一种心电信号处理方法和装置与流程

1.本发明涉及数据处理技术领域，特别涉及一种心电信号处理方法和装置。


背景技术：

2.常规的心电信号分析主要依靠人工进行分析，受人工经验和工作量限制这种常规处理方式的处理质量无法保障、处理效率也不高。


技术实现要素：

3.本发明的目的，就是针对现有技术的缺陷，提供一种心电信号处理方法、装置、电子设备及计算机可读存储介质，先对输入的原始心电信号进行滤波生成对应的滤波心电信号；再对原始、滤波心电信号分别进行基线漂移消除处理；再基于完成基线漂移消除的滤波心电信号进行r点识别得到对应的r点序列；再基于r点序列按不同的心电信号片段对完成基线漂移消除的原始、滤波心电信号进行心电信号片段提取生成对应的原始、滤波心电片段序列；再基于不同的人工智能模型分别对原始、滤波心电片段序列进行对应的心搏、干扰类型识别；再对识别出的心搏、干扰类型进行类型融合处理并将最终的融合结果作为心电信号处理结果输出。通过本发明，可以提高处理效率并保障处理质量的稳定性。
4.为实现上述目的，本发明实施例第一方面提供了一种心电信号处理方法，所述方法包括：
5.接收第一心电信号；
6.对所述第一心电信号进行滤波处理生成对应的第二心电信号；并分别对所述第一、第二心电信号进行基线漂移消除处理生成对应的第三、第四心电信号；
7.对所述第四心电信号进行r点识别处理生成对应的第一r点序列；所述第一r点序列包括多个第一r点；
8.根据所述第一r点序列对所述第三、第四心电信号进行心电信号片段截取处理生成对应的第一、第二心电片段序列；
9.对所述第一心电片段序列进行心搏分类处理生成对应的第一片段类型序列；并对所述第二心电片段序列进行干扰分类处理生成对应的第二片段类型序列；
10.对所述第一、第二片段类型序列进行片段类型融合处理生成对应的第三片段类型序列；
11.将所述第一r点序列和所述第三片段类型序列作为心电信号处理结果输出。
12.优选的，所述对所述第四心电信号进行r点识别处理生成对应的第一r点序列，具体包括：
13.对所述第四心电信号进行qrs波识别处理生成对应的多个第一qrs波信号；并对各个所述第一qrs波信号进行r点识别处理生成对应的所述第一r点；并由得到的所有所述第一r点按时间先后顺序排序生成对应的所述第一r点序列。
14.优选的，所述根据所述第一r点序列对所述第三、第四心电信号进行心电信号片段
截取处理生成对应的第一、第二心电片段序列，具体包括：
15.在所述第四心电信号上，以各个所述第一r点为中心点截取一个长度为预设的第一长度的心电信号片段作为对应的第一心电片段；并由得到的所有所述第一心电片段按按时间先后顺序排序生成对应的所述第一心电片段序列；
16.在所述第三心电信号上，以各个所述第一r点为中心点截取一个长度为预设的第二长度的心电信号片段作为对应的第二心电片段；并由得到的所有所述第二心电片段按按时间先后顺序排序生成对应的所述第二心电片段序列；所述第二长度小于所述第一长度。
17.优选的，所述对所述第一心电片段序列进行心搏分类处理生成对应的第一片段类型序列，具体包括：
18.对所述第一心电片段序列的第一心电片段进行遍历；遍历时，将当前遍历的所述第一心电片段送入预设的一类人工智能模型进行一维心电特征提取并基于提取出的心电特征进行心搏类型分类处理生成对应的第一片段类型；遍历结束时，由得到的所有所述第一片段类型按时间先后顺序进行排序生成对应的所述第一片段类型序列。
19.进一步的，所述一类人工智能模型包括第一输入模块、第一全连接网络、第一分类器和第一输出模块；所述第一输入模块与所述第一全连接网络连接；所述第一全连接网络与所述第一分类器连接；所述第一分类器与所述第一输出模块连接；所述第一全连接网络包括一个或多个第一全连接层。
20.进一步的，所述将当前遍历的所述第一心电片段送入预设的一类人工智能模型进行一维心电特征提取并基于提取出的心电特征进行心搏类型分类处理生成对应的第一片段类型，具体包括：
