高场强磁共振下的房颤检测方法、装置、设备及存储介质与流程

本发明涉及医疗监护，具体涉及高场强磁共振下的房颤检测方法、装置、设备及存储介质。

背景技术：

1、心血管疾病在世界范围内都是人类重点关注的对象，因为他的死亡率是极高的。而心电图则是检测心血管疾病的重要手段，心电图是一种检测心脏活动和诊断心血管疾病的重要工具。在某种特殊的情况下，则需要对患者的心电图进行持续性检测，以发现心律失常的情况，这在日常环境中已经有了成熟的设备，但在高场强磁共振环境下对患者的心电图进行持续性检测还需要进一步研究，因为在磁共振成像的过程中，也需要监护人体的心电异常，这是非常关键的一步。

2、心房颤动是一种很常见的心功能紊乱的心脏疾病，在高场强磁共振的条件下基于心电图进行房颤检测时，由于p波和f波的幅值太小，频率太快，容易出现检测结果不准确，检测精度差，鲁棒性差的问题。

技术实现思路

1、基于此，有必要针对上述问题，提出一种高场强磁共振下的房颤检测方法、装置、设备及存储介质。

2、为实现上述目的，本技术第一方面提供一种高场强磁共振下的房颤检测方法，所述方法包括：

3、获取心电图信号；

4、对所述心电图信号进行特征点定位，获得r波和p波；

5、根据所述r波和所述p波分别获得rr间期的矩阵信号、p波的矩阵信号；

6、对所述rr间期的矩阵信号进行提取特征，获得rr间期信号的传统特征和深度特征；

7、对所述rr间期信号的传统特征和深度特征进行融合并且分类，获得rr间期信号的特征分类；

8、对所述p波的矩阵信号进行提取特征，获得p波信号的传统特征和深度特征；

9、对所述p波信号的传统特征和深度特征进行融合并且分类，获得p波信号的特征分类；

10、根据所述rr间期信号的特征分类和所述p波信号的特征分类确定房颤报警结果。

11、在一些实施方式中，所述对所述心电图信号进行特征点定位，获得r波和p波，具体包括：

12、对所述心电图信号进行预处理；

13、通过pt算法对预处理后的心电图信号进行定位，获得所述心电图信号中所述r波的位置集合；

14、根据所述r波位置集合获得rr间期的hrv信号；

15、根据所述rr间期的hrv信号确定所述p波。

16、在一些实施方式中，所述对所述心电图信号进行预处理，具体包括：

17、对所述心电图信号进行基线处理，获得心电信号基线，

18、从原始的所述心电图信号中去除所述心电信号基线，再去除高频的工频噪声，获得干净的心电图信号，所述干净的心电图信号为所述预处理后的心电图信号。

19、在一些实施方式中，所述对所述rr间期的矩阵信号进行提取特征，获得rr间期信号的传统特征和深度特征，具体包括：

20、对所述rr间期的矩阵信号进行提取特征，获得传统特征中的比值特征、庞加莱图特征、熵特征；

21、通过神经网络对所述rr间期的矩阵信号进行提取特征，获得深度特征。

22、在一些实施方式中，所述对所述rr间期信号的传统特征和深度特征进行融合并且分类，获得rr间期信号的特征分类，具体包括：

23、将所述rr间期信号的传统特征和深度特征串联组成第一特征矩阵；

24、根据类别典型性相关分析(dcca)算法得到所述第一特征矩阵的第一最佳投影矩阵；

25、根据所述第一最佳投影矩阵获得在x轴和y轴上的第一特征投影；

26、将所述x轴和y轴上的第一特征投影进行拼接，获得所述rr间期信号的融合特征；

27、将所述rr间期信号的融合特征放入svm分类器进行分类，获得所述rr间期信号的房颤预警信息和非房颤预警信息。

28、在一些实施方式中，所述对所述p波的矩阵信号进行提取特征，获得p波信号的传统特征和深度特征，具体包括：

29、对所述p波的矩阵信号进行提取特征，获得传统特征中的p波检测范围的宽度、p波检测范围内的最大值；

30、通过神经网络对所述p波的矩阵信号进行提取特征获得深度特征。

