[发明专利]一种针对心电图QRST波形的分析方法、设备、介质和心电图仪

说明书

本申请涉及医疗人工智能领域，公开了一种针对心电图QRST波形的分析方法、设备、介质和心电图仪。本申请的针对心电图QRST波形的分析方法包括：接收多个导联的心电图信号；利用波群分割模型，将每个导联的心电图信号分割成多个波群，并标注，得到第二心电图信号；提取第二心电图信号中的ST段，所述T波；利用分类模型，将提取的ST段和T波分成具体的类，分别得到ST段和T波的分类结果。本申请通过对心电图信号的处理，实现精确的对导联甚至是具体波群的分析，并且可以识别出常见的ST段异常和T波异常，提升了STT异常分析的精细度，具有更高的临床价值。

技术领域

本申请涉及医疗人工智能领域，特别涉及一种针对心电图QRST波形的分析方法、设备、介质和心电图仪。

背景技术

据权威调查显示，心血管疾病已经成为世界人口死亡的主要原因之一。每年死于心血管疾病的人数占死亡总人数的三分之一。心电图机将心脏活动的电信号提取为数字信号，并用心电图的形式展现出来，是医生进行心脏检查和诊断的一个重要的临床手段，一般分为静态心电图，动态心电图和运动心电图三种。

随着人工智能领域特别是深度学习技术的发展，分析数字心电信号的技术越来越丰富和成熟。现有技术中通过深度学习的人工智能框架对心电信号进行分析和预测，从而处理ST段异常和T波异常类别(以下统称STT异常)，主要以全导联信号分析为主。但存在以下不足：一方面，仅能分析整个心电图是否包含STT异常，而无法对具体哪个导联的异常进行定位；另一方面，预测的STT异常类别过于单一，目前的算法多数是预测ST段和T波是否异常的简单二分类，而很难有效去区分ST段异常和T波异常的细分类。因而，设计出贴进临床需求可对STT异常类别精确到导联的心电图智能分析方法及系统，有着重大的社会效益和经济效益。

发明内容

本申请实施例提供了一种针对心电图QRST波形的分析方法、设备、介质和心电图仪。

第一方面，本申请实施例提供了一种针对心电图QRST波形的分析方法，所述方法包括：

接收多个导联的心电图信号；

对于每个导联的心电图信号，利用波群分割模型，将所述心电图信号分割成多个波群，并且对所获得的多个波群进行标注，得到第二心电图信号，其中，所述多个波群包括分别对应于正常信号、P波、QRS波、T波的波群；

提取所述第二心电图信号中的ST段，所述T波；其中，所述ST段是指所述QRS波终了至所述T波开始之间的一段；

对于提取的所述ST段和所述T波，利用分类模型，将所述ST段和所述T波分成具体的类，分别得到所述ST段和所述T波的分类结果。

在上述第一方面的一种可能的实现中，对每个导联心电图信号，利用波群分割模型，进行波群分割，包括：通过一个或多个第一一维卷积层，扩展所述心电图信号通道，得到初始特征图；对于所述初始特征图，利用多个多尺度卷积核模块，学习所述心电图信号的用以表征语义的高维特征，输出第一分支特征图；将所述初始特征图通过一个或多个第二一维卷积层，学习所述心电图信号的细节特征，输出第二分支特征图；将所述第一分支特征图和所述第二分支特征图输入多特征融合模块，进行特征融合，输出多特征融合特征图；将所述多特征融合特征图输入第三一维卷积层，得到分类特征图，以及所述正常信号，所述P波，所述QRS波，所述T波在所述每个导联中的位置。

在上述第一方面的一种可能的实现中，对于所述初始特征图，利用多个多尺度卷积核模块，学习所述心电图信号的用以表征语义的高维特征，输出第一分支特征图，包括：特征通道随着所述多个多尺度卷积核模块中卷积层深度的增加而增加，并将多个尺度的卷积核所表征的特征进行融合合并。