一种检测单导联10秒心电图噪音干扰程度的方法

摘要

本发明公开了一种检测单导联10秒心电图噪音干扰程度的方法，包括以下步骤：对原始心电信号进行处理，以提取噪音识别特征；利用已知心电数据库训练用于判断各心电图信号是否为噪音污染的逻辑回归模型；利用训练好的模型求得各心电图信号为噪音污染的概率。本发明利用包含多种心律失常的MIT‑BIH数据库以及MIT‑BIH Noise Stress Test Database，经过反复试验，选取了一组可有效衡量心电图噪音干扰程度的特征参数，从而能更安全有效的滤除被严重干扰的心电图，避免误警报。本发明利用前述特征训练逻辑回归算法模型，使检测技术具有更好的准确性与鲁棒性。

权利要求

1.一种检测单导联10秒心电图噪音干扰程度的方法，其特征在于，包括以下步骤：(1)预处理心电图信号，进行除噪，将除噪后的心电信号重采样至某一固定采样率；

(2)采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，具体方法为：综合多种波形特征，利用机器学习算法自动从海量数据中学习获得各特征权值，判别疑似QRS波是否真实；同时，对每一个疑似QRS波给出一个是真实QRS波的概率，当信号质量较差时，该概率值普遍较低，因此这些值可以用于衡量心电信号的质量；

(3)采用基于瞬时心率的动态确定的搜索窗查找T波，同时，对QRS波附近的区域进行直线化处理，以突出T波部分；

(4)采用基于小波变换和K平均聚类算法的方法提取心电图信号中的P波，该方法限定各P波搜索范围为前一个T波终止位置到当前Q波起始位置之间，可以涵盖所有可能的P波，包括在房室传导阻滞发生时；

(5)对每个QRS，选取该QRS T波终止点与下一个QRS P波起始点之间的心电信号，也即该心电图在当前QRS与下一个QRS之间的基线；计算基线的电压平均变化速率作为第1个特征，计算方式为：平均值{绝对值{s[n]‑s[n‑1]}}，其中n为从1到N的所有整数，N是这段基线的长度；

(6)计算步骤(2)中获得的各QRS为真实QRS的概率的平均值，作为第2个特征；

(7)计算各QRS幅值的平均值，即QRS起始点与终止点之间最大电压与最小电压的电压差的平均值；如果平均值小于某选定阈值，第3个特征值为1，表示该QRS电压较小，反之第3个特征值为0；如果平均值小于某更小的阈值，第4个特征值为1，表示该QRS电压非常小，反之第4个特征值为0；

(8)将MIT‑BIH心电数据库和Noise Stress Test心电数据库中的各个心电记录划分成多个心电图片段，每个心电图片段10秒；

(9)对各个10秒心电图片段按步骤(1)‑步骤(7)进行处理，获得一个判别噪音程度的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于4，列数为步骤(1)‑步骤(7)中获得的特征参数的数目；

(10)将步骤(9)获得的特征参数矩阵输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛；训练中，采用留1交叉验证的方法，即将训练数据随机分成K份，取其中K‑1份做训练，剩下1份做验证，如此重复N次；全部训练完成后对所得N个模型做平均，得到最终模型；最后，以F1分数为指标选取概率阈值，在阈值以下，认为心电图的噪音污染程度可接受，阈值以上，认为心电图的噪音污染程度不可接受；

(11)对任一新的待分析的10秒心电片段，采用步骤(1)至步骤(7)的方法进行处理，获得该心电图的噪音判别特征参数组合；采用步骤(10)中训练获得的模型进行分类，获得其为完全噪音的概率；这个概率值可用来判断信号的噪音污染程度，概率越大表明噪音污染程度越大；最后可利用步骤(10)中确定的概率阈值决定该心电图的噪音污染程度是否可接受。

说明书

一种检测单导联10秒心电图噪音干扰程度的方法

技术领域

[0001] 本发明涉及医疗技术领域，尤其涉及一种检测单导联10秒心电图噪音干扰程度的方法。

背景技术

[0002] 心电图信号易受肌电信号、电极扰动、工频噪音等多种噪音干扰。准确衡量心电图信号质量对减少错误预警至关重要。并且随着人们对心电监测实时性与便捷性的要求不断
提高，短时单导联心电图分析系统应用日益广泛。然而，当前对单导联心电图信号质量测量
的研究较少。公开技术主要针对的是十二导联心电图信号。比如，在心电自动分析领域内有
很大影响力的Physionet网站于2011年举办了一场以自动分析十二导联心电图质量为目标
的算法竞赛，赢得比赛的算法应用了多种时域和频域特征，同时利用了不同导联间的相关
性。另一个十分受关注的研究使用两种QRS检测算法来提取心电图QRS，而后比较两种算法
结果的差异，该算法同时计算了心电图的偏态(skewness)和峰度(kurtosis)等特征，以及
心电图信号在不同频率范围内的能量分布。上述研究使用了2011年Physionet竞赛的数据
来训练和测试算法模型。虽然其结果十分优异，但是由于2011年Physionet竞赛中全为正常
心电，它无法反映算法在数据包含心律失常时的性能。从上述研究所选取的特征看，它十分
可能将部分严重的心律失常错误识别为噪音。比如，心室过速的心电图与正常心电图差异
十分大，导致二者的偏态和峰度特征以及在频域的能量分布都有较大差异。