21.将当前的所述第一心电片段送入所述一类人工智能模型；由所述第一输入模块对所述第一心电片段进行一维模型向量转换处理生成对应的第一输入向量向所述第一全连接网络输出；并由所述第一全连接网络根据所述第一输入向量进行全连接运算生成对应的第一心电特征向量向所述第一分类器输出；并由所述第一分类器根据所述第一心电特征向量进行心搏类型分类处理生成对应的第一分类向量向所述第一输出模块输出；并由所述第一输出模块从所述第一分类向量中提取出分类概率值最大的第一向量数据对应的心搏分类类型作为对应的所述第一片段类型输出；所述第一分类向量包括多个所述第一向量数据；各个所述第一向量数据对应一个所述心搏分类类型，所述第一向量数据为对应心搏分类类型的分类概率。
22.优选的，所述对所述第二心电片段序列进行干扰分类处理生成对应的第二片段类型序列，具体包括：
23.对所述第二心电片段序列的第二心电片段进行遍历；遍历时，将当前遍历的所述第二心电片段送入预设的二类人工智能模型进行一维干扰特征提取并基于提取出的干扰特征进行干扰类型分类处理生成对应的第二片段类型；遍历结束时，由得到的所有所述第二片段类型按时间先后顺序进行排序生成对应的所述第二片段类型序列。
24.进一步的，所述二类人工智能模型包括第二输入模块、第一卷积神经网络、第一数据转换模块、第二分类器和第二输出模块组成；所述第二输入模块与所述第一卷积神经网络连接；所述第一卷积神经网络与所述第一数据转换模块连接；所述第一数据转换模块与所述第二分类器连接；所述第二分类器与所述第二输出模块连接。
25.进一步的，所述将当前遍历的所述第二心电片段送入预设的二类人工智能模型进行一维干扰特征提取并基于提取出的干扰特征进行干扰类型分类处理生成对应的第二片段类型，具体包括：
26.将当前的所述第二心电片段送入所述二类人工智能模型；由所述第二输入模块对所述第一心电片段进行高维张量转换处理生成对应的第一输入张量向所述第一卷积神经网络输出；并由所述第一卷积神经网络对所述第一输入张量进行干扰特征提取处理生成对应的第一特征张量向所述第一数据转换模块输出；并由所述第一数据转换模块对所述第一特征张量进行一维向量转换处理生成对应的第一特征向量向所述第二分类器输出；并由所述第二分类器根据所述第一特征向量进行干扰类型分类处理生成对应的第二分类向量向所述第二输出模块输出；并由所述第二输出模块从所述第二分类向量中提取出分类概率值最大的第二向量数据对应的干扰分类类型作为对应的所述第二片段类型输出；所述第二分类向量包括多个所述第二向量数据；各个所述第二向量数据对应一个所述干扰分类类型，所述第二向量数据为对应干扰分类类型的分类概率；所述干扰分类类型包括非干扰类型、弱干扰类型和强干扰类型。
27.优选的，所述对所述第一、第二片段类型序列进行片段类型融合处理生成对应的第三片段类型序列，具体包括：
28.将所述第一、第二片段类型序列中，序列索引相同的第一、第二片段类型作为对应的第一片段类型对；并根据预设的融合模式对各个所述第一片段类型对进行片段类型融合处理生成对应的第三片段类型；并由得到的所有所述第三片段类型按时间先后顺序进行排序生成对应的所述第三片段类型序列。
29.进一步的，所述根据预设的融合模式对各个所述第一片段类型对进行片段类型融合处理生成对应的第三片段类型，具体包括：
30.对所述融合模式进行识别；
31.当所述融合模式为第一模式时，对当前所述第一片段类型对的所述第二片段类型是否为非干扰类型进行识别；若是，则将对应的所述第三片段类型设为当前所述第一片段类型对的所述第一片段类型；若否，则将对应的所述第三片段类型设为干扰片段类型；
32.当所述融合模式为第二模式时，对当前所述第一片段类型对的所述第二片段类型是否为强干扰类型进行识别；若是，则将对应的所述第三片段类型设为干扰片段类型；若否，则将对应的所述第三片段类型设为当前所述第一片段类型对的所述第一片段类型。
33.本发明实施例第二方面提供了一种实现上述第一方面所述的方法的装置，所述装置包括:接收模块、预处理模块、r点识别模块、心电信号片段截取处理模块、人工智能模型处理模块、片段类型融合处理模块和输出模块；
34.所述接收模块用于接收第一心电信号；
35.所述预处理模块用于对所述第一心电信号进行滤波处理生成对应的第二心电信号；并分别对所述第一、第二心电信号进行基线漂移消除处理生成对应的第三、第四心电信号；
36.所述r点识别模块用于对所述第四心电信号进行r点识别处理生成对应的第一r点序列；所述第一r点序列包括多个第一r点；
