摘要
心电信号特征点检测是心血管疾病诊断分析的重要依据。心电信号通常会含有各种噪声，并且由于个体性差异导致波形形态多样性，为心电信号特征点检测带来一定的困难。现有的心电信号特征点检测算法的检测精度有待提高，存在依赖经验参数与人工特征提取，且无法适应心电信号波形畸变等问题。针对以上问题，本文从深度学习方向入手，研究心电信号特征点检测算法。本文的主要内容如下： 1）心电信号预处理。首先，采用公开的QT数据库和LUE数据库中的心电信号应用两个不同窗口的中值滤波器，实现心电信号的基线漂移的滤除；然后，使用基于时空特征的QRS波群检测的算法用于定位心电信号中QRS波群峰值点；接着，以QRS波群峰值点位置为基准，采取合适的阈值进行心拍切割，并且使用数据增强的策略来提升数据分布的多样性；最后将切割后不等长的心拍片段经过重采样后统一长度为256个采样点的心电片段。 2）提出了一种基于注意力机制的一维U-Net网络模型用于心电信号特征点检测。该算法采用了U-Net结构框架，它的对称结构加强了保留信号特征能力。通过在原有基础上对U-Net结构进行改进，在跳级连接部分增加了空间注意力机制，学习时域信号中不同区域的加权系数，以此突显关键的心电信号特征波。该算法充分发挥了全卷积网络提取特征以及利用上下文信息进行数据补充的能力。本方法一方面可以避免数字信号处理方法对人工经验参数的依赖；另一方面也可以省掉机器学习方法中繁琐的特征工程步骤。本方法在QT数据库上进行训练和测试，用于检测QRS波群、P波和T波的起止点和峰值点。最终平均灵敏度和精确度分别为97.94%和97.72%。该算法比U-Net模型具有更好的心电信号特征点检测效果，同时验证了本算法的有效性。 3）提出了一种基于多分支多任务时序卷积神经网络模型用于心电信号特征点检测。依据心电信号频率分布的特点，将单通道的编解码结构扩展为多分支网络架构，分别对低频段和高频段信号成分进行特征提取。两个子模型都引入了关键段注意力机制，分别提取不同频段的潜在时序特征。最后将提取到的潜在特征进行特征融合，加强了心电信号的不同特征波信息补充。注意力模块主要是由时序卷积神经网络组成，使得模型更加关注于心电信号特征波的特征学习。本方法利用概率图模型，并且通过因子分解各子模块的连接，然后采用网络实例化，从而充分利用心电信号特征波之间的隐藏信息。在QT数据库的实验结果表明，本算法的平均灵敏度和精确度分别达到99.78%和99.17%以及最终平均误差都小于2毫秒。另外，在LUE数据库的实验结果验证了该方法的优越性。
NETL