发明内容

[0003] 基于背景技术存在的技术问题，本发明提出了一种检测单导联10秒心电图噪音干扰程度的方法。

[0004] 本发明采用的技术方案是：

[0005] 一种检测单导联10秒心电图噪音干扰程度的方法，其特征在于，包括以下步骤：

[0006] (1)预处理心电图信号，进行除噪，以滤除基线漂移、工频干扰等噪音，将除噪后的心电信号重采样至某一固定采样率；

[0007] (2)采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，具体方法为：综合多种波形特征，利用机器学习算法自动从海量数据中学习获得各特征权值，判别疑
似QRS波是否真实；同时，对每一个疑似QRS波给出一个是真实QRS波的概率，当信号质量较
差时，该概率值普遍较低，因此这些值可以用于衡量心电信号的质量；

[0008] (3)采用基于瞬时心率的动态确定的搜索窗查找T波，对T波信息的提取更准确和完整，同时能更好防止对后续提取P波的干扰；同时，对QRS波附近的区域进行直线化处理，
以突出T波部分；

[0009] (4)采用基于小波变换和K平均聚类算法的方法提取心电图信号中的P波，该方法能够在各种心律失常情况下和噪音干扰下更稳健可靠的提取P波，同时可以更准确的判断P
波是否可见；该方法限定各P波搜索范围为前一个T波终止位置到当前Q波起始位置之间，相
对同类技术范围大为拓展，可以涵盖所有可能的P波，包括在房室传导阻滞发生时；通过基
于聚类算法的模糊搜索的方法，该方法不通过人为定义的规则确定P波位置，因此算法性能
更优鲁棒性更佳；

[0010] (5)对每个QRS，选取该QRS T波终止点与下一个QRS P波起始点之间的心电信号，也即该心电图在当前QRS与下一个QRS之间的基线；计算基线的电压平均变化速率作为第1
个特征，计算方式为：平均值{绝对值{s[n]‑s[n‑1]}}，其中n为从1到N的所有整数，N是这段
基线的长度；

[0011] (6)计算步骤(2)中获得的各QRS为真实QRS的概率的平均值，作为第2个特征；

[0012] (7)计算各QRS幅值的平均值，即QRS起始点与终止点之间最大电压与最小电压的电压差的平均值；如果平均值小于某选定阈值，第3个特征值为1，表示该QRS电压较小，反之
第3个特征值为0；如果平均值小于某更小的阈值，第4个特征值为1，表示该QRS电压非常小，
反之第4个特征值为0；

[0013] (8)将MIT‑BIH心电数据库和Noise Stress Test心电数据库中的各个心电记录划分成多个心电图片段，每个心电图片段10秒；

[0014] (9)对各个10秒心电图片段按步骤(1)‑步骤(7)进行处理，获得一个判别噪音程度的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于4，列数为步骤
(1)‑步骤(7)中获得的特征参数的数目；

[0015] (10)将步骤(9)获得的特征参数矩阵输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛；训练中，采用留1交叉验证的方法，即将训练
数据随机分成K份，取其中K‑1份做训练，剩下1份做验证，如此重复N次；全部训练完成后对
所得N个模型做平均，得到最终模型；最后，以F1分数为指标选取概率阈值，在阈值以下，认
为心电图的噪音污染程度可接受，阈值以上，认为心电图的噪音污染程度不可接受；

[0016] (11)对任一新的待分析的10秒心电片段，采用步骤(1)至步骤(7)的方法进行处理，获得该心电图的噪音判别特征参数组合；采用步骤(10)中训练获得的模型进行分类，获
得其为完全噪音的概率；这个概率值可用来判断信号的噪音污染程度，概率越大表明噪音
污染程度越大；最后可利用步骤(10)中确定的概率阈值决定该心电图的噪音污染程度是否
可接受。

[0017] 本发明的原理是：

[0018] 为了避免算法将心律失常心电图错误识别成噪音，本发明利用MIT‑BIH Arrhythmia Database(MIT‑BIH数据库中包含了房性早搏、室性早搏、心房颤动、房室传导
阻滞、心室过速、心室颤动等多种心律失常)以及MIT‑BIH Noise Stress Test Database，
经过反复试验，选取了一组可有效衡量心电图噪音干扰程度的特征参数。本发明选取了四
种特征。第1种特征是对心电图基线平整度的测量，以衡量心电图基线是否出现高频的扰
动。第2种特征取自本发明所使用的QRS检测过程。本发明使用基于机器学习技术的QRS检测
算法，每一个检测到的QRS都会有一个为真实QRS的概率。由于各QRS为真实QRS的概率只有
在心电图质量较高时才会接近100％，因此这些概率的平均值可以很好衡量心电图的质量。
最后，本发明比较检测到的各个QRS的电压幅值，计算各QRS幅值的平均值，与两个选定阈值
做比较，以判断心电图电压是否比较小(第3个特征)、以及是否过小(第4个特征)。