37.所述心电信号片段截取处理模块用于根据所述第一r点序列对所述第三、第四心
电信号进行心电信号片段截取处理生成对应的第一、第二心电片段序列；
38.所述人工智能模型处理模块用于对所述第一心电片段序列进行心搏分类处理生成对应的第一片段类型序列；并对所述第二心电片段序列进行干扰分类处理生成对应的第二片段类型序列；
39.所述片段类型融合处理模块用于对所述第一、第二片段类型序列进行片段类型融合处理生成对应的第三片段类型序列；
40.所述输出模块用于将所述第一r点序列和所述第三片段类型序列作为心电信号处理结果输出。
41.本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；
42.所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；
43.所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
44.本发明实施例第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机执行上述第一方面所述的方法的指令。
45.本发明实施例提供了一种心电信号处理方法、装置、电子设备及计算机可读存储介质；本发明实施例先对输入的原始心电信号进行滤波生成对应的滤波心电信号；再对原始、滤波心电信号分别进行基线漂移消除处理；再基于完成基线漂移消除的滤波心电信号进行r点识别得到对应的r点序列；再基于r点序列按不同的心电信号片段对完成基线漂移消除的原始、滤波心电信号进行心电信号片段提取生成对应的原始、滤波心电片段序列；再基于不同的人工智能模型分别对原始、滤波心电片段序列进行对应的心搏、干扰类型识别；再对识别出的心搏、干扰类型进行类型融合处理并将最终的融合结果作为心电信号处理结果输出。通过本发明实施例，提高了心电信号处理的处理效率并保证了处理质量的稳定性。
附图说明
46.图1为本发明实施例一提供的一种心电信号处理方法示意图；
47.图2为本发明实施例二提供的一种心电信号处理装置的模块结构图；
48.图3为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
49.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
50.本发明实施例一提供一种心电信号处理方法，图1为本发明实施例一提供的一种心电信号处理方法示意图，如图1所示，本方法主要包括如下步骤：
51.步骤1，接收第一心电信号。
52.这里，第一心电信号为心电图(electrocardiogram，ecg)波形信号。
53.步骤2，对第一心电信号进行滤波处理生成对应的第二心电信号；并分别对第一、
第二心电信号进行基线漂移消除处理生成对应的第三、第四心电信号；
54.具体包括：步骤21，对第一心电信号进行滤波处理生成对应的第二心电信号；
55.这里，对第一心电信号进行滤波处理是为了消除原始心电信号也就是第一心电信号中的工频噪声、肌电噪声等；进行滤波处理时，本发明实施例先基于带通滤波器消除白噪声，然后基于小波变换对工频噪声和肌电噪声进行滤波；滤波处理后得到的滤波心电信号也就是第二心电信号；
56.步骤22，分别对第一、第二心电信号进行基线漂移消除处理生成对应的第三、第四心电信号。
57.这里，本发明实施例支持多种基线漂移消除手段；其中一种为基于中值滤波法的基线漂移消除处理手段；其中另一种为基于小波变换的基线漂移消除处理手段；其中另一种为基于简单整系数滤波器的基线漂移消除处理手段。需要说明的是，本发明实施例预先设定一个用于识别长时心电的心电时长阈值；若第一心电信号的时长超过预设的心电时长阈值，则优选使用基于小波变换的基于小波变换的基线漂移消除处理手段对第一、第二心电信号进行基线漂移消除处理；若第一心电信号的时长未超过该心电时长阈值，则选择基于中值滤波法或基于简单整系数滤波器的基线漂移消除处理手段对第一、第二心电信号进行基线漂移消除处理；需要进一步说明的是，因为相较于基于中值滤波法的处理手段而言基于简单整系数滤波器的处理手段造成波形失真的可能性更低，所以在第一心电信号的时长未超过该心电时长阈值时可优选基于简单整系数滤波器的基线漂移消除处理手段对第二心电信号进行基线漂移消除处理，选择基于中值滤波法或基于简单整系数滤波器的基线漂移消除处理手段对第一心电信号进行基线漂移消除处理。