可穿戴式心电信号R峰检测的心拍感知卷积网络

目的 实现可穿戴式心电信号的R峰检测,为准确估计心率、心率变异性等生理参数提供基础。方法 采用全卷积网络预测R峰热图,对热图进行峰值定位获得R峰位置。引入心拍感知模块,联合心拍数量预测任务和R峰热图预测任务进行学习,提高卷积网络对全局上下文信息的提取能力。心拍感知模块预测的心拍数量还可估计R-R间期,用作峰值定位的峰间最小水平距离。为满足移动端的实时应用,采用深度可分离卷积减小模型的参数量和计算量。结果 实验仅使用可穿戴式心电数据训练模型。测试中定位误差容忍度设置为150 ms时,本文方法在可穿戴式心电数据集和公开数据集LUDB上的R峰检测灵敏度均高达100%,真阳率均超过99.9%;对于时长10 s的ECG信号,R峰检测CPU耗时约为23.2 ms。结论 本文方法对可穿戴式和常规心电信号的R峰检测均可达到良好效果,且满足R峰检测的实时性需求。

基于Brown指数平滑模型的自适应R峰探测算法

心电图是心脏疾病诊断最有效的医学检查手段之一。R峰探测是心电图解读中的第一步。对于可穿戴心电信号而言,R峰探测的难点主要在于动态强噪声的干扰,并且有限的硬件计算资源限制了一些复杂算法的使用。因此,论文提出了一种基于Brown指数平滑模型的自适应阈值R峰探测算法。该算法基于R峰的形态特点和出现规律选取特征,利用Brown指数平滑模型更新阈值参数,采用相对误差最小二乘法优化其中的平滑系数,修正对观测误差的平滑能力和对观测量变化的反应速度,使得更新后的阈值能够更加符合R峰探测情况。最后该算法在自建的心电图数据集上,精度、召回率和F1分数分别达到了99.6%、99.7%和99.65%,并与其他R峰探测算法进行比较,确定了所提出算法在一些性能指标上的优越性。通过实验证明,该算法能够良好地适应强噪声环境,获得满意的R峰检测精度。