[0019] 由于心律失常心电图的波形形态各异，本发明没有取用偏态、峰度等可能将心律失常心电图错误识别成噪音的特征。因而本发明能更安全有效的滤除被严重干扰的心电
图，避免误警报。

[0020] 本发明的优点是：

[0021] 本发明利用包含多种心律失常的MIT‑BIH数据库以及MIT‑BIH Noise Stress Test Database，经过反复试验，选取了一组可有效衡量心电图噪音干扰程度的特征参数，
从而能更安全有效的滤除被严重干扰的心电图，避免误警报。本发明利用前述特征训练逻
辑回归算法模型，使检测技术具有更好的准确性与鲁棒性。

附图说明

[0022] 图1为对原始心电信号进行处理，以提取噪音识别特征的流程图。

[0023] 图2为利用已知心电数据库训练用于判断各心电图信号是否为噪音污染的逻辑回归模型的流程图。

[0024] 图3为利用训练好的模型求得各心电图信号为噪音污染的概率的流程图。

具体实施方式

[0025] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

[0026] 实施例。

[0027] 一种检测单导联10秒心电图噪音干扰程度的方法，包括以下步骤：

[0028] (1)预处理心电图信号，进行除噪，以滤除基线漂移、工频干扰等噪音，将除噪后的心电信号重采样至某一固定采样率；

[0029] (2)采用基于小波变换和逻辑回归算法的方法提取心电图QRS波特征点，具体方法为：综合多种波形特征，利用机器学习算法自动从海量数据中学习获得各特征权值，判别疑
似QRS波是否真实；同时，对每一个疑似QRS波给出一个是真实QRS波的概率，当信号质量较
差时，该概率值普遍较低，因此这些值可以用于衡量心电信号的质量；

[0030] (3)采用基于瞬时心率的动态确定的搜索窗查找T波，对T波信息的提取更准确和完整，同时能更好防止对后续提取P波的干扰；同时，对QRS波附近的区域进行直线化处理，
以突出T波部分；

[0031] (4)采用基于小波变换和K平均聚类算法的方法提取心电图信号中的P波，该方法能够在各种心律失常情况下和噪音干扰下更稳健可靠的提取P波，同时可以更准确的判断P
波是否可见；该方法限定各P波搜索范围为前一个T波终止位置到当前Q波起始位置之间，相
对同类技术范围大为拓展，可以涵盖所有可能的P波，包括在房室传导阻滞发生时；通过基
于聚类算法的模糊搜索的方法，该方法不通过人为定义的规则确定P波位置，因此算法性能
更优鲁棒性更佳；

[0032] (5)对每个QRS，选取该QRS T波终止点与下一个QRS P波起始点之间的心电信号，也即该心电图在当前QRS与下一个QRS之间的基线；计算基线的电压平均变化速率作为第1
个特征，计算方式为：平均值{绝对值{s[n]‑s[n‑1]}}，其中n为从1到N的所有整数，N是这段
基线的长度；

[0033] (6)计算步骤(2)中获得的各QRS为真实QRS的概率的平均值，作为第2个特征；

[0034] (7)计算各QRS幅值的平均值，即QRS起始点与终止点之间最大电压与最小电压的电压差的平均值；如果平均值小于某选定阈值，第3个特征值为1，表示该QRS电压较小，反之
第3个特征值为0；如果平均值小于某更小的阈值，第4个特征值为1，表示该QRS电压非常小，
反之第4个特征值为0；

[0035] (8)将MIT‑BIH心电数据库和Noise Stress Test心电数据库中的各个心电记录划分成多个心电图片段，每个心电图片段10秒；

[0036] (9)对各个10秒心电图片段按步骤(1)‑步骤(7)进行处理，获得一个判别噪音程度的特征参数矩阵，该矩阵的行数等于所有10秒心电图片段的数目，列数等于4，列数为步骤
(1)‑步骤(7)中获得的特征参数的数目；

[0037] (10)将步骤(9)获得的特征参数矩阵输入一个逻辑回归模型中，以梯度下降法为优化方法，设置学习率为0.02，迭代直至收敛；训练中，采用留1交叉验证的方法，即将训练
数据随机分成K份，取其中K‑1份做训练，剩下1份做验证，如此重复N次；全部训练完成后对
所得N个模型做平均，得到最终模型；最后，以F1分数为指标选取概率阈值，在阈值以下，认
为心电图的噪音污染程度可接受，阈值以上，认为心电图的噪音污染程度不可接受；

[0038] (11)对任一新的待分析的10秒心电片段，采用步骤(1)至步骤(7)的方法进行处理，获得该心电图的噪音判别特征参数组合；采用步骤(10)中训练获得的模型进行分类，获
得其为完全噪音的概率；这个概率值可用来判断信号的噪音污染程度，概率越大表明噪音
污染程度越大；最后可利用步骤(10)中确定的概率阈值决定该心电图的噪音污染程度是否
可接受。

[0039] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其
发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。