对原始心电信号即第一心电信号进行基线漂移消除处理后得到的信号为第三心电信号，对滤波心电信号即第二心电信号进行基线漂移消除处理后得到的信号为第四心电信号；第四心电信号会被后续步骤用于进行心搏分类处理；第三心电信号相较于第四心电信号而言还带有原始的噪声干扰，被后续步骤用于进行干扰分类处理。
58.步骤3，对第四心电信号进行r点识别处理生成对应的第一r点序列；
59.其中，第一r点序列包括多个第一r点；
60.具体包括：对第四心电信号进行qrs波识别处理生成对应的多个第一qrs波信号；并对各个第一qrs波信号进行r点识别处理生成对应的第一r点；并由得到的所有第一r点按时间先后顺序排序生成对应的第一r点序列。
61.这里，由ecg信号特点我们可知一段心电信号由多个心搏信号组成，每个心搏信号对应一次心动，心搏信号的典型波形包括p波、qrs波、t波、u波等；其中qrs波实际为由q、r、s波组成的qrs波群，qrs波群中的r波的峰值最高、对应的峰值点为r点；基于上述描述，当前步骤在对第四心电信号进行r点检测时首先对qrs波进行检测得到心电信号中的所有qrs波群信号段也就是第一qrs波信号，再对各个第一qrs波信号进行r点识别得到对应的第一r点，再由第一r点排序生成第一r点序列。
62.步骤4，根据第一r点序列对第三、第四心电信号进行心电信号片段截取处理生成对应的第一、第二心电片段序列；
63.具体包括：步骤41，在第四心电信号上，以各个第一r点为中心点截取一个长度为预设的第一长度的心电信号片段作为对应的第一心电片段；并由得到的所有第一心电片段
按按时间先后顺序排序生成对应的第一心电片段序列；
64.这里，第一长度为一个预设的时间长度，诸如2秒；每个第一心电片段对应一个第一r点，第一心电片段的中心点为对应的r点，第一心电片段的片段长度为第一长度*2；通过本发明实施例以r点为中心的第一心电片段截取方式能够最大限度的获得当前r点所在心搏信号的完整信号(包括p波、qrs波、t波、u波等)，同时还能获得其前后的一到两个心搏信号；
65.步骤42，在第三心电信号上，以各个第一r点为中心点截取一个长度为预设的第二长度的心电信号片段作为对应的第二心电片段；并由得到的所有第二心电片段按按时间先后顺序排序生成对应的第二心电片段序列；
66.其中，第二长度小于第一长度。
67.这里，第二长度为一个预设的时间长度，第二长度小于第一长度，诸如1秒；每个第二心电片段对应一个第一r点，第二心电片段的中心点为对应的r点，第二心电片段的片段长度为第二长度*2；第二心电片段的截取方式与步骤41中第一心电片段的截取方式类似，在此不做进一步赘述。
68.步骤5，对第一心电片段序列进行心搏分类处理生成对应的第一片段类型序列；并对第二心电片段序列进行干扰分类处理生成对应的第二片段类型序列；
69.具体包括：步骤51，对第一心电片段序列进行心搏分类处理生成对应的第一片段类型序列；
70.具体包括：对第一心电片段序列的第一心电片段进行遍历；遍历时，将当前遍历的第一心电片段送入预设的一类人工智能模型进行一维心电特征提取并基于提取出的心电特征进行心搏类型分类处理生成对应的第一片段类型；遍历结束时，由得到的所有第一片段类型按时间先后顺序进行排序生成对应的第一片段类型序列；
71.其中，一类人工智能模型包括第一输入模块、第一全连接网络、第一分类器和第一输出模块；第一输入模块与第一全连接网络连接；第一全连接网络与第一分类器连接；第一分类器与第一输出模块连接；第一全连接网络包括一个或多个第一全连接层；