31、在一些实施方式中，所述对所述p波信号的传统特征和深度特征进行融合并且分类，获得p波信号的特征分类，具体包括：

32、将所述p波信号的传统特征和深度特征串联组成第二特征矩阵；

33、根据类别典型性相关分析(dcca)算法得到所述第二特征矩阵的第二最佳投影矩阵；

34、根据所述第二最佳投影矩阵获得在x和y轴上的第二特征投影；

35、对所述x和y轴上的第二特征投影进行拼接，获得所述p波信号的融合特征；

36、将所述p波信号的融合特征放入svm分类器进行分类，获得所述p波信号的房颤预警信息和非房颤预警信息。

37、为实现上述目的，本技术第二方面提供一种高场强磁共振下的房颤检测装置，所述装置包括：

38、心电图获取模块，用于获取心电图信号；

39、波形获取模块，用于对所述心电图信号进行特征点定位，获得r波和p波；

40、矩阵信号获取模块，用于根据所述r波和所述p波分别获得rr间期的矩阵信号、p波的矩阵信号；

41、特征提取模块，用于对所述rr间期的矩阵信号进行提取特征，获得rr间期信号的传统特征和深度特征；

42、分类模块，用于对所述rr间期信号的传统特征和深度特征进行融合并且分类，获得rr间期信号的特征分类；

43、所述特征提取模块，还用于对所述p波的矩阵信号进行提取特征，获得p波信号的传统特征和深度特征；

44、所述分类模块，还用于对所述p波信号的传统特征和深度特征进行融合并且分类，获得p波信号的特征分类；

45、判断模块，用于根据所述rr间期信号的特征分类和所述p波信号的特征分类确定房颤报警结果。

46、为实现上述目的，本技术第三方面提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

47、获取心电图信号；

48、对所述心电图信号进行特征点定位，获得r波和p波；

49、根据所述r波和所述p波分别获得rr间期的矩阵信号、p波的矩阵信号；

50、对所述rr间期的矩阵信号进行提取特征，获得rr间期信号的传统特征和深度特征；

51、对所述rr间期信号的传统特征和深度特征进行融合并且分类，获得rr间期信号的特征分类；

52、对所述p波的矩阵信号进行提取特征，获得p波信号的传统特征和深度特征；

53、对所述p波信号的传统特征和深度特征进行融合并且分类，获得p波信号的特征分类；

54、根据所述rr间期信号的特征分类和所述p波信号的特征分类确定房颤报警结果。

55、为实现上述目的，本技术第四方面提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：

56、获取心电图信号；

57、对所述心电图信号进行特征点定位，获得r波和p波；

58、根据所述r波和所述p波分别获得rr间期的矩阵信号、p波的矩阵信号；

59、对所述rr间期的矩阵信号进行提取特征，获得rr间期信号的传统特征和深度特征；

60、对所述rr间期信号的传统特征和深度特征进行融合并且分类，获得rr间期信号的特征分类；

61、对所述p波的矩阵信号进行提取特征，获得p波信号的传统特征和深度特征；

62、对所述p波信号的传统特征和深度特征进行融合并且分类，获得p波信号的特征分类；

63、根据所述rr间期信号的特征分类和所述p波信号的特征分类确定房颤报警结果。

64、采用本发明实施例，具有如下有益效果：

65、本发明通过分别对rr间期和p波两个不同域的矩阵信号进行提取特征，获得各自的传统特征和深度特征；并分别对所述rr间期信号和p波的矩阵信号的传统特征和深度特征进行融合并且分类，获得rr间期信号的特征分类、p波信号的特征分类，通过dcca方式进行特征融合拼接获得最终的特征向量，然后进而进行房颤检测的判断，增强了类内关系和类间距离，充分利用了心电图中提供的有效信息，增强了房颤判别的准确率，并且融合两种特征增强了算法的鲁棒性，更适合高场强磁共振的监护情况，提高检测精度和检测结果的准确性。