练；对训练数据集进行推理得到心电波的特征向量，基于粒子群算法对各类子波形的特征阈值进行全局最优搜索，得到各类子波形的最优阈值；将待识别的心电波数据输入到子波形识别模型中，得到心电波的特征向量；对心电波的特征向量进行解码，得到子波形的类别和位置；本发明应用全卷积技术提出一种子波形识别模型，本模型不但通过1维度卷积核集合卷积模块的抗噪音、可并行的特点，而且获得符合实际医学需要的感知野，最终获得比传统类主流模型准确率更高的准确率，同时也提高很好的推理速度。速度。速度。


技术研发人员：吴军 高希余 靳恩朝 张伯政 王玉杰 房志文
受保护的技术使用者：众阳健康科技集团有限公司
技术研发日：2023.03.13
技术公布日：2023/7/25