72.此处，一类人工智能模型为用于心搏类型分类的人工智智能模型；第一输入模块为模型的数据预处理模块用于对输入数据进行一维向量转换；第一全连接网络选用多层感知(multilayer perceptron，mlp)神经网络予以实现，由一个或多个第一全连接层(fully connected,fc)构成，第一全连接网络通过全连接计算方式来对输入向量进行心搏形态特征提取；第一分类器用于根据第一全连接网络输出的心搏形态特征进行分类概率计算并输出带有多分类概率信息的分类向量，第一分类器默认选用基于softmax函数的分类器予以实现，也可选用其他可实现相同功能的分类器，在此不做一一列举；第一输出模块则从第一分类器输出的多个分类概率中选择最大分类概率对应的分类类型作为输出；
73.当前步骤基于上述一类人工智能模型的模型结构，将当前遍历的第一心电片段送入预设的一类人工智能模型进行一维心电特征提取并基于提取出的心电特征进行心搏类型分类处理生成对应的第一片段类型，具体为：
74.将当前的第一心电片段送入一类人工智能模型；由第一输入模块对第一心电片段进行一维模型向量转换处理生成对应的第一输入向量向第一全连接网络输出；并由第一全连接网络根据第一输入向量进行全连接运算生成对应的第一心电特征向量向第一分类器
输出；并由第一分类器根据第一心电特征向量进行心搏类型分类处理生成对应的第一分类向量向第一输出模块输出；并由第一输出模块从第一分类向量中提取出分类概率值最大的第一向量数据对应的心搏分类类型作为对应的第一片段类型输出；
75.其中，第一分类向量包括多个第一向量数据；各个第一向量数据对应一个心搏分类类型，第一向量数据为对应心搏分类类型的分类概率；此处，心搏分类类型至少包括窦性心搏类型、房颤心搏类型、室性心搏类型、房性心搏类型和交界性心搏类型；
76.需要说明的是，在使用上述一类人工智能模型之前，为确保模型的分析处理质量保持在一个稳定的质量范围，本发明实施例还需对一类人工智能模型进行训练，具体为：
77.步骤a1，基于交叉熵损失函数构建一类人工智能模型的损失函数记为第一损失函数；并为第一损失函数设置对应的第一损失值收敛区间；并为当次训练设置对应的第一训练片段数量；并初始化对应的第一计数器为0；
78.步骤a2，从预设的训练集中选择训练用心电片段作为对应的第一训练心电片段，并对第一训练心电片段中居于中心位置的心搏信号进行心搏类型标注生成对应的第一类型标签；
79.其中，第一类型标签至少包括窦性心搏标签、房颤心搏标签、室性心搏标签、房性心搏标签和交界性心搏标签；
80.步骤a3，将第一训练心电片段送入一类人工智能模型进行训练生成对应的第一训练类型；并基于第一类型标签、第一训练类型和第一损失函数进行损失值计算生成对应的第一损失值；
81.步骤a4，若第一损失值不满足第一损失值收敛区间，则对一类人工智能模型中的第一全连接网络和第一分类器的模型参数进行调制，并在完成调制后返回步骤a3进行训练；若第一损失值满足第一损失值收敛区间，则对第一计数器加1，若加1后的第一计数器小于或等于第一训练片段数量则返回步骤a2继续训练，若加1后的第一计数器大于第一训练片段数量则结束对一类人工智能模型的训练；
82.还需要说明的是，本发明实施例的一类人工智能模型也可通过基于支持向量机(support vector machine,svm)、决策树等神经网络结构的分类模型予以实现；
83.还需要说明的是，本发明实施例在还会将在每次基于一类人工智能模型进行一维心电特征提取并基于提取出的心电特征进行心搏类型分类处理之后，将当次第一心电片段序列中第一片段类型对应的分类概率偏低的第一心电片段作为训练数据存入训练集中；并定期根据新的批量训练数据对一类人工智能模型进行周期性训练，从而确保一类人工智能模型的分析处理精度能够得到持续提升；
84.步骤52，对第二心电片段序列进行干扰分类处理生成对应的第二片段类型序列；
85.具体包括：对第二心电片段序列的第二心电片段进行遍历；遍历时，将当前遍历的第二心电片段送入预设的二类人工智能模型进行一维干扰特征提取并基于提取出的干扰特征进行干扰类型分类处理生成对应的第二片段类型；遍历结束时，由得到的所有第二片段类型按时间先后顺序进行排序生成对应的第二片段类型序列；
86.其中，二类人工智能模型包括第二输入模块、第一卷积神经网络、第一数据转换模块、第二分类器和第二输出模块组成；第二输入模块与第一卷积神经网络连接；第一卷积神经网络与第一数据转换模块连接；第一数据转换模块与第二分类器连接；第二分类器与第
二输出模块连接；
