(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210906280.7 (22)申请日 2022.07.29 (71)申请人 华东师范大学 地址 200241 上海市闵行区东川路5 00号 (72)发明人 宋培东　王丽苹　王彬宇　林学民　 (74)专利代理 机构 上海蓝迪专利商标事务所 (普通合伙) 31215 专利代理师 徐筱梅　张翔 (51)Int.Cl. G06T 7/11(2017.01) G06T 7/00(2017.01) G06V 10/26(2022.01) G06V 10/30(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) A61B 5/346(2021.01) (54)发明名称 基于深度学习的单导联心电图分割模型及 构建方法和应用 (57)摘要 本发明公开了一种基于深度学习的单导联 心电图分割模 型及构建方法和应用， 该方法基于 深度学习， 可以利用心电图数据全局特征并进行 多层信息融合， 继承了传统医学图像 分割中的多 层信息融合结构的优点， 同时将语 言处理的全局 关联特征提取方法融合其中。 其对应生成的模型 可以在对数据进行编码的阶段综合考虑数据全 局的特征， 从而解决了传统基于卷积的方法存在 的感受野受限的问题。 同时， 该方法提出的中间 层的存在可以很好的解决编码层的输出特征与 分割层进行上采样的特征融合时， 维度不匹配的 问题， 同时编码层和分割层之间共享的中间层可 以加速模型的收敛。 本发明提出的单导联心电图 分割方法可以应用在动态心电图和静态心电图 中， 具有很高的分割准确率。 权利要求书2页 说明书7页 附图4页 CN 115439487 A 2022.12.06 CN 115439487 A 1.一种基于深度学习的单导联心电图分割模型构建方法， 其特征在于， 该方法构建出 的模型结构为编 码层、 中间层及分割层， 编 码层对序列化数据进 行全局关联特征提取， 向分 割层传递最后一层的输出， 并向中间层传递中间多层的输出； 中间层将编码层的多层输出 上采样至不同的维度， 与分割层匹配； 分割层接收编码层的最后一层输出， 并与中间层的多 层输出进行信息融合， 并逐级上采样， 最后完成分割； 具体构建过程包括： 设D是输入的心电图数据， 其长度为l； X是输入的序列化心电图的集合， X＝{x1,x2,…, xn}， 其中每 个元素xn的维度为d， 且有d*n ＝l； 编码层为能够提取全局特 征的网络， 其目的在于提取序列化的输入的全局关联 特征； 编码层包含多层神经网络对输入数据序列进行编码， 至少5层； 并会被保存多层神经网 络中p层的输出， 用以多层信息融合； p至少为5； 对于输入数据序列X， 编码层中每层神经网络提取出一个输出特征向量Ei， 包含了全局 特征信息， Ei＝{e1,e2,…,en}， 其中每 个元素en的维度为d ′， d′＜d； 将编码层的最后一层神经网络的输出El传递至分割层， 并将第一层神经网络和中间层 的输出{E1,E2,…,Es}传递至中间层； 中间层由上采样模块构成， 其层数为p； 中间层接收的特征向量E＝{e1,e2,…,en}， 其长度为n， 维度 为d′； 每经过一层上采样模 块， 特征向量的长度会增 加， 维度会降低； 设共有s个特征向量， {E1,E2,…,Es}， 则E1经过第一层上采样模块即被传递至分割层， E2 经过第一、 二层的上采样模块被传 递至分割层， 以此类推， 最后一个特征向量Es需要经过所 有的上采样层； s个特征向量被 上采样成不同长度、 维度的向量{M1,M2,…,Ms}， 其中M1的长度最短、 维度 最大， Ms的长度最长且与原 始数据输入长度l相等、 维度最小； 分割层中的神经网络层数与中间层的层数相等， 每层包括一个上采样模块和融合模 块； 其中， 上采样模块的输出 形状与同层的中间层上采样模块相同； 分割层接收来自编码层最后一层的输出El和中间层的s层 输出{M1,M2,…,Ms}； El经过第 一个上采样模块后得到Ms′， Ms′与Ms在融合模块进行信息融合， 得到Ms′‑1， Ms′‑1再次经过上 采样与Ms‑1进行融合， 以此类 推； 分割层最后一层的输出为M1′和M1融合后得到的M0， 其长度为l， 与输入数据相同， 维度 为4， 四个维度分别对应四种心电图波形的分割结果； 训练阶段， 只使用训练集的数据进行训练， 验证集的数据用以衡量每一轮训练的收敛 情况； 训练集和验证集的数据以每b个数据作为一个数据块送入模型， 块的形状为b*l， 其中l 是单个心电信号的长度； 标签的形状为b*l*4， 其中4对应的是分割结果中波段的数目； 将数据块作为输入送入模型， 分割层同时输出b条数据的输出， 形状与标签相同， 为b* l*4； 分割结果与标签 计算损失， 损失函数采用dicel oss损失函数， 其计算公式为： 其中X代表分割的结果， Y代 表标签； 损失函数能够同时解决分割不足和过度分割问题；权　利　要　求　书 1/2 页 2 CN 115439487 A 2对训练集上的损失值， 根据链式求 导法则和梯度下降方法对各层的参数进行 更新； 训练阶段采用Adam优化器， 学习策略采用ReduceLROnPlateau； 学习策略监听每一轮验 证集上的损失值， 根据验证集上 的损失值更新学习率； 得到所述基于深度学习的单导联心 电图分割模型。 2.一种权利要求1所述方法构建的基于深度学习的单导联心电图分割模型。 3.一种应用权利要求2所述模型进行心电图分割的方法， 其特征在于， 该方法包括以下 具体步骤： 步骤1： 数据预处理， 对输入的一条长度为l的单导联心电图， 按照大小为d的窗口将其 划分成若干个块， 组成一条长度为 n， 维度为d的心电数据 序列， 其中n*d＝ l； 步骤2： 推理阶段， 分为如下三个子步骤： 步骤2‑1： 将单导联心电图划分成若干个与训练阶段相等长度的数据， 将每条数据送入 模型， 得到初步分割结果； 步骤2‑2： 根据初步的分割结果的值将分割结果0 ‑1化， 并进行局部众数过滤， 来消除噪 声， 得到最终的分割结果。 步骤2‑3： 对像素级的分割结果进行统计整理， 得到单导联心电图全程的波段信息 。权　利　要　求　书 2/2 页 3 CN 115439487 A 3