87.此处，二类人工智能模型为用于干扰类型分类的人工智智能模型；第二输入模块为模型的数据预处理模块用于对输入的一维数据进行高维张量转换，以便用于后续的卷积神经网络(convolutional neural networks,cnn)；第一卷积神经网络由多个卷积层构成，第一卷积神经网络通过卷积运算来对输入张量进行干扰特征提取；第一数据转换模块对第一卷积神经网络输出的高维张量进行一维向量转换，以便用于后续的分类器；第二分类器用于根据第一数据转换模块输出的一维向量进行分类概率计算并输出带有多分类概率信息的分类向量，第二分类器默认选用基于softmax函数的分类器予以实现，也可选用其他可实现相同功能的分类器，在此不做一一列举；第二输出模块则从第二分类器输出的多个分类概率中选择最大分类概率对应的分类类型作为输出；
88.当前步骤基于上述二类人工智能模型的模型结构，将当前遍历的第二心电片段送入预设的二类人工智能模型进行一维干扰特征提取并基于提取出的干扰特征进行干扰类型分类处理生成对应的第二片段类型，具体为：
89.将当前的第二心电片段送入二类人工智能模型；由第二输入模块对第一心电片段进行高维张量转换处理生成对应的第一输入张量向第一卷积神经网络输出；并由第一卷积神经网络对第一输入张量进行干扰特征提取处理生成对应的第一特征张量向第一数据转换模块输出；并由第一数据转换模块对第一特征张量进行一维向量转换处理生成对应的第一特征向量向第二分类器输出；并由第二分类器根据第一特征向量进行干扰类型分类处理生成对应的第二分类向量向第二输出模块输出；并由第二输出模块从第二分类向量中提取出分类概率值最大的第二向量数据对应的干扰分类类型作为对应的第二片段类型输出；
90.其中，第二分类向量包括多个第二向量数据；各个第二向量数据对应一个干扰分类类型，第二向量数据为对应干扰分类类型的分类概率；干扰分类类型包括非干扰类型、弱干扰类型和强干扰类型；此处，若干扰分类类型为非干扰类型说明当前第二心电片段中心的心搏信号为正常心搏信号，若干扰分类类型为弱干扰类型说明当前第二心电片段中心的心搏信号为带有干扰但性噪比尚处于可接受范围的心搏信号，若干扰分类类型为强干扰类型说明当前第二心电片段中心的心搏信号实际为一个性噪比极低的干扰信号；
91.需要说明的是，在使用上述二类人工智能模型之前，为确保模型的分析处理质量保持在一个稳定的质量范围，本发明实施例还需对二类人工智能模型进行训练，具体为：
92.步骤b1，基于交叉熵损失函数构建二类人工智能模型的损失函数记为第二损失函数；并为第二损失函数设置对应的第二损失值收敛区间；并为当次训练设置对应的第二训练片段数量；并初始化对应的第二计数器为0；
93.步骤b2，从预设的训练集中选择训练用心电片段作为对应的第二训练心电片段，并对第二训练心电片段中居于中心位置的心搏信号进行干扰类型标注生成对应的第二类型标签；
94.其中，第二类型标签包括非干扰类型、弱干扰类型和强干扰类型；
95.步骤b3，将第二训练心电片段送入二类人工智能模型进行训练生成对应的第二训练类型；并基于第二类型标签、第二训练类型和第二损失函数进行损失值计算生成对应的第二损失值；
96.步骤b4，若第二损失值不满足第二损失值收敛区间，则对二类人工智能模型中的
第一卷积神经网络和第二分类器的模型参数进行调制，并在完成调制后返回步骤b3进行训练；若第二损失值满足第二损失值收敛区间，则对第二计数器加1，若加1后的第二计数器小于或等于第二训练片段数量则返回步骤b2继续训练，若加1后的第二计数器大于第二训练片段数量则结束对二类人工智能模型的训练；
97.还需要说明的是，本发明实施例的二类人工智能模型也可通过基于全连接网络、支持向量机、决策树等神经网络结构的分类模型予以实现；
98.还需要说明的是，本发明实施例在还会将在每次基于二类人工智能模型进行一维干扰特征提取并基于提取出的干扰特征进行干扰类型分类处理之后，将当次第二心电片段序列中第二片段类型对应的分类概率偏低的第二心电片段作为训练数据存入训练集中；并定期根据新的批量训练数据对二类人工智能模型进行周期性训练，从而确保二类人工智能模型的分析处理精度能够得到持续提升。
99.步骤6，对第一、第二片段类型序列进行片段类型融合处理生成对应的第三片段类型序列；
100.具体包括：将第一、第二片段类型序列中，序列索引相同的第一、第二片段类型作为对应的第一片段类型对；并根据预设的融合模式对各个第一片段类型对进行片段类型融合处理生成对应的第三片段类型；并由得到的所有第三片段类型按时间先后顺序进行排序生成对应的第三片段类型序列；
101.其中，根据预设的融合模式对各个第一片段类型对进行片段类型融合处理生成对应的第三片段类型，具体为：
102.步骤c1，对融合模式进行识别；
103.其中，融合模式包括第一、第二模式；
104.步骤c2，当融合模式为第一模式时，对当前第一片段类型对的第二片段类型是否为非干扰类型进行识别；若是，则将对应的第三片段类型设为当前第一片段类型对的第一片段类型；若否，则将对应的第三片段类型设为干扰片段类型；
105.这里，在第一模式时，本发明实施例优选只对非干扰类型对应的心搏信号即正常心搏信号的心搏分类信息进行保留，并将弱、强干扰类型对应的心搏信号都视为噪声干扰信号；
106.步骤c3，当融合模式为第二模式时，对当前第一片段类型对的第二片段类型是否为强干扰类型进行识别；若是，则将对应的第三片段类型设为干扰片段类型；若否，则将对应的第三片段类型设为当前第一片段类型对的第一片段类型；
107.这里，在第二模式时，本发明实施例优选只将强干扰类型对应的心搏信号视为噪声干扰信号，并对非干扰类型、弱干扰类型对应的心搏信号的心搏分类信息都进行保留。
108.步骤7，将第一r点序列和第三片段类型序列作为心电信号处理结果输出。
109.这里，第一r点序列中的每个第一r点给出了第一心电信号上各个心搏信号的位置，第三片段类型序列中的第三片段类型与第一r点一一对应；将第一r点序列和第三片段类型序列结合起来就可以确定出第一心电信号上各个心搏信号的信号标记点(r点)位置和信号类型，其中，信号类型包括窦性心搏类型、房颤心搏类型、室性心搏类型、房性心搏类型、交界性心搏类型和干扰片段类型。
110.图2为本发明实施例二提供的一种心电信号处理装置的模块结构图，该装置可以
为实现本发明实施例方法的终端设备或者服务器，也可以为与上述终端设备或者服务器连接的实现本发明实施例方法的装置，例如该装置可以是上述终端设备或者服务器的装置或芯片系统。如图2所示，心电信号处理装置包括:接收模块201、预处理模块202、r点识别模块203、心电信号片段截取处理模块204、人工智能模型处理模块205、片段类型融合处理模块206和输出模块207。
111.接收模块201用于接收第一心电信号。
112.预处理模块202用于对第一心电信号进行滤波处理生成对应的第二心电信号；并分别对第一、第二心电信号进行基线漂移消除处理生成对应的第三、第四心电信号。
113.r点识别模块203用于对第四心电信号进行r点识别处理生成对应的第一r点序列；第一r点序列包括多个第一r点。
114.心电信号片段截取处理模块204用于根据第一r点序列对第三、第四心电信号进行心电信号片段截取处理生成对应的第一、第二心电片段序列。
115.人工智能模型处理模块205用于对第一心电片段序列进行心搏分类处理生成对应的第一片段类型序列；并对第二心电片段序列进行干扰分类处理生成对应的第二片段类型序列。
116.片段类型融合处理模块206用于对第一、第二片段类型序列进行片段类型融合处理生成对应的第三片段类型序列。
117.输出模块207用于将第一r点序列和第三片段类型序列作为心电信号处理结果输出。
118.本发明实施例提供的一种心电信号处理装置，可以执行上述方法实施例中的方法步骤，其实现原理和技术效果类似，在此不再赘述。
119.需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，接收模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
120.例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，asic)，或，一个或多个数字信号处理器(digital signal processor，dsp)，或，一个或者多个现场可编程门阵列(field programmable gate array，fpga)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(central processing unit，cpu)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，soc)的形式实现。
121.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实
现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本发明实施例所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路(digital subscriber line，dsl))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘(solid state disk，ssd))等。
122.图3为本发明实施例三提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器，也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图3所示，该电子设备可以包括：处理器301(例如cpu)、存储器302、收发器303；收发器303耦合至处理器301，处理器301控制收发器303的收发动作。存储器302中可以存储各种指令，以用于完成各种处理功能以及实现本发明上述实施例中提供的方法和处理过程。优选的，本发明实施例涉及的电子设备还包括：电源304、系统总线305以及通信端口306。系统总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。
123.在图3中提到的系统总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(random access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
124.上述的处理器可以是通用处理器，包括中央处理器cpu、网络处理器(network processor，np)等；还可以是数字信号处理器dsp、专用集成电路asic、现场可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
125.需要说明的是，本发明实施例还提供一种计算机可读存储介质，该存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中提供的方法和处理过程。
126.本发明实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中提供的方法和处理过程。
127.本发明实施例提供了一种心电信号处理方法、装置、电子设备及计算机可读存储介质，本发明实施例先对输入的原始心电信号进行滤波生成对应的滤波心电信号；再对原始、滤波心电信号分别进行基线漂移消除处理；再基于完成基线漂移消除的滤波心电信号进行r点识别得到对应的r点序列；再基于r点序列按不同的心电信号片段对完成基线漂移消除的原始、滤波心电信号进行心电信号片段提取生成对应的原始、滤波心电片段序列；再基于不同的人工智能模型分别对原始、滤波心电片段序列进行对应的心搏、干扰类型识别；
再对识别出的心搏、干扰类型进行类型融合处理并将最终的融合结果作为心电信号处理结果输出。通过本发明实施例，提高了心电信号处理的处理效率并保证了处理质量的稳定性。
128.专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
129.结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
130.以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。